Alibaba представи Qwen3.8-Omni-Flash за аудио-видео агенти
Екипът Qwen на Alibaba представи Qwen3.8-Omni-Flash — омнимодален модел, създаден да съчетава разбиране на аудио и видео, разсъждение и използване на инструменти. Той приема текст, изображения, аудио и видео, а генерира текстови отговори. Според екипа работният процес включва разбиране на съдържанието, планиране на задачата, изпълнение чрез инструменти и представяне на резултата.
Моделът се предлага като хоствана API услуга в QwenCloud, Alibaba Cloud Model Studio и Qwen Studio. При старта не са обявени отворени тегла, така че самостоятелното му хостване не е възможно. Контекстът е 1M токена; QwenCloud посочва максимум 991K входни и 131K изходни токена. Режимът на разсъждение е включен по подразбиране, а API поддържа извикване на функции, уеб търсене, структурирани изходи, кеширане и пакетни заявки.
При дълги видеа агентното възприемане избира важните сегменти чрез няколко последователни етапа, вместо да обработва целия файл еднакво. Qwen съобщава, че резултатът в OmniVideoBench се е повишил от 63,4 на 67,8, докато използваните токени са спаднали от 145 736 на 79 117 — приблизително с 45,7%. Обявената цена е $0,15 за 1M входни и $0,47 за 1M изходни токена. Qwen-MM-Plugins е публикуван под Apache-2.0 и добавя инструменти за мултимодални агентни среди.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.