Qwen3.8-Omni-Flash: Mô hình tác tử omnimodal của Alibaba
Qwen3.8-Omni-Flash của Alibaba xử lý văn bản, hình ảnh, âm thanh và video với cửa sổ ngữ cảnh 1M token, vượt Gemini 3.8 Flash ở các điểm chuẩn âm thanh.
Nhóm Qwen của Alibaba hiện bổ sung một góc tiếp cận mới với Qwen3.8-Omni-Flash, một mô hình omnimodal gốc được xây dựng xoay quanh các tác tử âm thanh và video.
Qwen3.8-Omni-Flash chấp nhận đầu vào văn bản, hình ảnh, âm thanh và video với cửa sổ ngữ cảnh 1M token. Alibaba cho biết hiệu năng âm thanh–hình ảnh tiệm cận Gemini 3.8 Flash và hiệu năng âm thanh tổng thể vượt trội, cùng mức cải thiện trung bình 25%+ so với phiên bản tiền nhiệm Qwen3.5-Omni-Plus trên 29 phép đánh giá. Những con số nổi bật cho tác tử là tăng 36,5 điểm trên WildClawBench-MM và mức giảm hơn 98% giá mỗi giờ cho đầu vào âm thanh.
Trong bài viết này, tôi sẽ điểm qua mọi điểm mới của Qwen3.8-Omni-Flash: các tính năng, so sánh với những mô hình Flash khác mà chúng tôi đã đánh giá, và đi qua các điểm chuẩn.
Qwen3.8-Omni-Flash là mô hình omnimodal thế hệ mới của Alibaba, thay thế Qwen3.5-Omni-Plus.
Khác biệt của nó là các tác tử âm thanh và video: quan sát, lắng nghe, lập kế hoạch và gọi công cụ để tạo ra sản phẩm hoàn chỉnh như MV và bình luận phim.
Nó vượt Gemini 3.8 Flash ở hầu hết các điểm chuẩn âm thanh và bám sát phía sau ở suy luận âm thanh–hình ảnh.
Hãy chọn mô hình này nếu khối lượng công việc của bạn nặng về âm thanh hoặc video. Với thuần văn bản hoặc mã, Qwen3.8-Flash-Next nhỉnh hơn đôi chút.
Với khoảng $0,15 đầu vào / $0,47 đầu ra mỗi 1M token, nó rẻ hơn hầu hết đối thủ cùng hạng Flash về giá văn bản.
Qwen3.8-Omni-Flash là gì?
Qwen3.8-Omni-Flash là một mô hình omnimodal gốc từ nhóm Qwen của Alibaba, nằm ở hạng Flash như một lựa chọn hiệu quả chi phí và thông lượng cao trong danh mục.
Nó xử lý văn bản, hình ảnh, âm thanh và video trong một mô hình và hỗ trợ cửa sổ ngữ cảnh 1M token, đồng thời giữ hiệu năng văn bản tương đương với mô hình chỉ văn bản cùng kích cỡ.
Mục tiêu của thế hệ này là năng lực tác tử trong âm thanh và video, không chỉ dừng ở việc hiểu chúng.
Nếu Qwen3.5-Omni-Plus tập trung vào diễn giải nội dung omnimodal, thì Qwen3.8-Omni-Flash được xây dựng để lập kế hoạch nhiệm vụ, gọi công cụ và hoàn thiện sản phẩm sáng tạo như dựng video, tạo MV và bình luận phim.
Alibaba mô tả điều này như việc đưa âm thanh và video từ đầu vào tri giác trở thành phương tiện cốt lõi để tác tử suy luận và thực thi.
Tuyên bố lớn ở đây là bước nhảy 36,5 điểm trên WildClawBench-MM lên 71,0 (Qwen3.5-Omni-Plus đạt 34,5), cùng mức tăng 22,3 điểm trên AgenticVBench.
Khi thử nghiệm trên âm thanh họp thực tế nơi mọi người thường nói đè lên nhau, hệ thống mới cho thấy cải thiện vượt bậc so với hệ cũ:
Xác định ai đang nói (phân tách người nói): Lỗi giảm từ 88% xuống chỉ còn 3%.
Chép lại chính xác lời nói (cpWER): Sai sót giảm từ gần 90% xuống 17%.
Các tính năng chính của Qwen3.8-Omni-Flash
Các tính năng xoay quanh một ý tưởng: trao cho tác tử “đôi tay” để làm việc với âm thanh và video, không chỉ “mắt” và “tai”.
Alibaba phát hành mô hình kèm hai lớp công cụ: Qwen-MM-Plugins cho quy trình dài hạn và Qwen-Live Harness cho tương tác thời gian thực.
Tác tử âm thanh và video tạo ra sản phẩm hoàn chỉnh
Bạn có thể đưa cho Qwen3.8-Omni-Flash một bài hát hoặc cả bộ phim dài và mô tả điều bạn muốn trong một câu; mô hình sẽ lập kế hoạch, gọi các công cụ sáng tạo và trả về một video hoàn chỉnh.
Nó hỗ trợ quy trình đầu–cuối, gồm tạo MV, dịch kịch ngắn kèm nhân bản giọng nói, và bình luận phim dạng dài.
Với một bộ phim hai giờ, mô hình thực hiện hiểu video dạng dài, trích xuất tình tiết chính, lập kế hoạch bình luận, sản xuất lời thuyết minh và nhạc, biên tập và kiểm duyệt chất lượng cuối.
Nó có thể đan xen thoại gốc với thuyết minh và điều chỉnh tốc độ, âm lượng để các lớp âm thanh hòa quyện.
Điều này quan trọng vì vòng lặp rời rạc chép–dịch–lồng tiếng–dựng chính là chi phí phối hợp khiến các dự án kiểu này “chết yểu” với người làm việc đơn lẻ.
Chú thích âm thanh–hình ảnh có kiểm soát
Bạn quyết định mô hình nhìn vào đâu, nhìn kỹ đến mức nào và trình bày kết quả ra sao, thay vì chấp nhận một mô tả cố định.
Người dùng có thể chỉ định chủ thể, khoảng thời gian, mức độ chi tiết và định dạng đầu ra cho cùng một video.
Giả sử bạn đưa vào một bản demo sản phẩm dài 40 phút. Bạn có thể yêu cầu bản tóm tắt 200 từ cho trang danh sách, rồi chạy lại cùng đoạn với yêu cầu đầu ra theo JSON-schema gồm dấu thời gian theo từng cảnh, trích xuất chữ trên màn hình và bản chép lời gắn nhãn người nói cho pipeline hạ nguồn.
Trên OmniCap-IF, điểm cấu trúc nội dung và tuân thủ hướng dẫn (CSR và ISR) tăng lần lượt 8,5 và 14,1 điểm so với phiên bản trước.
Hiểu video dạng dài theo kiểu tác tử
Thay vì xử lý toàn bộ bản ghi nhiều giờ, mô hình bắt đầu từ câu hỏi của bạn và tự quyết định xem–nghe gì thông qua quá trình thu thập bằng chứng từ thô đến tinh.
Cách này tập trung tính toán và token vào các đoạn liên quan.
Trên OmniVideoBench, chế độ tác tử nâng độ chính xác từ 63,4 lên 67,8 đồng thời cắt lượng token từ 145.736 xuống 79.117 mỗi truy vấn, giảm khoảng 45,7%.
Với bất kỳ ai trả phí theo token cho cảnh quay hàng giờ, mức tiết kiệm đó chính là tính năng.
Tương tác thời gian thực với Qwen3.8-Omni-Flash-Realtime
Một biến thể riêng, Qwen3.8-Omni-Flash-Realtime, có khả năng cảm nhận và phản hồi khi nhận luồng âm thanh–hình ảnh trực tiếp và dùng ngữ cảnh thời gian thực để gọi công cụ.
Nó xử lý luyện nói kèm phản hồi phát âm, tri giác âm thanh không gian và “bơm” kiến thức qua Skills.
Tuyên bố về âm thanh không gian là khác lạ nhất: Alibaba nói đây là mô hình omnimodal đầu tiên có thể định vị mục tiêu bằng âm thanh, kết hợp hướng âm với thông tin thị giác để xác định hướng và khoảng cách nguồn.
Thời gian đến gói âm thanh đầu tiên được báo cáo dưới 1,4 giây ngay cả với đầu vào âm thanh–hình ảnh 20 giây.
Phủ ngôn ngữ và phương ngữ
Qwen3.8-Omni-Flash hỗ trợ nhận dạng giọng nói trên 74 ngôn ngữ và 39 phương ngữ tiếng Trung, từ Phổ thông và Quảng Đông đến Tứ Xuyên, Thượng Hải và Mân Nam.
Tổng hợp giọng nói phủ 29 ngôn ngữ và 7 phương ngữ.
Với quy trình bản địa hóa và lồng tiếng, độ rộng phương ngữ này là điểm khác biệt thực tế so với hầu hết mô hình Flash cạnh tranh, vốn thường công bố số lượng ngôn ngữ nhưng không nêu mức phủ phương ngữ.
Phát triển mô hình như một nhiệm vụ tác tử
Một minh họa khác thường trong bản phát hành là Alibaba dùng Qwen3.8-Omni-Flash để cải thiện một mô hình nhỏ hơn thay vì phục vụ người dùng trực tiếp.
Được giao 12 giờ để cải thiện nhận dạng phương ngữ Tứ Xuyên của Qwen2.5-Omni-3B, tác tử đã chọn bộ đánh giá WenetSpeech-Chuan, xây dựng đường cơ sở và chẩn đoán lỗi bằng cách nghe mẫu âm thanh.
Qua bốn vòng, nó tạo 3.413 ví dụ huấn luyện, hoàn tác các thử nghiệm thất bại và giảm tỷ lệ lỗi ký tự từ 25,79% xuống 15,30%, tương đương giảm tương đối khoảng 40,7%.
Đây là một thử nghiệm nhỏ, nhưng gợi ý một mô hình lớn điều khiển quá trình huấn luyện các mô hình nhỏ chuyên biệt cho sản xuất.
Qwen3.8-Omni-Flash thể hiện thế nào trên các điểm chuẩn?
Mẫu số chung trên các điểm chuẩn khá nhất quán: Qwen3.8-Omni-Flash thắng hạng mục âm thanh, “ăn miếng trả miếng” với Gemini 3.8 Flash ở nhiệm vụ âm thanh–hình ảnh, và vẫn cạnh tranh tốt về văn bản so với các anh em.
Nó không dẫn đầu ở mọi nơi, và vài hàng suy luận video vẫn nghiêng về Gemini 3.8 Flash.
Âm thanh và nhận dạng nhiều người nói
Đây là điểm mạnh nhất của mô hình, và nơi nó bỏ xa Gemini 3.8 Flash.
Trên bài kiểm tra ASR nhiều người nói AliMeeting, nó đạt tỷ lệ lỗi phân tách người nói 3,4 so với 72,6 của Gemini 3.8 Flash, và trên AISHELL-4 nó đạt 2,8 so với 66,4 của Gemini, phản ánh việc Gemini gặp khó với lời nói chồng lấn.
Tỷ lệ lỗi phân tách người nói đo khả năng mô hình gán lời nói cho đúng người, nên điểm thấp rất quan trọng với biên bản họp, chép phỏng vấn và bất kỳ quy trình nào có người nói đè nhau.
Ở hiểu nhạc, nó cũng dẫn rõ rệt, đạt 72,6 trên MuchoMusic-RUL so với 53,7 của Gemini và 50,6 trên MusTBench so với 40,3.
Suy luận và hiểu âm thanh–hình ảnh
Ở đây, Gemini 3.8 Flash thường nhỉnh hơn một chút, nhưng khoảng cách nhỏ và thu hẹp khi Qwen chạy ở chế độ tác tử.
Trên OmniVideoBench, Qwen đạt 63,4 ở chế độ tĩnh so với 65,2 của Gemini, nhưng với bộ harness Qwen Code nó tăng lên 67,8.
Trên JointAVBench, Qwen thực tế dẫn ở mức 75,9 so với 70,4 của Gemini.
Các hàng suy luận video thì pha trộn hơn.
Trên Video-MME-v2, Gemini dẫn 71,0 so với 65,0 chế độ tĩnh, và trên LVOmniBench Gemini giữ 70,7 so với 63,3 của Qwen, dù Qwen nhảy lên 73,6 với harness tác tử.
Nếu công việc của bạn thiên về suy luận video nặng mà không có vòng lặp tác tử, Gemini vẫn có lợi thế.
Sử dụng công cụ đa phương thức và tác tử
Năng lực tác tử là trọng tâm, và kết quả WildClawBench-MM ủng hộ điều đó: 71,0 cho Qwen3.8-Omni-Flash so với 58,9 cho Gemini 3.8 Flash và 41,9 cho Seed 2.0 Lite.
Trên UniClawBench, hai bên gần như hòa ở mức 69,6 và 69,0.
Gemini thắng AgenticVBench ở mức 45,0 so với 36,8 của Qwen và OmniGAIA web search ở mức 78,6 so với 74,0.
Vậy nên câu chuyện dùng công cụ là thật, nhưng không phải thắng tuyệt đối. Trên StreamingBench, một điểm chuẩn tương tác, Qwen dẫn rõ rệt ở 80,8 so với 79,9 của Gemini và 57,1 của phiên bản tiền nhiệm.
Văn bản và lập trình so với các mô hình Flash anh em
Với thuần văn bản, Qwen3.8-Omni-Flash bám sát anh em chỉ văn bản Qwen3.8-Flash-Next, thường trong phạm vi một điểm.
Nó đạt 92,6 trên LiveCodeBench v6 (Qwen3.8-Flash-Next: 91,9), 63,3 trên SWE-bench Pro (Qwen3.8-Flash-Next: 62,5) và 91,0 trên GPQA Diamond (Qwen3.8-Flash-Next: 91,7).
So với DeepSeek-V4-Flash-0731, Qwen3.8-Omni-Flash dẫn ở SWE-bench Pro (63,3 so với 56,0) và IFBench (81,5 so với 79,2), nhưng DeepSeek thắng NL2Repo-Bench ở 54,2 so với 48,9.
Khi chúng tôi thử nghiệm DeepSeek-V4-Flash-0731, chúng tôi thấy đó là mô hình lập trình cục bộ mạnh nhất từng chạy đến thời điểm đó, nên một mô hình omnimodal hạng Flash sánh kịp ở kỹ nghệ phần mềm cấp kho mã là một kết quả đáng kể.
Bạn nên dùng biến thể nào?
Qwen3.8-Omni-Flash có hai biến thể cùng thiết lập suy luận điều chỉnh được, nên lựa chọn đúng phụ thuộc vào việc bạn cần phân tích nội dung sâu hay tương tác trực tiếp.
Ranh giới rất rõ:
Qwen3.8-Omni-Flash bản nền được xây để hiểu sâu và sáng tạo với file âm thanh–hình ảnh hoàn chỉnh,
Qwen3.8-Omni-Flash-Realtime xử lý luồng liên tục, độ trễ thấp qua WebSocket hoặc WebRTC.
Bạn sẽ không dùng bản nền cho hội thoại trực tiếp, và cũng không dùng Realtime để dựng bình luận phim hai giờ.
Bên cạnh lựa chọn biến thể, bản nền cung cấp tham số reasoning_effort với các mức xhigh (mặc định), medium và low, cho phép bạn đánh đổi độ sâu suy luận với tốc độ và chi phí.
Dùng low cho chú thích số lượng lớn nơi tốc độ quan trọng và xhigh cho lập kế hoạch nhiều bước như viết kịch bản bình luận.
Tình huống sử dụng
Biến thể
Lý do
Tạo MV và bình luận phim
Qwen3.8-Omni-Flash
Lập kế hoạch dài hạn và gọi công cụ trên file hoàn chỉnh
Biên bản họp và mục hành động
Qwen3.8-Omni-Flash
Nhận dạng người nói kết hợp âm thanh–hình ảnh, đầu vào đến 1 giờ
Trợ lý giọng nói trực tiếp và CSKH
Qwen3.8-Omni-Flash-Realtime
Thời gian đến gói âm thanh đầu tiên dưới 1,4 giây, Skills để “bơm” kiến thức
Âm thanh không gian và dẫn đường
Qwen3.8-Omni-Flash-Realtime
Định vị mục tiêu bằng âm thanh theo thời gian thực
Giá và khả dụng của Qwen3.8-Omni-Flash
Các danh sách bên thứ ba đưa Qwen3.8-Omni-Flash ở mức khoảng $0,15 đầu vào / $0,47 đầu ra mỗi 1M token văn bản, với OmniaKey và LLM Reference đều dẫn mức giá chính thức. Venice API liệt kê một tuyến Qwen 3.8 Flash liên quan ở $0,14 đầu vào / $0,49 đầu ra. Đây là mức giá cho văn bản.
Âm thanh và âm thanh–hình ảnh đắt hơn, và đây là lưu ý quan trọng. Ghi chú giá của Puter chỉ ra đầu vào âm thanh bị tính phí cao hơn văn bản, và chính Alibaba cũng so sánh giá đầu vào âm thanh–hình ảnh với Gemini 3.8 Flash thay vì báo một mức token phẳng. Alibaba cho biết giá mỗi giờ cho đầu vào âm thanh đã giảm hơn 98% so với Qwen3.5-Omni-Plus và đầu vào âm thanh–hình ảnh giảm hơn 93%, nên mức chênh nhỏ hơn trước nhưng vẫn tồn tại.
Mô hình hiện khả dụng rộng rãi trên Nền tảng Qianwen AI và đi qua Alibaba Cloud Model Studio, với các điểm cuối ở Bắc Kinh và Singapore. Không có tầng người dùng miễn phí được mô tả trong ghi chú phát hành.
Làm thế nào để truy cập Qwen3.8-Omni-Flash?
ID mô hình API là qwen3.8-omni-flash, và biến thể thời gian thực là qwen3.8-omni-flash-realtime.
Nó hỗ trợ Chat Completions và Responses API tương thích OpenAI, và bộ công cụ đa phương thức cắm vào các harness tác tử, gồm Codex, Claude Code, Qwen Code và Gemini CLI thông qua 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)Được hỗ trợ bởi
Một điểm chưa mượt: người dùng GitHub báo cáo tình trạng gián đoạn thường xuyên và phiên không ổn định khi chạy Qwen3.8-Omni-Flash với Claude Code, nên hãy chừa thời gian để gỡ lỗi harness.
Alibaba đang chọn một “làn riêng” thay vì chạy đua với mọi đối thủ Flash về văn bản.
So với Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash và DeepSeek V4.1 Flash, điểm nhấn ở đây là các tác tử âm thanh và video cùng mức giá văn bản rẻ nhất nhóm.
Tôi sẽ chọn mô hình này nếu công việc của bạn liên quan đến chép họp, bản địa hóa video, hoặc sản xuất MV và bình luận, nơi bộ công cụ tác tử âm thanh–hình ảnh và cải thiện phân tách người nói trên AliMeeting thực sự nổi bật.
Với thuần văn bản hoặc mã, Qwen3.8-Flash-Next nhỉnh hơn chút ít, và Gemini 3.8 Flash vẫn dẫn ở một số suy luận video, nên đây không phải lựa chọn mặc định cho tất cả mọi người.
Nếu bạn muốn làm quen với quy trình tác tử và mô hình đa phương thức, tôi khuyến nghị bắt đầu với lộ trình kỹ năng AI Fundamentals.
Câu hỏi thường gặp
Qwen3.8-Omni-Flash so với Gemini 3.8 Flash thế nào?⌄
Qwen3.8-Omni-Flash vượt Gemini 3.8 Flash ở hầu hết điểm chuẩn âm thanh, gồm phân tách người nói AliMeeting (3,4 so với 88,1) và hiểu nhạc, và dẫn đầu ở sử dụng công cụ đa phương thức (71,0 so với 58,9 trên WildClawBench-MM). Gemini vẫn nhỉnh hơn ở một số tác vụ suy luận video như Video-MME-v2 (71,0 so với 65,0) và trên AgenticVBench cùng tìm kiếm web.
Tôi có thể truy cập Qwen3.8-Omni-Flash ở đâu?⌄
Nó hiện khả dụng trên Nền tảng Qianwen AI và đi qua Alibaba Cloud Model Studio, với các điểm cuối ở Bắc Kinh và Singapore. ID mô hình API là qwen3.8-omni-flash, và nó hỗ trợ Chat Completions và Responses API tương thích OpenAI cùng các harness tác tử như Claude Code và Qwen Code qua Qwen-MM-Plugins.
Qwen3.8-Omni-Flash có giá bao nhiêu?⌄
Các danh sách bên thứ ba đưa ra mức khoảng $0,15 đầu vào / $0,47 đầu ra mỗi 1M token văn bản. Đầu vào âm thanh và âm thanh–hình ảnh có phụ phí so với văn bản, dù Alibaba cho biết giá theo giờ cho đầu vào âm thanh đã giảm hơn 98% so với mô hình Qwen3.5-Omni-Plus trước đó.
Sự khác nhau giữa Qwen3.8-Omni-Flash và Qwen3.8-Omni-Flash-Realtime là gì?⌄
Bản nền Qwen3.8-Omni-Flash được xây cho hiểu sâu và sáng tạo với file âm thanh–hình ảnh hoàn chỉnh, như bình luận phim và chép họp. Qwen3.8-Omni-Flash-Realtime xử lý luồng liên tục, độ trễ thấp qua WebSocket hoặc WebRTC cho hội thoại trực tiếp, luyện nói và tri giác âm thanh không gian.
Qwen3.8-Omni-Flash phù hợp nhất cho những trường hợp nào?⌄
Nó mạnh nhất ở các quy trình tác tử âm thanh và video: tạo MV, dịch kịch ngắn kèm nhân bản giọng, bình luận phim dạng dài, biên bản họp với nhận dạng người nói và chuyển đổi video hướng dẫn thành ghi chú có cấu trúc. Với thuần văn bản hoặc mã, mô hình anh em Qwen3.8-Flash-Next nhỉnh hơn đôi chút.
Nâng cao kỹ năng lập trình của bạn với trí tuệ nhân tạo — hướng dẫn trợ lý lập trình của bạn để viết, kiểm thử và tài liệu hóa mã nguồn một cách hiệu quả.
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%23EFEBE4%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
Làn sóng các mô hình hạng Flash hiện tại đang nối tiếp nhau ra mắt.
Gần đây chúng tôi đã giới thiệu Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash và DeepSeek V4.1 Flash, tất cả đều cạnh tranh cho vị trí suy luận nhanh, chi phí hợp lý trên thị trường.
Nhóm Qwen của Alibaba hiện bổ sung một góc tiếp cận mới với Qwen3.8-Omni-Flash, một mô hình omnimodal gốc được xây dựng xoay quanh các tác tử âm thanh và video.
Qwen3.8-Omni-Flash chấp nhận đầu vào văn bản, hình ảnh, âm thanh và video với cửa sổ ngữ cảnh 1M token. Alibaba cho biết hiệu năng âm thanh–hình ảnh tiệm cận Gemini 3.8 Flash và hiệu năng âm thanh tổng thể vượt trội, cùng mức cải thiện trung bình 25%+ so với phiên bản tiền nhiệm Qwen3.5-Omni-Plus trên 29 phép đánh giá. Những con số nổi bật cho tác tử là tăng 36,5 điểm trên WildClawBench-MM và mức giảm hơn 98% giá mỗi giờ cho đầu vào âm thanh.
Trong bài viết này, tôi sẽ điểm qua mọi điểm mới của Qwen3.8-Omni-Flash: các tính năng, so sánh với những mô hình Flash khác mà chúng tôi đã đánh giá, và đi qua các điểm chuẩn.
Để tìm hiểu thêm về cách các mô hình này đối đầu, hãy xem hướng dẫn của chúng tôi về DeepSeek V4.1 Flash vs Gemini 3.8 Flash và bài so sánh GLM-5.3 Flash vs Qwen3.8-Flash-Next.
Tóm tắt nhanh
Qwen3.8-Omni-Flash là gì?
Qwen3.8-Omni-Flash là một mô hình omnimodal gốc từ nhóm Qwen của Alibaba, nằm ở hạng Flash như một lựa chọn hiệu quả chi phí và thông lượng cao trong danh mục.
Nó xử lý văn bản, hình ảnh, âm thanh và video trong một mô hình và hỗ trợ cửa sổ ngữ cảnh 1M token, đồng thời giữ hiệu năng văn bản tương đương với mô hình chỉ văn bản cùng kích cỡ.
Mục tiêu của thế hệ này là năng lực tác tử trong âm thanh và video, không chỉ dừng ở việc hiểu chúng.
Nếu Qwen3.5-Omni-Plus tập trung vào diễn giải nội dung omnimodal, thì Qwen3.8-Omni-Flash được xây dựng để lập kế hoạch nhiệm vụ, gọi công cụ và hoàn thiện sản phẩm sáng tạo như dựng video, tạo MV và bình luận phim.
Alibaba mô tả điều này như việc đưa âm thanh và video từ đầu vào tri giác trở thành phương tiện cốt lõi để tác tử suy luận và thực thi.
Tuyên bố lớn ở đây là bước nhảy 36,5 điểm trên WildClawBench-MM lên 71,0 (Qwen3.5-Omni-Plus đạt 34,5), cùng mức tăng 22,3 điểm trên AgenticVBench.
Khi thử nghiệm trên âm thanh họp thực tế nơi mọi người thường nói đè lên nhau, hệ thống mới cho thấy cải thiện vượt bậc so với hệ cũ:
Các tính năng chính của Qwen3.8-Omni-Flash
Các tính năng xoay quanh một ý tưởng: trao cho tác tử “đôi tay” để làm việc với âm thanh và video, không chỉ “mắt” và “tai”.
Alibaba phát hành mô hình kèm hai lớp công cụ: Qwen-MM-Plugins cho quy trình dài hạn và Qwen-Live Harness cho tương tác thời gian thực.
Tác tử âm thanh và video tạo ra sản phẩm hoàn chỉnh
Bạn có thể đưa cho Qwen3.8-Omni-Flash một bài hát hoặc cả bộ phim dài và mô tả điều bạn muốn trong một câu; mô hình sẽ lập kế hoạch, gọi các công cụ sáng tạo và trả về một video hoàn chỉnh.
Nó hỗ trợ quy trình đầu–cuối, gồm tạo MV, dịch kịch ngắn kèm nhân bản giọng nói, và bình luận phim dạng dài.
Với một bộ phim hai giờ, mô hình thực hiện hiểu video dạng dài, trích xuất tình tiết chính, lập kế hoạch bình luận, sản xuất lời thuyết minh và nhạc, biên tập và kiểm duyệt chất lượng cuối.
Nó có thể đan xen thoại gốc với thuyết minh và điều chỉnh tốc độ, âm lượng để các lớp âm thanh hòa quyện.
Điều này quan trọng vì vòng lặp rời rạc chép–dịch–lồng tiếng–dựng chính là chi phí phối hợp khiến các dự án kiểu này “chết yểu” với người làm việc đơn lẻ.
Chú thích âm thanh–hình ảnh có kiểm soát
Bạn quyết định mô hình nhìn vào đâu, nhìn kỹ đến mức nào và trình bày kết quả ra sao, thay vì chấp nhận một mô tả cố định.
Người dùng có thể chỉ định chủ thể, khoảng thời gian, mức độ chi tiết và định dạng đầu ra cho cùng một video.
Giả sử bạn đưa vào một bản demo sản phẩm dài 40 phút. Bạn có thể yêu cầu bản tóm tắt 200 từ cho trang danh sách, rồi chạy lại cùng đoạn với yêu cầu đầu ra theo JSON-schema gồm dấu thời gian theo từng cảnh, trích xuất chữ trên màn hình và bản chép lời gắn nhãn người nói cho pipeline hạ nguồn.
Trên OmniCap-IF, điểm cấu trúc nội dung và tuân thủ hướng dẫn (CSR và ISR) tăng lần lượt 8,5 và 14,1 điểm so với phiên bản trước.
Hiểu video dạng dài theo kiểu tác tử
Thay vì xử lý toàn bộ bản ghi nhiều giờ, mô hình bắt đầu từ câu hỏi của bạn và tự quyết định xem–nghe gì thông qua quá trình thu thập bằng chứng từ thô đến tinh.
Cách này tập trung tính toán và token vào các đoạn liên quan.
Trên OmniVideoBench, chế độ tác tử nâng độ chính xác từ 63,4 lên 67,8 đồng thời cắt lượng token từ 145.736 xuống 79.117 mỗi truy vấn, giảm khoảng 45,7%.
Với bất kỳ ai trả phí theo token cho cảnh quay hàng giờ, mức tiết kiệm đó chính là tính năng.
Tương tác thời gian thực với Qwen3.8-Omni-Flash-Realtime
Một biến thể riêng, Qwen3.8-Omni-Flash-Realtime, có khả năng cảm nhận và phản hồi khi nhận luồng âm thanh–hình ảnh trực tiếp và dùng ngữ cảnh thời gian thực để gọi công cụ.
Nó xử lý luyện nói kèm phản hồi phát âm, tri giác âm thanh không gian và “bơm” kiến thức qua Skills.
Tuyên bố về âm thanh không gian là khác lạ nhất: Alibaba nói đây là mô hình omnimodal đầu tiên có thể định vị mục tiêu bằng âm thanh, kết hợp hướng âm với thông tin thị giác để xác định hướng và khoảng cách nguồn.
Thời gian đến gói âm thanh đầu tiên được báo cáo dưới 1,4 giây ngay cả với đầu vào âm thanh–hình ảnh 20 giây.
Phủ ngôn ngữ và phương ngữ
Qwen3.8-Omni-Flash hỗ trợ nhận dạng giọng nói trên 74 ngôn ngữ và 39 phương ngữ tiếng Trung, từ Phổ thông và Quảng Đông đến Tứ Xuyên, Thượng Hải và Mân Nam.
Tổng hợp giọng nói phủ 29 ngôn ngữ và 7 phương ngữ.
Với quy trình bản địa hóa và lồng tiếng, độ rộng phương ngữ này là điểm khác biệt thực tế so với hầu hết mô hình Flash cạnh tranh, vốn thường công bố số lượng ngôn ngữ nhưng không nêu mức phủ phương ngữ.
Phát triển mô hình như một nhiệm vụ tác tử
Một minh họa khác thường trong bản phát hành là Alibaba dùng Qwen3.8-Omni-Flash để cải thiện một mô hình nhỏ hơn thay vì phục vụ người dùng trực tiếp.
Được giao 12 giờ để cải thiện nhận dạng phương ngữ Tứ Xuyên của Qwen2.5-Omni-3B, tác tử đã chọn bộ đánh giá WenetSpeech-Chuan, xây dựng đường cơ sở và chẩn đoán lỗi bằng cách nghe mẫu âm thanh.
Qua bốn vòng, nó tạo 3.413 ví dụ huấn luyện, hoàn tác các thử nghiệm thất bại và giảm tỷ lệ lỗi ký tự từ 25,79% xuống 15,30%, tương đương giảm tương đối khoảng 40,7%.
Đây là một thử nghiệm nhỏ, nhưng gợi ý một mô hình lớn điều khiển quá trình huấn luyện các mô hình nhỏ chuyên biệt cho sản xuất.
Qwen3.8-Omni-Flash thể hiện thế nào trên các điểm chuẩn?
Mẫu số chung trên các điểm chuẩn khá nhất quán: Qwen3.8-Omni-Flash thắng hạng mục âm thanh, “ăn miếng trả miếng” với Gemini 3.8 Flash ở nhiệm vụ âm thanh–hình ảnh, và vẫn cạnh tranh tốt về văn bản so với các anh em.
Nó không dẫn đầu ở mọi nơi, và vài hàng suy luận video vẫn nghiêng về Gemini 3.8 Flash.
Âm thanh và nhận dạng nhiều người nói
Đây là điểm mạnh nhất của mô hình, và nơi nó bỏ xa Gemini 3.8 Flash.
Trên bài kiểm tra ASR nhiều người nói AliMeeting, nó đạt tỷ lệ lỗi phân tách người nói 3,4 so với 72,6 của Gemini 3.8 Flash, và trên AISHELL-4 nó đạt 2,8 so với 66,4 của Gemini, phản ánh việc Gemini gặp khó với lời nói chồng lấn.
Tỷ lệ lỗi phân tách người nói đo khả năng mô hình gán lời nói cho đúng người, nên điểm thấp rất quan trọng với biên bản họp, chép phỏng vấn và bất kỳ quy trình nào có người nói đè nhau.
Ở hiểu nhạc, nó cũng dẫn rõ rệt, đạt 72,6 trên MuchoMusic-RUL so với 53,7 của Gemini và 50,6 trên MusTBench so với 40,3.
Suy luận và hiểu âm thanh–hình ảnh
Ở đây, Gemini 3.8 Flash thường nhỉnh hơn một chút, nhưng khoảng cách nhỏ và thu hẹp khi Qwen chạy ở chế độ tác tử.
Các hàng suy luận video thì pha trộn hơn.
Trên Video-MME-v2, Gemini dẫn 71,0 so với 65,0 chế độ tĩnh, và trên LVOmniBench Gemini giữ 70,7 so với 63,3 của Qwen, dù Qwen nhảy lên 73,6 với harness tác tử.
Nếu công việc của bạn thiên về suy luận video nặng mà không có vòng lặp tác tử, Gemini vẫn có lợi thế.
Sử dụng công cụ đa phương thức và tác tử
Năng lực tác tử là trọng tâm, và kết quả WildClawBench-MM ủng hộ điều đó: 71,0 cho Qwen3.8-Omni-Flash so với 58,9 cho Gemini 3.8 Flash và 41,9 cho Seed 2.0 Lite.
Trên UniClawBench, hai bên gần như hòa ở mức 69,6 và 69,0.
Gemini thắng AgenticVBench ở mức 45,0 so với 36,8 của Qwen và OmniGAIA web search ở mức 78,6 so với 74,0.
Vậy nên câu chuyện dùng công cụ là thật, nhưng không phải thắng tuyệt đối. Trên StreamingBench, một điểm chuẩn tương tác, Qwen dẫn rõ rệt ở 80,8 so với 79,9 của Gemini và 57,1 của phiên bản tiền nhiệm.
Văn bản và lập trình so với các mô hình Flash anh em
Với thuần văn bản, Qwen3.8-Omni-Flash bám sát anh em chỉ văn bản Qwen3.8-Flash-Next, thường trong phạm vi một điểm.
Nó đạt 92,6 trên LiveCodeBench v6 (Qwen3.8-Flash-Next: 91,9), 63,3 trên SWE-bench Pro (Qwen3.8-Flash-Next: 62,5) và 91,0 trên GPQA Diamond (Qwen3.8-Flash-Next: 91,7).
So với DeepSeek-V4-Flash-0731, Qwen3.8-Omni-Flash dẫn ở SWE-bench Pro (63,3 so với 56,0) và IFBench (81,5 so với 79,2), nhưng DeepSeek thắng NL2Repo-Bench ở 54,2 so với 48,9.
Khi chúng tôi thử nghiệm DeepSeek-V4-Flash-0731, chúng tôi thấy đó là mô hình lập trình cục bộ mạnh nhất từng chạy đến thời điểm đó, nên một mô hình omnimodal hạng Flash sánh kịp ở kỹ nghệ phần mềm cấp kho mã là một kết quả đáng kể.
Bạn nên dùng biến thể nào?
Qwen3.8-Omni-Flash có hai biến thể cùng thiết lập suy luận điều chỉnh được, nên lựa chọn đúng phụ thuộc vào việc bạn cần phân tích nội dung sâu hay tương tác trực tiếp.
Ranh giới rất rõ:
Bạn sẽ không dùng bản nền cho hội thoại trực tiếp, và cũng không dùng Realtime để dựng bình luận phim hai giờ.
Bên cạnh lựa chọn biến thể, bản nền cung cấp tham số
reasoning_effortvới các mứcxhigh(mặc định),mediumvàlow, cho phép bạn đánh đổi độ sâu suy luận với tốc độ và chi phí.Dùng
lowcho chú thích số lượng lớn nơi tốc độ quan trọng vàxhighcho lập kế hoạch nhiều bước như viết kịch bản bình luận.Giá và khả dụng của Qwen3.8-Omni-Flash
Các danh sách bên thứ ba đưa Qwen3.8-Omni-Flash ở mức khoảng $0,15 đầu vào / $0,47 đầu ra mỗi 1M token văn bản, với OmniaKey và LLM Reference đều dẫn mức giá chính thức. Venice API liệt kê một tuyến Qwen 3.8 Flash liên quan ở $0,14 đầu vào / $0,49 đầu ra. Đây là mức giá cho văn bản.
Âm thanh và âm thanh–hình ảnh đắt hơn, và đây là lưu ý quan trọng. Ghi chú giá của Puter chỉ ra đầu vào âm thanh bị tính phí cao hơn văn bản, và chính Alibaba cũng so sánh giá đầu vào âm thanh–hình ảnh với Gemini 3.8 Flash thay vì báo một mức token phẳng. Alibaba cho biết giá mỗi giờ cho đầu vào âm thanh đã giảm hơn 98% so với Qwen3.5-Omni-Plus và đầu vào âm thanh–hình ảnh giảm hơn 93%, nên mức chênh nhỏ hơn trước nhưng vẫn tồn tại.
Mô hình hiện khả dụng rộng rãi trên Nền tảng Qianwen AI và đi qua Alibaba Cloud Model Studio, với các điểm cuối ở Bắc Kinh và Singapore. Không có tầng người dùng miễn phí được mô tả trong ghi chú phát hành.
Làm thế nào để truy cập Qwen3.8-Omni-Flash?
ID mô hình API là
qwen3.8-omni-flash, và biến thể thời gian thực làqwen3.8-omni-flash-realtime.Nó hỗ trợ Chat Completions và Responses API tương thích OpenAI, và bộ công cụ đa phương thức cắm vào các harness tác tử, gồm Codex, Claude Code, Qwen Code và Gemini CLI thông qua Qwen-MM-Plugins.
Một điểm chưa mượt: người dùng GitHub báo cáo tình trạng gián đoạn thường xuyên và phiên không ổn định khi chạy Qwen3.8-Omni-Flash với Claude Code, nên hãy chừa thời gian để gỡ lỗi harness.
Để biết thêm về thiết lập, xem hướng dẫn chạy các mô hình hạng Flash và hướng dẫn Qwen3.8-Max của chúng tôi.
Kết luận
Alibaba đang chọn một “làn riêng” thay vì chạy đua với mọi đối thủ Flash về văn bản.
So với Qwen3.8-Flash-Next, GLM-5.3-Flash, Gemini 3.8 Flash và DeepSeek V4.1 Flash, điểm nhấn ở đây là các tác tử âm thanh và video cùng mức giá văn bản rẻ nhất nhóm.
Tôi sẽ chọn mô hình này nếu công việc của bạn liên quan đến chép họp, bản địa hóa video, hoặc sản xuất MV và bình luận, nơi bộ công cụ tác tử âm thanh–hình ảnh và cải thiện phân tách người nói trên AliMeeting thực sự nổi bật.
Với thuần văn bản hoặc mã, Qwen3.8-Flash-Next nhỉnh hơn chút ít, và Gemini 3.8 Flash vẫn dẫn ở một số suy luận video, nên đây không phải lựa chọn mặc định cho tất cả mọi người.
Nếu bạn muốn làm quen với quy trình tác tử và mô hình đa phương thức, tôi khuyến nghị bắt đầu với lộ trình kỹ năng AI Fundamentals.