Qwen3.8-Omni-Flash: Alibaba'nın Omnimodal Ajan Modeli

Flash sınıfı modellerdeki mevcut dalga büyümeye devam ediyor.

Son dönemde maliyete duyarlı, hızlı çıkarım kategorisinde yer almak için yarışan Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash ve DeepSeek V4.1 Flash üzerine yazılar yayımladık.

Alibaba'nın Qwen ekibi şimdi bu yarışa, ses ve video ajanları etrafında inşa edilmiş yerel bir omnimodal model olan Qwen3.8-Omni-Flash ile yeni bir boyut ekliyor.

Qwen3.8-Omni-Flash, 1M tokenlık bir bağlam penceresiyle metin, görsel, ses ve video girdilerini kabul ediyor. Alibaba, ses-görüntü performansının Gemini 3.8 Flash'a yakın, genel ses performansının ise onun üzerinde olduğunu iddia ediyor; ayrıca 29 değerlendirme genelinde selefi Qwen3.5-Omni-Plus'a kıyasla ortalama %25+ iyileşme bildiriyor. Manşet ajan kazanımları arasında WildClawBench-MM'de 36,5 puan artış ve saat başına ses girişi fiyatında %98+ düşüş yer alıyor.

Bu yazıda Qwen3.8-Omni-Flash ile gelen tüm yenilikleri ele alacak, yeni özelliklere bakacak, incelediğimiz diğer Flash modellerle karşılaştıracak ve kıyaslamaları adım adım inceleyeceğim.

Bu modellerin nasıl sıralandığı hakkında daha fazla bilgi için DeepSeek V4.1 Flash vs Gemini 3.8 Flash rehberimize ve GLM-5.3 Flash vs Qwen3.8-Flash-Next karşılaştırmamıza göz atın.

Özet

• Qwen3.8-Omni-Flash, Alibaba'nın Qwen3.5-Omni-Plus'ın yerini alan yeni nesil omnimodal modeli.
• Ayırt edici yanı; izleyen, dinleyen, planlayan ve araç çağıran, MV ve film yorumları gibi bitmiş işler teslim eden ses ve video ajanları.
• Çoğu ses kıyaslamasında Gemini 3.8 Flash'ı geride bırakıyor ve ses-görüntü akıl yürütmede ona çok yakın.
• İş yükünüz ses veya video ağırlıklıysa tercih edin. Salt metin veya kod için Qwen3.8-Flash-Next az farkla daha yüksek puan alıyor.
• Yaklaşık 1M token başına 0,15 $ giriş / 0,47 $ çıkış düzeyinde; metin fiyatlamasında çoğu Flash katmanı rakibinden daha ucuz.

Qwen3.8-Omni-Flash Nedir?

Qwen3.8-Omni-Flash, Alibaba'nın Qwen ekibinden, seride maliyet-etkin, yüksek verimli seçenek olarak Flash katmanında konumlanan yerel bir omnimodal modeldir.

Tek bir model içinde metin, görsel, ses ve videoyu işler ve 1M tokenlık bağlam penceresini destekler; buna rağmen metin performansını benzer boyuttaki salt metin modellerle karşılaştırılabilir düzeyde tutar.

Bu neslin hedefi; ses ve videoda yalnızca anlamak değil, ajansal yetkinliktir.

Qwen3.5-Omni-Plus omnimodal içeriği yorumlamaya odaklanırken, Qwen3.8-Omni-Flash görev planlamak, araç çağırmak ve video düzenleme, müzik video üretimi ve film yorumu gibi yaratıcı işleri tamamlamak için tasarlandı.

Alibaba bunu, sesi ve videoyu algısal girdilerden, bir ajanın akıl yürütüp icra ettiği temel medyaya taşımak olarak çerçeveliyor.

Buradaki büyük iddia, WildClawBench-MM'de 71,0'a 36,5 puanlık sıçrama (Qwen3.5-Omni-Plus 34,5 puan almıştı) ve AgenticVBench'te 22,3 puanlık artış.

İnsanların sık sık birbirinin sözünü kestiği gerçek toplantı seslerinde test edildiğinde, yeni sistem eskisine göre çok büyük iyileşmeler gösterdi:

• Kim konuşuyorun bulunması (Diyarizasyon): Hatalar %88'den sadece %3'e düştü.
• Sözcüklerin yazıya dökülmesi (cpWER): Hatalar neredeyse %90'dan %17'ye indi.

Qwen3.8-Omni-Flash'in Temel Özellikleri

Buradaki özellikler tek bir fikir etrafında dönüyor: bir ajana yalnızca göz ve kulak değil, ses ve video işi için eller vermek.

Alibaba, modelle birlikte uzun ufuklu iş akışları için Qwen-MM-Plugins ve gerçek zamanlı etkileşim için Qwen-Live Harness olmak üzere iki araç katmanı sundu.

Bitmiş işler teslim eden ses ve video ajanları

Qwen3.8-Omni-Flash'e bir şarkı veya uzun metrajlı bir film verip tek bir cümlede ne istediğinizi anlatabilirsiniz; görev planlar, yaratıcı araçları çağırır ve bitmiş bir video döndürür.

Müzik video üretimi, ses klonlamalı kısa drama çevirisi ve uzun biçimli film yorumu dahil uçtan uca iş akışlarını destekler.

İki saatlik bir film için model; uzun biçimli video anlama, temel olay örgüsünü çıkarma, yorum planlama, seslendirme ve müzik üretimi, kurgu ve son kalite kontrolünü gerçekleştirir.

Orijinal diyalogla anlatımı iç içe geçirebilir ve ses katmanlarının uyumlu olması için konuşma hızını ve ses düzeyini ayarlayabilir.

Bu önemlidir; çünkü parça parça yazıya dökme-çeviri-dublaj-kurgu döngüsündeki koordinasyon maliyeti, bu tür projeleri bireysel üreticiler için çoğu zaman imkansız kılar.

Kontrol edilebilir ses-görüntü altyazılama

Modelin neye bakacağını, ne kadar yakından bakacağını ve sonucu nasıl sunacağını siz belirlersiniz; sabit bir açıklamayı kabullenmek zorunda kalmazsınız.

Kullanıcılar aynı video için özne, zaman aralığı, ayrıntı düzeyi ve çıktı biçimini belirtebilir.

Diyelim ki 40 dakikalık bir ürün demosu verdiniz. Listeleme sayfası için 200 kelimelik bir genel bakış isteyebilir, ardından aynı klibi; sahne başına zaman damgaları, ekrandaki metin çıkarımı ve aşağı akış hattı için konuşmacı etiketli dökümlerle bir JSON şeması çıktısı talep ederek yeniden çalıştırabilirsiniz.

OmniCap-IF üzerinde, içerik-yapısı ve yönergeleri izleme puanları (CSR ve ISR) selefine göre sırasıyla 8,5 ve 14,1 puan artıyor.

Ajansal uzun biçimli video anlama

Model, çok saatlik bir kaydın tamamını işlemek yerine, sorunuzdan yola çıkar ve kaba-ince kanıt toplama yoluyla neyi izleyeceğine ve dinleyeceğine karar verir.

Bu yaklaşım hesaplamayı ve tokenları ilgili segmentlere odaklar.

OmniVideoBench'te bu ajansal mod, doğruluğu 63,4'ten 67,8'e çıkarırken, sorgu başına token tüketimini 145.736'dan 79.117'ye indiriyor; yaklaşık %45,7 azalma.

Saatler süren kayıtlar üzerinde token başına ödeme yapan herkes için bu verimlilik kazancı başlı başına bir özelliktir.

Qwen3.8-Omni-Flash-Realtime ile gerçek zamanlı etkileşim

Ayrı bir varyant olan Qwen3.8-Omni-Flash-Realtime, canlı ses-görüntü akışlarını alırken algılar ve yanıt verir; gerçek zamanlı bağlamı kullanarak araç çağırır.

Telaffuz geri bildirimiyle konuşma pratiği, mekansal ses algısı ve Skills aracılığıyla bilgi enjeksiyonunu destekler.

Mekansal ses iddiası burada en sıra dışı olanı: Alibaba, yönlü sesi görsel bilgilerle birleştirerek bir kaynağın yönünü ve mesafesini belirleyebilen ilk omnimodal model olduğunu söylüyor.

İlk ses paketine ulaşma süresinin, 20 saniyelik ses-görüntü girdilerinde bile 1,4 saniyenin altında olduğu bildiriliyor.

Dil ve lehçe kapsamı

Qwen3.8-Omni-Flash, Mandarin ve Kantoncadan Sichuan, Şanghay ve Minnan (Southern Min) lehçelerine kadar 74 dil ve 39 Çince lehçede konuşma tanıma desteği sunuyor.

Konuşma üretimi 29 dil ve 7 lehçeyi kapsıyor.

Yerelleştirme ve dublaj iş akışları için bu lehçe çeşitliliği, genellikle dil sayıları açıklanıp lehçe düzeyi kapsam verilmediği için, çoğu rakip Flash modeline kıyasla pratik bir ayrıştırıcıdır.

Bir ajan görevi olarak model geliştirme

Yayındaki daha sıra dışı gösterimlerden biri, Alibaba'nın Qwen3.8-Omni-Flash'i doğrudan kullanıcılara hizmet etmek yerine daha küçük bir modeli iyileştirmek için kullanması.

Qwen2.5-Omni-3B'nin Sichuan lehçesi tanımasını geliştirmek için 12 saat verilen ajan, WenetSpeech-Chuan değerlendirme setini seçti, bir temel hat kurdu ve ses örneklerini dinleyerek hataları teşhis etti.

Dört tur boyunca 3.413 eğitim örneği oluşturdu, başarısız girişimleri geri aldı ve karakter hata oranını %25,79'dan %15,30'a düşürdü; göreli olarak yaklaşık %40,7 azalma.

Küçük bir deney, ancak üretim için uzman küçük modellerin eğitimini daha büyük bir modelin yönlendirmesine işaret ediyor.

Qwen3.8-Omni-Flash Kıyaslamalarda Nasıl Performans Gösteriyor?

Kıyaslamalar genelinde desen tutarlı: Qwen3.8-Omni-Flash ses kategorisini açık farkla kazanıyor, ses-görüntü görevlerinde Gemini 3.8 Flash ile başa baş gidiyor ve metinde kardeş modellerine karşı rekabetçi kalıyor.

Evrensel olarak önde değil ve bazı video-akıl yürütme satırları hâlâ Gemini 3.8 Flash'ı tercih ediyor.

Ses ve çoklu konuşmacı tanıma

Modelin en güçlü olduğu yer burası ve Gemini 3.8 Flash'ı geniş bir farkla geride bırakıyor.

AliMeeting çoklu konuşmacı ASR testinde, Gemini 3.8 Flash'ın 72,6'sına karşı 3,4 diyarizasyon hata oranı sergiliyor; AISHELL-4'te ise Gemini'nin 66,4'üne karşı 2,8'e ulaşıyor. Bu, Gemini'nin çakışan konuşmacılarla ciddi zorlandığını yansıtıyor.

Diyarizasyon hata oranı, bir modelin konuşmayı doğru konuşmacıya atfetmede ne kadar başarılı olduğunu ölçer; bu nedenle düşük skor, toplantı tutanakları, röportaj dökümleri ve insanların birbirinin sözünü kestiği her iş akışı için önemlidir.

Müzik anlama tarafında da açıkça önde; MuchoMusic-RUL'da 72,6'ya karşı Gemini 53,7; MusTBench'te 50,6'ya karşı 40,3.

Ses-görüntü akıl yürütme ve anlama

Burada Gemini 3.8 Flash genellikle az farkla öne geçiyor, ancak aralık küçük ve Qwen ajan modunda çalıştığında kapanıyor.

• OmniVideoBench'te Qwen, statik modda 63,4 alırken Gemini 65,2; ancak Qwen Code harness ile 67,8'e çıkıyor.
• JointAVBench'te ise 75,9 ile Gemini'nin 70,4'üne karşı önde.

Video akıl yürütme satırları daha karışık.

Video-MME-v2'de Gemini statik 71,0'a karşı 65,0 ile önde; LVOmniBench'te Gemini 70,7'ye karşı Qwen 63,3, ancak Qwen ajan harness ile 73,6'ya sıçrıyor.

İşiniz ajan döngüsü olmadan yoğun video akıl yürütme ise, Gemini hâlâ avantaja sahip.

Multimodal araç kullanımı ve ajanlar

Ajan yetkinliği iddianın merkezinde ve WildClawBench-MM sonucu bunu destekliyor: Qwen3.8-Omni-Flash 71,0; Gemini 3.8 Flash 58,9; Seed 2.0 Lite 41,9.

UniClawBench'te ikisi de 69,6 ve 69,0 ile neredeyse başa baş.

Gemini, AgenticVBench'te 45,0'a karşı Qwen'in 36,8'iyle ve OmniGAIA web aramasında 78,6'ya karşı 74,0 ile kazanıyor.

Dolayısıyla araç kullanımı hikayesi gerçek, ancak tam bir süpürme değil. Bir etkileşim kıyaslaması olan StreamingBench'te Qwen, 79,9'a karşı 80,8 ve selefinin 57,1'ine kıyasla belirgin biçimde önde.

Kardeş Flash modellere karşı metin ve kodlama

Salt metinde Qwen3.8-Omni-Flash, metin odaklı kardeşi Qwen3.8-Flash-Next'i yakından takip ediyor; genellikle bir puan içinde.

LiveCodeBench v6'da 92,6 (Qwen3.8-Flash-Next: 91,9), SWE-bench Pro'da 63,3 (Qwen3.8-Flash-Next: 62,5) ve GPQA Diamond'da 91,0 (Qwen3.8-Flash-Next: 91,7) alıyor.

DeepSeek-V4-Flash-0731'e karşı, Qwen3.8-Omni-Flash SWE-bench Pro'da önde (63,3 vs 56,0) ve IFBench'te (81,5 vs 79,2), ancak DeepSeek NL2Repo-Bench'te 54,2'ye karşı 48,9 ile kazanıyor.

DeepSeek-V4-Flash-0731'i test ettiğimizde, o noktaya kadar yerelde çalıştırdığımız en güçlü kodlama modeli olduğunu görmüştük; dolayısıyla bir Flash katmanı omnimodal modelin depo düzeyinde yazılım mühendisliğinde ona yaklaşması kayda değer bir sonuç.

Hangi Varyantı Kullanmalısınız?

Qwen3.8-Omni-Flash iki varyant ve ayarlanabilir bir akıl yürütme ayarıyla geliyor; bu nedenle doğru kombinasyonu seçmek derin içerik analizi mi yoksa canlı etkileşim mi istediğinize bağlı.

Ayrım net:

• Temel Qwen3.8-Omni-Flash, tam ses-görüntü dosyalarıyla derin anlama ve üretim için tasarlanmıştır,
• Qwen3.8-Omni-Flash-Realtime, WebSocket veya WebRTC üzerinden kesintisiz, düşük gecikmeli akışları yönetir.

Canlı bir sohbet için temel modeli kullanmazsınız; iki saatlik film yorumu oluşturmak için de Realtime'ı kullanmazsınız.

Varyant seçiminin yanı sıra, temel model; reasoning_effort parametresiyle xhigh (varsayılan), medium ve low ayarlarını sunar; akıl yürütme derinliği ile hız ve maliyet arasında takas yapmanıza olanak tanır.

Hızın önemli olduğu yüksek hacimli altyazılama için low, yorum senaryosu gibi çok adımlı planlama için xhigh kullanın.

Qwen3.8-Omni-Flash Fiyatlandırma ve Erişilebilirlik

Üçüncü taraf listeler Qwen3.8-Omni-Flash için yaklaşık 1M metin tokenı başına 0,15 $ giriş / 0,47 $ çıkış bildiriyor; OmniaKey ve LLM Reference resmi tarifeleri aktarıyor. Venice API, ilgili bir Qwen 3.8 Flash rotasını 0,14 $ giriş / 0,49 $ çıkış olarak listeliyor. Bunlar metin fiyatlarıdır.

Ses ve ses-görüntü girişleri daha pahalıdır; önemli çekince budur. Puter'ın fiyat notu, ses girişinin metne göre prim taşıdığını vurgular ve Alibaba'nın kendi karşılaştırması, ses-görüntü girişini sabit bir token oranı belirtmek yerine Gemini 3.8 Flash ile kıyaslayarak fiyatlar. Alibaba, ses girişi saat başı fiyatının Qwen3.5-Omni-Plus'a kıyasla %98'den fazla, ses-görüntü girişinin ise %93'ten fazla düştüğünü iddia ediyor; dolayısıyla prim eskisine göre daha küçük, ancak hâlâ mevcut.

Model şu anda Qianwen AI Platform'da genel kullanıma açık ve Alibaba Cloud Model Studio üzerinden, Pekin ve Singapur uç noktalarıyla yönlendiriliyor. Sürüm notlarında ücretsiz bir tüketici katmanı tanımlanmamış.

Qwen3.8-Omni-Flash'e Nasıl Erişim Sağlanır?

API model kimliği qwen3.8-omni-flash ve gerçek zamanlı varyant qwen3.8-omni-flash-realtime.

OpenAI uyumlu Chat Completions ve Responses API'lerini destekler ve multimodal araçlar; Qwen-MM-Plugins aracılığıyla Codex, Claude Code, Qwen Code ve Gemini CLI dahil ajan harness'lerine bağlanır.

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)

Bilinen bir pürüz: GitHub kullanıcıları, Qwen3.8-Omni-Flash'i Claude Code ile çalıştırırken sık kesintiler ve oturum kararsızlığı bildirdi; bu nedenle harness sorun giderme için zaman ayırın.

Kurulumla ilgili daha fazla bilgi için Flash sınıfı modelleri çalıştırma eğitimimize ve Qwen3.8-Max rehberimize bakın.

Son Düşünceler

Alibaba, metinde her Flash rakibini kovalamak yerine belirli bir şeridi netleştiriyor.

Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash ve DeepSeek V4.1 Flash'a karşı burada sunulan vaat; ses ve video ajanları artı gruptaki en ucuz metin fiyatlaması.

Toplantı dökümü, video yerelleştirme veya MV ve yorum üretimi gibi işlerde bunu tercih ederdim; ses-görüntü ajan araçları ve AliMeeting diyarizasyon kazanımları gerçekten öne çıkıyor.

Salt metin veya kod için Qwen3.8-Flash-Next az farkla daha yüksek puan alıyor ve bazı video akıl yürütmelerinde Gemini 3.8 Flash hâlâ önde; dolayısıyla herkes için varsayılan bir ikame değil.

Ajan iş akışları ve multimodal modellere alışmak istiyorsanız, AI Fundamentals beceri yolundan başlamanızı öneririm.