{count, plural, one {Curso} other {Cursos}}
Codificação com IA para Desenvolvedores
{hours} h {minutes} min
11K
A onda atual de modelos da classe Flash não para de crescer.
Recentemente, cobrimos o Qwen3.8-Flash-Next, o GLM-5.3-Flash, o Gemini 3.8 Flash e o DeepSeek V4.1 Flash, todos disputando o espaço do mercado que exige baixo custo e inferência rápida.
Agora, o time Qwen da Alibaba traz um novo ângulo para essa disputa com o Qwen3.8-Omni-Flash, um modelo omnimodal nativo criado em torno de agentes de áudio e vídeo.
O Qwen3.8-Omni-Flash aceita entradas de texto, imagem, áudio e vídeo com uma janela de contexto de 1M de tokens. A Alibaba afirma desempenho audiovisual próximo ao do Gemini 3.8 Flash e desempenho geral em áudio superior, além de uma melhoria média de 25%+ sobre seu antecessor Qwen3.5-Omni-Plus em 29 avaliações. Os destaques para agentes são um ganho de 36,5 pontos no WildClawBench-MM e uma queda relatada de mais de 98% no preço por hora de entrada de áudio.
Neste artigo, vou cobrir as novidades do Qwen3.8-Omni-Flash, apresentar os novos recursos, compará-lo com outros modelos Flash que já analisamos e percorrer os benchmarks.
Para saber mais sobre como esses modelos se comparam, confira nosso guia DeepSeek V4.1 Flash vs Gemini 3.8 Flash e nossa comparação GLM-5.3 Flash vs Qwen3.8-Flash-Next.
Resumo
- Qwen3.8-Omni-Flash é o modelo omnimodal de nova geração da Alibaba, substituindo o Qwen3.5-Omni-Plus.
- Seu diferencial são agentes de áudio e vídeo: assistir, ouvir, planejar e acionar ferramentas para entregar trabalhos prontos como MVs e comentários de filmes.
- Supera o Gemini 3.8 Flash na maioria dos benchmarks de áudio e fica logo atrás em raciocínio audiovisual.
- Indicado se sua carga de trabalho for pesada em áudio ou vídeo. Para texto puro ou código, o Qwen3.8-Flash-Next pontua ligeiramente melhor.
- Com cerca de US$ 0,15 de entrada / US$ 0,47 de saída por 1M de tokens, fica mais barato que a maioria dos rivais da categoria Flash em preço de texto.
O que é o Qwen3.8-Omni-Flash?
O Qwen3.8-Omni-Flash é um modelo omnimodal nativo do time Qwen da Alibaba, posicionado na categoria Flash como a opção de alto rendimento e custo eficiente.
Ele processa texto, imagem, áudio e vídeo em um único modelo e suporta janela de contexto de 1M de tokens, mantendo o desempenho em texto comparável ao de um modelo apenas de texto do mesmo porte.
O objetivo desta geração é a capacidade de agir em áudio e vídeo, não apenas entendê-los.
Enquanto o Qwen3.5-Omni-Plus focava em interpretar conteúdo omnimodal, o Qwen3.8-Omni-Flash foi criado para planejar tarefas, acionar ferramentas e concluir trabalhos criativos como edição de vídeo, criação de clipes musicais e comentários de filmes.
A Alibaba descreve isso como levar áudio e vídeo de entradas perceptivas para os meios centrais pelos quais um agente raciocina e executa.
A grande alegação aqui é um salto de 36,5 pontos no WildClawBench-MM, para 71,0 (o Qwen3.5-Omni-Plus marcou 34,5), além de um ganho de 22,3 pontos no AgenticVBench.
Em teste com áudios reais de reuniões, onde as pessoas frequentemente falam ao mesmo tempo, o novo sistema mostrou melhorias enormes em relação ao anterior:
- Identificação de quem está falando (diarização): erros caíram de 88% para apenas 3%.
- Transcrição das palavras (cpWER): os erros caíram de quase 90% para 17%.
Principais recursos do Qwen3.8-Omni-Flash
Os recursos giram em torno de uma ideia: dar "mãos" ao agente para trabalhar com áudio e vídeo, não só "olhos e ouvidos".
A Alibaba lançou o modelo junto com duas camadas de ferramentas, o Qwen-MM-Plugins para fluxos de trabalho de longo horizonte e o Qwen-Live Harness para interação em tempo real.
Agentes de áudio e vídeo que entregam trabalho pronto
Você pode entregar ao Qwen3.8-Omni-Flash uma música ou um longa-metragem e descrever o que quer em uma frase; ele planeja a tarefa, aciona ferramentas criativas e devolve um vídeo finalizado.
Ele suporta fluxos ponta a ponta, incluindo criação de clipes musicais, tradução de curtas com clonagem de voz e comentários de filmes longos.
Para um filme de duas horas, o modelo faz entendimento de vídeo de longa duração, extração de enredo, planejamento do comentário, gravação de voz e produção musical, edição e uma revisão final de qualidade.
Consegue intercalar o diálogo original com a narração e ajustar velocidade e volume da fala para que as camadas de áudio combinem bem.
Isso é relevante porque o ciclo fragmentado transcrever-traduzir-dublar-editar é exatamente o custo de coordenação que inviabiliza esses projetos para criadores solo.
Legendagem audiovisual controlável
Você define o que o modelo observa, com que profundidade analisa e como apresenta o resultado, em vez de aceitar uma descrição fixa.
Usuários podem especificar o assunto, o intervalo de tempo, o nível de detalhe e o formato de saída para o mesmo vídeo.
Por exemplo: você envia um demo de produto de 40 minutos. Pode pedir um resumo de 200 palavras para uma página de listagem e depois executar o mesmo clipe pedindo uma saída em JSON Schema com timestamps por cena, extração de textos na tela e transcrições com marcação de palestrantes para um pipeline a jusante.
No OmniCap-IF, as pontuações de estrutura de conteúdo e de seguir instruções (CSR e ISR) melhoram 8,5 e 14,1 pontos em relação ao antecessor.
Entendimento de vídeo longo com agente
Em vez de processar uma gravação de várias horas inteira, o modelo parte da sua pergunta e decide o que assistir e ouvir por meio de uma coleta de evidências do grosso ao fino.
Isso concentra computação e tokens nos trechos relevantes.
No OmniVideoBench, esse modo com agente eleva a acurácia de 63,4 para 67,8 enquanto corta o consumo de tokens de 145.736 para 79.117 por consulta, uma redução de cerca de 45,7%.
Para quem paga por token em vídeos longos, esse ganho de eficiência é o recurso.
Interação em tempo real com o Qwen3.8-Omni-Flash-Realtime
Uma variante separada, o Qwen3.8-Omni-Flash-Realtime, percebe e responde enquanto recebe streams audiovisuais ao vivo e usa o contexto em tempo real para acionar ferramentas.
Ele lida com prática de conversação com feedback de pronúncia, percepção de áudio espacial e injeção de conhecimento via Skills.
A afirmação sobre áudio espacial é a mais incomum aqui: a Alibaba diz que é o primeiro modelo omnimodal capaz de localizar um alvo pelo som, combinando áudio direcional com informação visual para determinar direção e distância da fonte.
O tempo até o primeiro pacote de áudio fica abaixo de 1,4 segundo mesmo para entradas audiovisuais de 20 segundos.
Cobertura de idiomas e dialetos
O Qwen3.8-Omni-Flash reconhece fala em 74 idiomas e 39 dialetos chineses, de mandarim e cantonês a sichuanês, shangainês e min meridional.
A geração de fala cobre 29 idiomas e 7 dialetos.
Para fluxos de localização e dublagem, essa amplitude de dialetos é um diferencial prático em relação à maioria dos concorrentes da classe Flash, que normalmente informam quantidade de idiomas, mas não cobertura em nível de dialeto.
Desenvolvimento de modelo como tarefa de agente
Uma das demonstrações mais diferentes do lançamento é a Alibaba usando o Qwen3.8-Omni-Flash para melhorar um modelo menor, em vez de atender usuários diretamente.
Dadas 12 horas para aprimorar o reconhecimento do dialeto de Sichuan no Qwen2.5-Omni-3B, o agente selecionou o conjunto de avaliação WenetSpeech-Chuan, construiu uma linha de base e diagnosticou erros ouvindo amostras de áudio.
Ao longo de quatro rodadas, criou 3.413 exemplos de treino, desfez tentativas malsucedidas e reduziu a taxa de erro de caracteres de 25,79% para 15,30%, uma queda relativa de cerca de 40,7%.
É um experimento pequeno, mas aponta para um modelo maior conduzindo o treinamento de modelos menores e especializados para produção.
Como o Qwen3.8-Omni-Flash se sai nos benchmarks?
O padrão é consistente: o Qwen3.8-Omni-Flash vence com folga em áudio, troca golpes com o Gemini 3.8 Flash em tarefas audiovisuais e se mantém competitivo em texto contra os modelos irmãos.
Ele não lidera em tudo, e várias métricas de raciocínio em vídeo ainda favorecem o Gemini 3.8 Flash.
Áudio e reconhecimento com múltiplos falantes
Aqui é onde o modelo é mais forte, abrindo grande vantagem sobre o Gemini 3.8 Flash.
No teste ASR multi-falantes AliMeeting, registra taxa de erro de diarização de 3,4 contra 72,6 do Gemini 3.8 Flash, e no AISHELL-4 atinge 2,8 contra 66,4 do Gemini, o que mostra o quanto o Gemini sofre com falas sobrepostas.
A taxa de erro de diarização mede quão bem o modelo atribui a fala ao locutor correto, então uma pontuação baixa é crucial para atas de reunião, transcrição de entrevistas e qualquer fluxo com pessoas falando ao mesmo tempo.
Em entendimento musical, ele também lidera com folga, marcando 72,6 no MuchoMusic-RUL contra 53,7 do Gemini e 50,6 no MusTBench contra 40,3.
Raciocínio e entendimento audiovisual
Nesse quesito, o Gemini 3.8 Flash geralmente fica um pouco à frente, mas a diferença é pequena e diminui quando o Qwen roda em modo agente.
- No OmniVideoBench, o Qwen marca 63,4 em modo estático contra 65,2 do Gemini, mas com o harness Qwen Code sobe para 67,8.
- No JointAVBench, ele lidera com 75,9 contra 70,4 do Gemini.
As métricas de raciocínio em vídeo são mais mistas.
No Video-MME-v2, o Gemini lidera por 71,0 a 65,0 em modo estático, e no LVOmniBench o Gemini mantém 70,7 contra 63,3 do Qwen, embora o Qwen salte para 73,6 com o harness de agente.
Se o seu trabalho exige raciocínio pesado em vídeo sem loop de agente, o Gemini ainda leva vantagem.
Uso de ferramentas multimodais e agentes
A capacidade de agente é a proposta, e o resultado no WildClawBench-MM sustenta isso: 71,0 para o Qwen3.8-Omni-Flash contra 58,9 do Gemini 3.8 Flash e 41,9 do Seed 2.0 Lite.
No UniClawBench, os dois praticamente empatam em 69,6 e 69,0.
O Gemini vence no AgenticVBench por 45,0 a 36,8 do Qwen e no OmniGAIA web search por 78,6 a 74,0.
Então, a história do uso de ferramentas é real, mas não é varrida total. No StreamingBench, um benchmark de interação, o Qwen lidera com 80,8 contra 79,9 do Gemini e 57,1 do antecessor.
Texto e código contra os modelos Flash irmãos
Em texto puro, o Qwen3.8-Omni-Flash acompanha de perto o irmão somente-texto Qwen3.8-Flash-Next, geralmente dentro de um ponto.
Ele marca 92,6 no LiveCodeBench v6 (Qwen3.8-Flash-Next: 91,9), 63,3 no SWE-bench Pro (Qwen3.8-Flash-Next: 62,5) e 91,0 no GPQA Diamond (Qwen3.8-Flash-Next: 91,7).
Contra o DeepSeek-V4-Flash-0731, o Qwen3.8-Omni-Flash lidera no SWE-bench Pro (63,3 vs 56,0) e no IFBench (81,5 vs 79,2), mas o DeepSeek vence no NL2Repo-Bench com 54,2 contra 48,9.
Quando testamos o DeepSeek-V4-Flash-0731, vimos que era o modelo local de código mais forte que havíamos rodado até então, então um modelo omnimodal da classe Flash igualando-o em engenharia de software em nível de repositório é um bom resultado.
Qual variante você deve usar?
O Qwen3.8-Omni-Flash é oferecido em duas variantes e traz um ajuste de raciocínio, então a escolha certa depende se você precisa de análise profunda de conteúdo ou interação ao vivo.
A divisão é simples:
- O Qwen3.8-Omni-Flash base foi feito para entendimento e criação aprofundados com arquivos audiovisuais completos,
- O Qwen3.8-Omni-Flash-Realtime lida com streams contínuos e de baixa latência via WebSocket ou WebRTC.
Você não usaria o modelo base para uma conversa ao vivo, e não usaria o Realtime para renderizar um comentário de filme de duas horas.
Além da variante, o modelo base expõe o parâmetro reasoning_effort com as opções xhigh (padrão), medium e low, permitindo trocar profundidade de raciocínio por velocidade e custo.
Use low para legendagem em alto volume, onde velocidade importa, e xhigh para planejamento em várias etapas, como roteirização de comentários.
| Uso | Variante | Por quê |
|---|---|---|
| Criação de MV e comentários de filmes | Qwen3.8-Omni-Flash | Planejamento de longo horizonte e chamadas de ferramentas em arquivos completos |
| Atas de reunião e itens de ação | Qwen3.8-Omni-Flash | Reconhecimento conjunto áudio-visual de palestrantes, até 1 hora de entrada |
| Assistentes de voz e atendimento ao cliente ao vivo | Qwen3.8-Omni-Flash-Realtime | Tempo até o primeiro pacote de áudio abaixo de 1,4 s, Skills para injeção de conhecimento |
| Áudio espacial e navegação | Qwen3.8-Omni-Flash-Realtime | Localiza alvos pelo som em tempo real |
Preços e disponibilidade do Qwen3.8-Omni-Flash
Listagens de terceiros colocam o Qwen3.8-Omni-Flash em cerca de US$ 0,15 de entrada / US$ 0,47 de saída por 1M de tokens de texto, com OmniaKey e LLM Reference citando as tarifas oficiais. A Venice API lista uma rota relacionada do Qwen 3.8 Flash por US$ 0,14 de entrada / US$ 0,49 de saída. Esses são preços para texto.
Entradas de áudio e audiovisual custam mais, e esse é o ponto de atenção. A nota de preços da Puter sinaliza que entrada de áudio tem prêmio sobre texto, e a própria comparação da Alibaba precifica entrada audiovisual em relação ao Gemini 3.8 Flash em vez de citar uma taxa fixa por token. A Alibaba afirma que o preço por hora de entrada de áudio caiu mais de 98% em relação ao Qwen3.5-Omni-Plus e a entrada audiovisual mais de 93%, então o prêmio diminuiu, mas ainda existe.
O modelo está disponível de forma geral na Qianwen AI Platform e via Alibaba Cloud Model Studio, com endpoints em Pequim e Cingapura. Não há camada gratuita para consumidores descrita nas notas de lançamento.
Como obter acesso ao Qwen3.8-Omni-Flash?
O ID do modelo na API é qwen3.8-omni-flash, e a variante em tempo real é qwen3.8-omni-flash-realtime.
Ele é compatível com as APIs Chat Completions e Responses no padrão OpenAI, e as ferramentas multimodais se conectam a harnesses de agente, incluindo Codex, Claude Code, Qwen Code e 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)Um ponto de atrito relatado: usuários no GitHub apontaram interrupções frequentes e instabilidade de sessão ao rodar o Qwen3.8-Omni-Flash com o Claude Code, então reserve tempo para ajustes no harness.
Para mais detalhes de configuração, veja nosso tutorial sobre como rodar modelos da classe Flash e nosso guia do Qwen3.8-Max.
Considerações finais
A Alibaba está abrindo uma faixa específica em vez de tentar superar todos os rivais da classe Flash em texto.
Frente ao Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash e DeepSeek V4.1 Flash, a proposta aqui são agentes de áudio e vídeo, além do preço de texto mais baixo do grupo.
Eu escolheria este se seu trabalho envolve transcrição de reuniões, localização de vídeo ou produção de MV e comentários, onde as ferramentas de agente audiovisual e os ganhos de diarização no AliMeeting realmente se destacam.
Para texto puro ou código, o Qwen3.8-Flash-Next pontua um pouco melhor, e o Gemini 3.8 Flash ainda lidera em alguns cenários de raciocínio em vídeo, então não é uma troca padrão para todo mundo.
Se você quer ganhar fluência em fluxos com agentes e modelos multimodais, recomendo começar pela trilha de habilidades AI Fundamentals.
