Alibaba выпустила Qwen3.8-Omni-Flash: омнимодальный агент с контекстом 1 млн токенов

Alibaba выпустила Qwen3.8-Omni-Flash — модель, которая принимает текст, изображения, аудио и видео в одном контексте до 1 млн токенов. Задача, которую ставил производитель, шире, чем улучшение распознавания: довести омнимодального агента до рабочего процесса, то есть до цепочки «понять запись, спланировать шаги, вызвать инструменты, отдать готовый результат».

В анонсе перечислены сценарии, под которые модель затачивали: монтаж видео, сборка музыкальных клипов, озвучка и комментирование фильмов, конспекты аудиовизуальных материалов, разговоры в реальном времени. Доступ открыт на платформе Qianwen AI. Вместе с моделью Alibaba расширила Qwen-MM-Plugins — плагины для восприятия длинных записей и выполнения рабочих цепочек — и открыла исходный код Qwen-Live Harness, среды для непрерывного диалога с моделью.

Для тех, кто работает с длинными записями, важнее другое. В анонсе впервые за несколько поколений речь идёт не только о баллах в тестах, но и о снижении стоимости обработки.

Qwen3.8-Omni-Flash: 1 млн токенов контекста и что это меняет на практике

Окно в 1 млн токенов само по себе рекордом не выглядит. Смысл в другом: при таком окне текстовая часть не проседает относительно обычной текстовой модели того же размера. Раньше омнимодальные модели часто проигрывали «чистым» текстовым на длинных документах, и это заставляло держать в работе два разных инструмента.

Заявленный средний прирост по 29 оценкам — более 25% относительно Qwen3.5-Omni-Plus. Часть этих тестов проверяет не восприятие, а поведение агента: вызов инструментов, работу по нескольким шагам, удержание цели. Именно там разрыв с предыдущим поколением самый большой.

Последняя строка выглядит почти как опечатка: ошибка определения говорящих падает с 88,11 до 3,35. Такой скачок обычно означает, что предыдущая версия на этом тесте попросту не справлялась, а не что новое поколение стало в двадцать раз точнее в бытовых условиях.

Ещё одна оговорка. Часть сравнений в анонсе сделана с Gemini 3.8 Flash: аудиовизуальные результаты названы близкими, по аудио модель заявлена выше. Это внутренние замеры производителя, и проверять их разумно на собственных файлах, а не по пресс-релизу.

Почему час аудио в API подешевел более чем на 98%

Снижение цены стало самым практичным пунктом анонса. Стоимость часа аудиовхода в API упала более чем на 98%, часа аудиовизуального входа — более чем на 93%. Причина не в альтруизме: длинные записи дорого хранить, передавать и прогонять через несколько раундов вывода, и производитель прямо называет это системным ограничением.

Методику расчёта раскрывают: час аудио или видео оценивают как тридцатикратную стоимость входа для двухминутного фрагмента исходника, для видео берут 720p при одном кадре в секунду. Пересчёт удобен для сравнения моделей между собой, но он же и уязвим — реальная длина записи, частота кадров и число обращений к модели меняют счёт в разы.

Отсюда практический вывод. Экономия проявится там, где запись прогоняют целиком и не один раз: архивы интервью, записи вебинаров, видеокурсы, корпоративные библиотеки. Если задача — разобрать один короткий ролик, разница в счёте будет неощутимой, а задержка на длинном файле останется заметной.

Агентный просмотр вместо покадрового

Главная техническая идея модели в том, чтобы не смотреть всё подряд. На вопрос «в какой момент спикер говорит про бюджет» обычная схема требует прогнать запись от начала до конца, даже если ответ звучит в двух минутах. Агентный режим начинает с вопроса и сам решает, какие фрагменты нужны, уточняя поиск от грубого к точному.

На OmniVideoBench это дало 67,8 против 63,4 у статического режима при падении расхода токенов на запрос примерно на 45,7%. Прирост небольшой, экономия существенная. Компромисс здесь важнее абсолютных цифр: качество выросло при меньшем объёме просмотренного материала.

Второй слой — управляемое описание. Для одного и того же видео можно задать объект, временной диапазон, степень детализации и формат вывода. Обзор, разбор ключевых отрезков, анализ склейки, света и звука становятся разными запросами к одному файлу вместо одного универсального ответа. Это полезно в монтаже и в работе с футажами, где нужен поиск по конкретному признаку.

Кому такой режим не нужен: если материал короткий и вопрос простой, агентская надстройка добавит лишние раунды и время ответа. Экономия токенов важна на часах записи, на минутах её почти не видно.

Часовые встречи: что стоит за диаризацией

Многоголосые встречи остаются самым тяжёлым случаем для омнимодальных моделей. Люди перебивают друг друга, ссылаются на сказанное раньше, называют коллегу по имени один раз за разговор. Модель распознаёт говорящих одновременно по аудио и видео, разделяет реплики, расшифровывает и сопоставляет голос с лицом, а на выходе выдаёт протокол, список задач и разбор рисков по проекту.

Заявленная длина входа ограничена одним часом аудиовизуального материала. Двухчасовую запись придётся резать, а стык фрагментов часто теряет контекст, на который ссылаются участники. Видеоряд здесь помогает снять неоднозначность в именах и терминах, которые аудио расшифровывает неверно.

Насколько это работает вне тестового набора — вопрос открытый. В реальных созвонах эхо, дешёвые микрофоны и одновременная речь съедают преимущество быстрее, чем любая метрика.

Что в анонсе не сказано

О выкладке весов в открытый доступ речи не идёт: модель доступна через платформу, открытым назван только Qwen-Live Harness. Для команд, которые не могут отправлять рабочие записи во внешний API, расклад меняется — придётся искать локальные альтернативы либо строить отдельный контур с обезличиванием.

Для России практика упирается в доступ и оплату. Агрегаторы и посредники добавляют задержку, меняют условия и не гарантируют стабильность цен. Требования к хранению персональных данных в записях встреч стоит проверять до пилота, а не после; юридическую сторону лучше согласовать с профильным юристом, общих правил здесь нет.

• Есть ли в записях персональные данные и кто даёт согласие на обработку.
• Сколько часов материала в месяц уходит в обработку: счёт зависит от объёма, а не от числа пользователей.
• Нужна синхронная расшифровка или достаточно пакетной обработки архива ночью.
• Что делать со стыками фрагментов, если запись длиннее часа.
• Кто вычитывает протокол встречи перед рассылкой.

Пункты про стыки и вычитку выглядят мелочью, но именно они решают, приживётся инструмент в компании или останется демонстрацией для отдела инноваций.

С чего начать на этой неделе

Разумный первый шаг — взять одну свою реальную запись на 30–40 минут с плохим звуком и прогнать её с запросом на протокол и список задач. Затем сверить результат с ручной расшифровкой: число правок в именах, пропущенные договорённости, время на вычитку. Если правок больше, чем занимает расшифровка вручную, ставку лучше делать на пакетную обработку архива и не трогать живые встречи.

Ответом на вопрос «подходит ли модель» станет не таблица бенчмарков, а эта одна вычитка.