千問は18日に新世代のネイティブ全モーダルモデルQwen3.8-Omni-Flashをリリースし、テキスト、画像、音声および動画の入力と1Mの長文コンテキストをサポートしており、すでに千問AIプラットフォームで体験可能である。このモデルは、これまでのプログラミング、テキスト知識作業およびGUI操作などの汎用的なAgentic機能に加え、音声および動画をコアとしたAgentic応用を強化し、動画編集、MV制作、映画制作および解説、音声および動画からグラフィック要約への変換、音声および動画での対話など、マルチモーダルコンテンツを統合的に処理するワークフローをカバーしている。

QQ20260918-112424.jpg

累計30項目の評価において、前バージョンのQwen3.5-Omni-Plusと比較して平均スコアが26％以上向上した。音声・動画Agent、Codingおよび長期タスクにおいて、WildClawBench-MMは36.5ポイント上昇し、AgenticVBenchは22.3ポイント上昇し、UniClawBenchは69.6ポイントを記録した。基本能力では、LongAudioSpanが8.3ポイント上昇し、OmniVideoBenchが9.6ポイント上昇し、OmniCap-IFのCSR/ISRはそれぞれ8.5/14.1ポイント上昇し、AliMeetingのDER/cpWERは88.11/89.61から3.35/17.18に低下した。

QQ20260918-112432.jpg

公式には、その音声・動画能力はGemini3.8Flashに近づき、音声能力全体は後者を上回っているとされる。APIの時間あたりの音声入力料金は98％以上低下し、音声・動画入力料金は93％以上低下している。

長期ワークフローとリアルタイムインタラクションをサポートするために、千問はQwen-MM-Pluginsを拡張し、Qwen-Live Harnessをオープンソース化した。Agentic Understandingモードでは、OmniVideoBenchの正確性は63.4から67.8へと上昇し、Token消費量は145,736から79,117へと減少し、約45.7％の減少となった。

QQ20260918-112441.jpg

チームはモデルを研究開発プロセス自体にも導入した。12時間以内に評価データセットの選定、データ構築および4ラウンドのイテレーションを行い、累計で3,413件のトレーニングデータを構築し、Qwen2.5-Omni-3Bの四川語認識文字誤り率を25.79％から15.30％に低下させ、相対的に約40.7％の減少となった。同時にリリースされたRealtimeバージョンは、最初に「音を聞いて場所を特定する」機能をサポートする全モーダルの大規模モデルである。