阿里发布Qwen3.8-Omni-Flash原生全模态模型：1M上下文+音视频Agent交付，音频输入成本降超98%，多项基准逼近或超越Gemini 3.8 Flash

【新闻原文】 9月18日，阿里巴巴通义千问团队正式发布新一代原生全模态模型 Qwen3.8-Omni-Flash，并同步上线千问AI平台与阿里云百炼（覆盖北京、新加坡、香港、东京、法兰克福、弗吉尼亚等区域）。该模型支持文本、图像、音频、视频四种输入，提供100万Token上下文窗口，基于 Qwen3.8-Flash-Next 架构，核心目标是将全模态模型从"理解内容"推向"规划任务、调用工具、完成创作"的 Agentic 交付阶段。官方数据显示，模型在累计30项评测中较上一代 Qwen3.5-Omni-Plus 平均得分提升超过25%；在音视频Agent评测 WildClawBench-MM 上提升36.5分（71.0分，高于 Gemini 3.8 Flash 的58.9分），AgenticVBench 提升22.3分。多说话人会议识别进步显著，AliMeeting 说话人错误率（DER）从88.11降至3.35，带归属词错误率（cpWER）从89.61降至17.18。价格方面，每小时音频输入价格降幅超过98%，每小时音视频输入价格降幅超过93%。模型支持113种语言与方言的音频输入、双通道与四通道空间音频解析，兼容 DashScope 与 OpenAI 协议。配套开源 Qwen-MM-Plugins 多模态插件与 Qwen-Live Harness 实时交互运行环境（模型权重本身暂不开源）。官方还演示了"大模型研发小模型"范式：Qwen3.8-Omni-Flash 在12小时内自主完成数据构建与4轮迭代，将 Qwen2.5-Omni-3B 的四川话识别字符错误率从25.79%降至15.30%。 【企服观察】 Qwen3.8-Omni-Flash 的发布，表面上是一次常规的模型迭代，但对IT企服行业来说，它可能是一块重要的分水岭：音视频正在从"AI的感知输入"变成"AI的生产资料"，这意味着大量以音视频为核心载体的企业服务，第一次具备了被端到端自动化的技术前提。 第一，成本塌缩是本轮发布最实打实的信号。音频输入每小时降价98%、音视频降价93%以上，这不是营销话术，而是把"批量处理音视频"从预算审批级支出降到了运维可自主决策的成本区间。过去企业想对客服通话录音做全量质检、对培训视频做内容盘点、对会议录像做纪要与待办提取，往往因为API成本只能抽样处理，覆盖率通常不足5%。当处理成本下降两个数量级，"全量分析"取代"抽样分析"将成为企服产品的新默认值。对服务商而言，谁先把全量音视频分析封装成标准化SaaS能力，谁就能在客服质检、合规审查、销售会话分析（Conversation Intelligence）等赛道拿到代际优势。 第二，会议场景的 DER 从88降到3.35，解决的是企服最普遍的痛点之一。多说话人重叠、身份归属混乱是过去语音转写产品难以商用的根本原因，"谁说了什么"比"说了什么"更重要——因为待办、决议、责任都需要归属到人。现在模型能联合理解音画完成说话人切分、身份对应，再结合工具调用直接发邮件、整理任务甚至开始编码，这等于把"会议纪要工具"升级成了"会议执行智能体"。对OA、协同办公、项目管理类厂商，这是必须跟进的能力基线，否则其纪要功能将在半年内显得过时。 第三，"大模型研发小模型"的范式值得每一家做垂直场景的服务商认真研究。通用大模型在12小时内自主构建3413条训练数据、诊断问题、迭代方案，把一个3B小模型的方言识别错误率相对下降40%——这说明定制化模型的研发门槛正在从"需要一个算法团队"降为"需要一个会写需求的产品经理"。对乙方服务商来说，未来向客户交付的将不再是"我们的算法工程师很厉害"，而是"我们的智能体产线能在一两天内为你的场景调出专用模型"。研发外包的逻辑可能被重写。 第四，也要保持清醒：模型权重暂不开源，只开源配套插件与运行环境，这意味着深度集成的企业仍要走API路线，数据出境、私有化部署、供应商锁定等问题依旧是央国企与金融客户的决策卡点。此外，官方数据显示其在部分视频理解基准上仍落后于 Gemini 3.8 Flash，"逼近"不等于"全面领先"，选型时应要求POC实测而非只看发布会数字。 对IT企服从业者的行动建议：短期（1个月内）梳理自身业务中所有音视频处理环节，用新价格重算全量处理成本，识别"抽样变全量"带来的产品升级机会；中期（1个季度）基于 Qwen-MM-Plugins 与 Live Harness 搭建音视频Agent原型，优先切入会议执行、视频内容资产化、短剧出海译制三个已验证场景；长期则要重新设计自家产品的定价模型——当客户的音视频处理成本下降百倍，按调用量收费的商业模式必须同步演进，否则红利将被上下游拿走。音视频Agent的窗口期已经打开，这一次，动作慢的企业失去的不是效率，而是品类。