产业观察
阿里通义千问发布Qwen3.8-Omni-Flash：主打智能体音视频理解与工具调用的百万上下文全模态模型
原标题: Alibaba Qwen Releases Qwen3.8-Omni-Flash: A 1M-Context Omni-Modal Model Built Around Agentic Audio-Video Understanding and Tool Use
📋总体概括
阿里巴巴通义千问发布Qwen3.8-Omni-Flash，这是一款面向智能体场景的全模态模型，支持百万token上下文，可直接理解音视频内容、自主规划任务并调用外部工具。在OmniVideoBench基准上，该模型报告较此前方案减少约45.7%的token消耗，意味着在长视频理解场景下推理成本显著下降。这是Qwen全模态系列向『听得懂、看得懂、还能动手』方向演进的关键一步，瞄准音视频智能体应用的落地需求。
⚡关键信息
- ▸阿里巴巴通义千问发布全模态模型Qwen3.8-Omni-Flash，主打音视频理解与智能体能力
- ▸模型支持100万token上下文窗口，可处理超长音视频内容
- ▸具备任务规划与工具调用能力，定位于Agentic场景而非单纯问答
- ▸在OmniVideoBench基准上报告token消耗减少约45.7%
- ▸Flash命名暗示其定位为高性价比、低成本的轻量版本
🔥犀利点评
全模态模型卷到今天，参数和跑分已经不稀奇，千问这步棋真正值得注意的是把宝押在token成本上——省45.7%不是炫技，是在给音视频智能体的商业化铺路。长视频理解贵就贵在token，谁先把单位成本打下来，谁就先吃到Agent应用的红利。百万上下文配工具调用，摆明了要抢企业级音视频处理的生意，这比再刷一个榜单分数务实得多。
📰 相关资讯（与本文相关的其他资讯）
本文由本站自动聚合，以下为原始来源：前往 marktechpost.com 阅读全文 →