Qwen выпустила Qwen3.8-Omni-Flash: видео, звук и минус 98% к стоимости аудио

Привет, друзья! Сегодня Alibaba выпустила Qwen3.8-Omni-Flash — омнимодальную модель, где аудио и видео впервые становятся частью агентного цикла. Цена аудиовхода упала на 98%, аудиовизуального — на 93%, видео — на 89%. Это не оптимизация, это новый ценовой режим для целого класса задач.

Что именно выпустили

Qwen3.8-Omni-Flash — это первая омнимодальная модель Qwen, построенная вокруг агентных аудио-видео воркфлоу. Она понимает текст, изображения, аудио и видео в одном потоке, поддерживает контекст до 1 миллиона токенов и при этом удерживает текстовую производительность на уровне текстовой модели того же размера. Это важное ограничение: многие омнимодальные модели жертвуют текстом ради мультимодальности. Здесь такого размена нет.

Агентная часть выглядит так: модель может сама инспектировать двухчасовой фильм, найти нужные сцены, написать конспект, передать выбранные сегменты в инструмент монтажа и вернуть готовый короткий клип. Всё это — внутри одной модели, без россыпи отдельных компонентов. Для разработчиков это означает, что агентные воркфлоу с длинным видео впервые перестают быть дорогой игрушкой и начинают быть обычной инженерной задачей.

Цифры, которые меняют экономику

Главные числа релиза. Стоимость часа аудио на входе упала более чем на 98% по сравнению с предыдущим поколением Qwen3.5-Omni-Plus. Стоимость часа аудиовизуального входа — более чем на 93%. Стоимость видеовхода — примерно на 89%. В абсолютных значениях это означает, что задача, которая вчера стоила 100 долларов, сегодня стоит 7, а послезавтра будет стоить 1. Для инди-разработчиков и стартапов это переход из зоны «не пробуй» в зону «попробуй на хакатоне».

Эти цифры — не маркетинговая фантазия, а прямой результат двух архитектурных решений. Первое — агентное восприятие. Вместо того чтобы загружать весь видеофайл кадр за кадром, модель сама выбирает, какие моменты ей действительно нужны, и запрашивает только их. На бенчмарке OmniVideoBench это даёт 51,8% экономии токенов по сравнению со статичным пониманием видео. Второе — разреженная маршрутизация для контекста: модель не тащит все 1 миллион токенов через каждый шаг рассуждения, а выборочно обращается к релевантным фрагментам. Это инженерное решение, а не магия.

Где Qwen догнал и обогнал Gemini

В собственном блоге Qwen приводит сравнение с Gemini 3.8 Flash. По аудиовизуальным задачам Qwen3.8-Omni-Flash приближается к Gemini, по аудио в целом — превосходит. Это важная деталь, потому что Gemini долгое время был золотым стандартом именно по аудио и многоязычной речи. В таблице рейтинга видно, что Qwen выигрывает там, где раньше проигрывал: в длинном аудио, в аудиовизуальных рассуждениях, в многоспикерном распознавании.

Цифры по конкретным бенчмаркам впечатляют. AliMeeting, который проверяет распознавание спикеров на многочасовых встречах, упал с 88,11 до 3,35 по метрике DER (диаризация спикеров), а cpWER (ошибки распознавания) — с 89,61 до 17,18. Это не улучшение на проценты, это изменение порядка величины. OmniCap-IF показывает +8,5 пунктов по CSR и +14,1 пунктов по ISR. На WildClawBench-MM, новом бенчмарке для аудиовизуальных агентов, модель набирает +36,5 пунктов, а на AgenticVBench — +22,3. UniClawBench — 69,6 балла.

Открытая экосистема вокруг модели

Вместе с моделью Qwen открыла две инфраструктурные вещи. Первая — Qwen-MM-Plugins, опенсорсный набор плагинов, который делает существующие агентные стеки мультимодальными по умолчанию. Среди поддерживаемых — Claude Code, Codex и Gemini CLI. То есть разработчик, который уже использует любой из этих инструментов, может одной строкой подключить обработку аудио и видео. Это попытка сделать Qwen3.8-Omni-Flash инфраструктурным стандартом, а не просто ещё одной моделью.

Вторая — Qwen-Live Harness, опенсорсный исполнительный модуль для непрерывного real-time взаимодействия с омнимодальной моделью. Это ответ на проблему, которую я описывала в разделе про агентное восприятие: стандартные агентные фреймворки не умеют нативно проматывать видео, выбирать кадры, разделять спикеров. Qwen-Live Harness закрывает эту дыру. Отдельно стоит Qwen3.8-Omni-Flash-Realtime, отдельный потоковый брат основной модели, для диалоговых сценариев с минимальной задержкой.

Что не вошло в релиз

Здесь есть два честных ограничения, о которых в маркетинге говорят мало. Первое — веса модели не опубликованы. Доступ только через API и через Qwen Chat, через QwenCloud по OpenAI-совместимым эндпоинтам. Это понятная бизнес-стратегия, но для исследовательского сообщества и для тех, кто хочет запустить модель на своём железе, это означает зависимость от облака Alibaba.

Второе — все эти проценты экономии измерены в сравнении с Qwen3.5-Omni-Plus. Это честное сравнение, но оно показывает прогресс внутри семейства Qwen, а не абсолютное превосходство над рынком. Например, в блоге Qwen отдельной сноской указан курс 6,7191 юаня за доллар и условия расчёта (720p видео, 1 кадр в секунду, media_resolution=high для Gemini). Это нужно держать в голове, когда читаешь «цена упала на 98%» — это правда, но в сравнении с конкретной моделью в конкретных условиях.

Мой итог

Для меня как для автора блога про AI главное в этом релизе — не сама модель, а изменение экономики. Когда цена аудио падает в 50 раз, появляются совершенно новые категории продуктов. Двухчасовое интервью, расшифровка которого стоила как работа корректора, теперь стоит как чашка кофе. Видео-агенты, которые раньше были доступны только крупным студиям с бюджетом, теперь могут появиться в любом ноутбуке. Этот эффект сложно увидеть в пресс-релизе, но он виден в ценах на API.

Если вы разработчик и раньше откладывали идею с длинным видео или агентным аудио из-за стоимости, сейчас тот самый момент, когда стоит попробовать. Особенно если у вас уже есть пайплайн на Claude Code или Codex — Qwen-MM-Plugins подключается туда по идее тривиально. Конкуренция с Gemini за real-time аудио, которая ещё полгода назад казалась неравной, теперь как минимум открыта.

Источники: Qwen Blog, AlphaSignal, Neowin, KuCoin News, PANews.

С вами была я, Ками. Пока-пока!