Alibaba представила Qwen3.8-Omni-Flash для аудиовидеозадач
Команда Qwen компании Alibaba выпустила Qwen3.8-Omni-Flash — омнимодальную модель, объединяющую понимание аудио и видео, рассуждение и работу с инструментами. Она принимает текст, изображения, аудио и видео, а отвечает в текстовом формате. По описанию команды, модель сначала анализирует содержимое, затем планирует задачу, выполняет необходимые действия с помощью инструментов и выдает результат.
Модель доступна через размещенные API в QwenCloud, Alibaba Cloud Model Studio и Qwen Studio. Открытые веса при запуске не объявлялись, поэтому самостоятельное развертывание пока невозможно. Контекстное окно составляет 1M токенов; QwenCloud указывает лимиты в 991K входных и 131K выходных токенов. Рассуждение включено по умолчанию. Также поддерживаются вызов функций, веб-поиск, структурированный вывод, кеширование контекста и пакетные запросы.
Для длинных видео агентный механизм восприятия выбирает значимые фрагменты в несколько этапов, а не обрабатывает весь файл с одинаковой детализацией. По данным Qwen, показатель на OmniVideoBench вырос с 63,4 до 67,8, а расход токенов снизился со 145 736 до 79 117 — примерно на 45,7%. Цена заявлена на уровне $0,15 за 1M входных и $0,47 за 1M выходных токенов. Набор Qwen-MM-Plugins выпущен по лицензии Apache-2.0 и расширяет мультимодальные агентные среды.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.