Qwen3.8-Omni-Flash: Alibabas omnimodales Agentenmodell

Die aktuelle Welle an Flash-Klassen-Modellen wächst weiter.

Kürzlich haben wir Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash und DeepSeek V4.1 Flash behandelt – alle buhlen um das kostensensitive Segment mit schneller Inferenz.

Alibabas Qwen-Team bringt nun mit Qwen3.8-Omni-Flash eine neue Facette ins Rennen: ein natives omnimodales Modell, das um Audio- und Video-Agenten herum konzipiert ist.

Qwen3.8-Omni-Flash akzeptiert Text-, Bild-, Audio- und Videoeingaben mit einem Kontextfenster von 1 Mio. Tokens. Alibaba spricht von Audio- und Video-Leistung nahe an Gemini 3.8 Flash und einer insgesamt überlegenen Audio-Performance, dazu im Schnitt über 25% Verbesserung gegenüber dem Vorgänger Qwen3.5-Omni-Plus über 29 Evaluierungen. Zu den Top-Agenten-Gewinnen zählen +36,5 Punkte auf WildClawBench-MM und ein gemeldeter Rückgang des Audioeingabe-Preises pro Stunde um über 98%.

In diesem Artikel zeige ich, was an Qwen3.8-Omni-Flash neu ist, vergleiche es mit anderen Flash-Modellen aus unseren Reviews und gehe die Benchmarks durch.

Wenn du wissen willst, wie sich diese Modelle stapeln, lies unseren Guide zu DeepSeek V4.1 Flash vs Gemini 3.8 Flash und unseren Vergleich von GLM-5.3 Flash vs Qwen3.8-Flash-Next.

TL;DR

• Qwen3.8-Omni-Flash ist Alibabas omnimodales Modell der nächsten Generation und ersetzt Qwen3.5-Omni-Plus.
• Das Alleinstellungsmerkmal: Audio- und Video-Agenten, die beobachten, zuhören, planen und Tools aufrufen – bis hin zu fertigen Ergebnissen wie MVs und Filmkommentaren.
• Es schlägt Gemini 3.8 Flash in den meisten Audio-Benchmarks und liegt bei audio-visueller Schlussfolgerung knapp dahinter.
• Greif dazu, wenn deine Workloads stark Audio oder Video beinhalten. Für reinen Text oder Code punktet Qwen3.8-Flash-Next minimal höher.
• Mit ca. $0,15 Input / $0,47 Output pro 1 Mio. Tokens unterbietet es die meisten Flash-Rivalen beim Textpreis.

Was ist Qwen3.8-Omni-Flash?

Qwen3.8-Omni-Flash ist ein natives omnimodales Modell des Qwen-Teams von Alibaba und positioniert sich in der Flash-Tier als kosteneffiziente, hochdurchsatzfähige Option.

Es verarbeitet Text, Bild, Audio und Video in einem Modell, unterstützt ein Kontextfenster von 1 Mio. Tokens und hält die Textleistung auf dem Niveau eines reinen Textmodells ähnlicher Größe.

Das Ziel dieser Generation ist Agentenfähigkeit für Audio und Video – nicht nur deren Verständnis.

Während Qwen3.5-Omni-Plus auf die Interpretation omnimodaler Inhalte fokussierte, ist Qwen3.8-Omni-Flash darauf ausgelegt, Aufgaben zu planen, Tools aufzurufen und kreative Arbeiten wie Videoschnitt, Musikvideo-Erstellung und Filmkommentare fertigzustellen.

Alibaba beschreibt dies als den Schritt, Audio und Video von rein wahrnehmbaren Eingaben zu den zentralen Medien zu machen, über die ein Agent schlussfolgert und ausführt.

Die große Ansage: ein Sprung um 36,5 Punkte auf WildClawBench-MM auf 71,0 (Qwen3.5-Omni-Plus lag bei 34,5) sowie +22,3 Punkte auf AgenticVBench.

Bei Tests mit echten Meeting-Audios, in denen häufig mehrere Personen gleichzeitig sprechen, zeigte das neue System massive Verbesserungen gegenüber dem alten:

• Erkennen, wer spricht (Diarization): Die Fehlerquote fiel von 88% auf nur 3%.
• Transkription der gesprochenen Wörter (cpWER): Fehler sanken von fast 90% auf 17%.

Wichtigste Features von Qwen3.8-Omni-Flash

Alle Funktionen zielen auf eine Sache: einem Agenten Hände für Audio- und Videoarbeit zu geben – nicht nur Augen und Ohren.

Alibaba liefert zwei Tooling-Schichten mit: Qwen-MM-Plugins für Langzeit-Workflows und Qwen-Live Harness für Interaktion in Echtzeit.

Audio- und Video-Agenten, die fertige Ergebnisse liefern

Du kannst Qwen3.8-Omni-Flash einen Song oder einen ganzen Spielfilm geben und in einem Satz beschreiben, was du willst – das Modell plant die Aufgabe, ruft Kreativ-Tools auf und liefert ein fertiges Video zurück.

Es unterstützt End-to-End-Workflows, darunter Musikvideo-Erstellung, Übersetzung kurzer Dramen mit Stimmklonen und ausführliche Filmkommentare.

Bei einem zweistündigen Film übernimmt das Modell Langform-Verständnis, Extraktion der Schlüsselszenen, Kommentarplanung, Sprechertext und Musikproduktion, Schnitt sowie einen finalen Qualitätscheck.

Es kann Originaldialoge mit Off-Kommentar verweben und Sprechtempo sowie Lautstärke so anpassen, dass die Tonspuren gut zusammenliegen.

Das ist entscheidend, weil genau die zersplitterte Schleife aus Transkribieren–Übersetzen–Vertonen–Schneiden der Koordinationsaufwand ist, an dem Soloprojekte oft scheitern.

Steuerbares audio-visuelles Captioning

Du bestimmst, was das Modell betrachtet, wie genau es hinschaut und in welchem Format es Ergebnisse ausgibt – statt eine fixe Beschreibung zu akzeptieren.

Nutzende können Motiv, Zeitbereich, Detaillierungsgrad und Ausgabeformat für dasselbe Video festlegen.

Gib ihm z. B. eine 40-minütige Produktdemo. Du kannst zunächst eine Zusammenfassung mit 200 Wörtern für eine Listing-Seite anfordern und anschließend denselben Clip erneut laufen lassen – diesmal als JSON-Schema mit Szenen-Timestamps, On-Screen-Text-Extraktion und sprechergetaggten Transkripten für eine Downstream-Pipeline.

Auf OmniCap-IF steigen seine Scores für Inhaltsstruktur und Befolgung von Anweisungen (CSR und ISR) gegenüber dem Vorgänger um 8,5 bzw. 14,1 Punkte.

Agentengestütztes Verständnis von Langform-Videos

Statt eine mehrstündige Aufnahme komplett zu verarbeiten, startet das Modell bei deiner Frage und entscheidet über grob-zu-fein gesammelte Evidenz, was es sich ansieht und anhört.

So fließen Rechenleistung und Tokens in die relevanten Segmente.

Auf OmniVideoBench hebt dieser Agentenmodus die Genauigkeit von 63,4 auf 67,8, während der Tokenverbrauch pro Anfrage von 145.736 auf 79.117 sinkt – rund 45,7% weniger.

Für alle, die pro Token bei stundenlangem Material zahlen, ist genau diese Effizienz der Clou.

Echtzeit-Interaktion mit Qwen3.8-Omni-Flash-Realtime

Eine separate Variante, Qwen3.8-Omni-Flash-Realtime, nimmt Live-Audio-Video-Streams wahr, reagiert darauf und nutzt Kontext in Echtzeit, um Tools aufzurufen.

Sie unterstützt Sprechübungen mit Aussprachefeedback, räumliches Audioverständnis sowie Wissens-Injects via Skills.

Die Aussage zum räumlichen Audio ist hier am ungewöhnlichsten: Alibaba spricht vom ersten omnimodalen Modell, das Ziele über Geräusche lokalisieren kann, indem es gerichtetes Audio mit visuellen Informationen kombiniert, um Richtung und Entfernung einer Quelle zu bestimmen.

Die gemeldete Zeit bis zum ersten Audio-Paket liegt selbst bei 20-sekündigen Audio-Video-Eingaben unter 1,4 Sekunden.

Sprach- und Dialektabdeckung

Qwen3.8-Omni-Flash unterstützt Spracherkennung in 74 Sprachen und 39 chinesischen Dialekten – von Mandarin und Kantonesisch bis Sichuan, Shanghainesisch und Min Nan.

Die Sprachausgabe deckt 29 Sprachen und 7 Dialekte ab.

Für Lokalisierung und Dubbing ist diese Dialektbreite ein praktischer Vorteil gegenüber den meisten konkurrierenden Flash-Modellen, die meist Sprachanzahlen nennen, aber keine Dialektabdeckung.

Modellentwicklung als Agentenaufgabe

Eines der ungewöhnlicheren Beispiele in der Veröffentlichung: Alibaba setzt Qwen3.8-Omni-Flash ein, um ein kleineres Modell zu verbessern – statt es direkt für Endnutzende zu betreiben.

Mit 12 Stunden Zeit zur Verbesserung der Sichuan-Dialekterkennung von Qwen2.5-Omni-3B wählte der Agent den WenetSpeech-Chuan-Evaluationssatz, baute eine Baseline und diagnostizierte Fehler, indem er Audiosamples anhörte.

Über vier Runden erzeugte er 3.413 Trainingsbeispiele, machte fehlgeschlagene Versuche rückgängig und senkte die Zeichenfehlerquote von 25,79% auf 15,30% – eine relative Reduktion um rund 40,7%.

Es ist ein kleines Experiment, deutet aber darauf hin, dass ein großes Modell das Training spezialisierter kleiner Modelle für die Produktion treiben kann.

Wie schlägt sich Qwen3.8-Omni-Flash in den Benchmarks?

Das Muster ist konsistent: Qwen3.8-Omni-Flash dominiert klar die Audio-Kategorie, liefert sich bei audio-visuellen Aufgaben ein Kopf-an-Kopf-Rennen mit Gemini 3.8 Flash und bleibt bei Text gegenüber seinen Schwester-Modellen wettbewerbsfähig.

Es liegt nicht überall vorne, und einige Video-Reasoning-Benchmarks sprechen weiterhin für Gemini 3.8 Flash.

Audio- und Mehrsprecher-Erkennung

Hier ist das Modell am stärksten – und lässt Gemini 3.8 Flash deutlich hinter sich.

Im AliMeeting-Multi-Speaker-ASR-Test erzielt es eine Diarisierungsfehlerquote von 3,4 gegenüber 72,6 bei Gemini 3.8 Flash, und auf AISHELL-4 erreicht es 2,8 gegenüber 66,4 bei Gemini – ein Zeichen dafür, dass Gemini mit überlappender Sprache stark kämpft.

Die Diarisierungsfehlerquote misst, wie gut ein Modell Sprache der richtigen Person zuordnet. Ein niedriger Wert ist entscheidend für Protokolle, Interview-Transkriptionen und alle Workflows mit sich überschneidenden Sprecher:innen.

Auch beim Musikverständnis liegt es klar vorn: 72,6 auf MuchoMusic-RUL gegenüber 53,7 bei Gemini und 50,6 auf MusTBench gegenüber 40,3.

Audio-visuelle Schlussfolgerung und Verständnis

Hier liegt Gemini 3.8 Flash meist knapp vorne, doch der Abstand ist klein und schließt sich, wenn Qwen im Agentenmodus läuft.

• Auf OmniVideoBench erzielt Qwen statisch 63,4 gegenüber 65,2 bei Gemini, steigt jedoch mit dem Qwen Code Harness auf 67,8.
• Auf JointAVBench liegt es mit 75,9 sogar vorn (Gemini: 70,4).

Bei Video-Reasoning ist das Bild gemischter.

Auf Video-MME-v2 führt Gemini mit 71,0 zu 65,0 (statisch), und auf LVOmniBench hält Gemini 70,7 zu Qwens 63,3 – wobei Qwen mit Agenten-Harness auf 73,6 springt.

Wenn deine Arbeit starkes Video-Reasoning ohne Agentenloop erfordert, hat Gemini weiterhin die Nase vorn.

Multimodale Toolnutzung und Agenten

Agentenfähigkeit ist das Kernversprechen – und das Ergebnis auf WildClawBench-MM stützt es: 71,0 für Qwen3.8-Omni-Flash gegenüber 58,9 für Gemini 3.8 Flash und 41,9 für Seed 2.0 Lite.

Auf UniClawBench liegen beide praktisch gleichauf bei 69,6 und 69,0.

Gemini gewinnt dafür AgenticVBench mit 45,0 zu 36,8 sowie OmniGAIA Websuche mit 78,6 zu 74,0.

Die Tool-Use-Story ist also real, aber kein glatter Durchmarsch. Auf StreamingBench, einem Interaktions-Benchmark, führt Qwen klar mit 80,8 gegenüber 79,9 bei Gemini und 57,1 beim Vorgänger.

Text und Coding im Vergleich zu Schwester-Flash-Modellen

Bei reinem Text liegt Qwen3.8-Omni-Flash dicht an seinem textbasierten Geschwister Qwen3.8-Flash-Next – meist innerhalb eines Punkts.

Es erzielt 92,6 auf LiveCodeBench v6 (Qwen3.8-Flash-Next: 91,9), 63,3 auf SWE-bench Pro (Qwen3.8-Flash-Next: 62,5) und 91,0 auf GPQA Diamond (Qwen3.8-Flash-Next: 91,7).

Gegen DeepSeek-V4-Flash-0731 führt Qwen3.8-Omni-Flash auf SWE-bench Pro (63,3 vs. 56,0) und IFBench (81,5 vs. 79,2), während DeepSeek NL2Repo-Bench mit 54,2 zu 48,9 gewinnt.

Als wir DeepSeek-V4-Flash-0731 getestet haben, war es das stärkste lokale Coding-Modell bis dahin. Dass ein omnimodales Flash-Modell bei Repo-Level-Engineering hier mithält, ist bemerkenswert.

Welche Variante solltest du nutzen?

Qwen3.8-Omni-Flash kommt in zwei Varianten plus einer einstellbaren Reasoning-Option. Die richtige Wahl hängt davon ab, ob du tiefgehende Inhaltsanalyse oder Live-Interaktion brauchst.

Die Aufteilung ist einfach:

• Das Basis-Qwen3.8-Omni-Flash ist für tiefes Verständnis und kreative Arbeit mit kompletten Audio-Video-Dateien gebaut,
• Qwen3.8-Omni-Flash-Realtime verarbeitet kontinuierliche, latenzarme Streams über WebSocket oder WebRTC.

Du würdest das Basismodell nicht für ein Live-Gespräch nutzen – und Realtime nicht, um einen zweistündigen Filmkommentar zu rendern.

Zusätzlich bietet das Basismodell den Parameter reasoning_effort mit xhigh (Standard), medium und low, um Tiefe gegen Geschwindigkeit und Kosten zu tauschen.

Nutze low für hohes Volumen beim Captioning, wo Tempo zählt, und xhigh für mehrstufige Planung wie Kommentarskripting.

Qwen3.8-Omni-Flash: Preise und Verfügbarkeit

Drittanbieter geben für Qwen3.8-Omni-Flash ca. $0,15 Input / $0,47 Output pro 1 Mio. Text-Tokens an; OmniaKey und LLM Reference verweisen auf die offiziellen Sätze. Venice API listet eine zugehörige Qwen 3.8 Flash-Route mit $0,14 Input / $0,49 Output. Das sind Textpreise.

Audio- und audio-visueller Input ist teurer – das ist der wichtige Vorbehalt. Puter weist darauf hin, dass Audioeingaben einen Aufpreis gegenüber Text tragen. Alibaba vergleicht die Preise für Audio-Video-Input direkt mit Gemini 3.8 Flash, statt eine fixe Token-Rate zu nennen. Alibaba behauptet, der Preis pro Stunde Audioeingabe sei gegenüber Qwen3.5-Omni-Plus um über 98% gefallen, Audio-Video-Input um über 93%. Der Aufpreis ist also kleiner geworden, bleibt aber bestehen.

Das Modell ist allgemein verfügbar auf der Qianwen AI Platform und über das Alibaba Cloud Model Studio, mit Endpunkten in Peking und Singapur. Eine kostenlose Consumer-Stufe wird in den Release Notes nicht beschrieben.

Wie erhältst du Zugang zu Qwen3.8-Omni-Flash?

Die API-Model-ID lautet qwen3.8-omni-flash, die Realtime-Variante qwen3.8-omni-flash-realtime.

Es unterstützt OpenAI-kompatible Chat Completions und Responses APIs, und das multimodale Tooling integriert sich in Agenten-Harnesses wie Codex, Claude Code, Qwen Code und Gemini CLI via Qwen-MM-Plugins.

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ.get("DASHSCOPE_API_KEY"),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.8-omni-flash",
    messages=[{"role": "user", "content": "Summarize this meeting recording."}],
    reasoning_effort="xhigh",  # xhigh, medium, or low
)
print(completion.choices.message.content)Bereitgestellt von

Ein gemeldeter Stolperstein: GitHub-Nutzende berichten von häufigen Unterbrechungen und instabilen Sessions, wenn Qwen3.8-Omni-Flash mit Claude Code läuft. Plane also Zeit für Harness-Troubleshooting ein.

Weitere Infos zur Einrichtung findest du in unserem Tutorial zum Betrieb von Flash-Klassen-Modellen und im Qwen3.8-Max-Guide.

Fazit

Alibaba besetzt bewusst eine eigene Spur, statt jedem Flash-Rivalen bei Text hinterherzujagen.

Gegen Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash und DeepSeek V4.1 Flash lautet das Angebot: Audio- und Video-Agenten plus die günstigsten Textpreise in der Gruppe.

Ich würde dazu greifen, wenn deine Arbeit Meeting-Transkription, Video-Lokalisierung oder MV- und Kommentarproduktion umfasst – hier stechen die audio-visuellen Agenten-Tools und die AliMeeting-Diarisierungsgewinne wirklich heraus.

Für reinen Text oder Code punktet Qwen3.8-Flash-Next etwas höher, und Gemini 3.8 Flash führt bei einigen Video-Reasoning-Aufgaben. Es ist also kein automatischer Wechsel für alle.

Wenn du dich mit Agenten-Workflows und multimodalen Modellen vertraut machen willst, empfehle ich den AI Fundamentals Skill Track.