千问于18日上线新一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频与视频输入及1M 长上下文，已在千问 AI 平台开放体验。该模型在此前编程、文本知识工作与 GUI 操作等通用 Agentic 能力之上，着重拓展以音视频为核心的 Agentic 应用，覆盖视频剪辑、MV 创作、影视制作与解说、音视频转图文摘要及音视频对话等需综合处理多模态内容的工作流。
在累计30项评测中，其平均得分较上一代 Qwen3.5-Omni-Plus 提升超26%。音视频 Agent、Coding 与长程任务方面，WildClawBench-MM 提升36.5分，AgenticVBench 提升22.3分，UniClawBench 取得69.6分;基础能力上，LongAudioSpan 提升8.3分，OmniVideoBench 提升9.6分，OmniCap-IF 的 CSR/ISR 分别提升8.5/14.1分，AliMeeting 的 DER/cpWER 由88.11/89.61降至3.35/17.18。
官方称其音视频能力接近 Gemini3.8Flash，音频能力整体超过后者;API 每小时音频输入价格降幅超98%，音视频输入价格降幅超93%。
为支撑长程工作流与实时交互，千问扩展了 Qwen-MM-Plugins 并开源 Qwen-Live Harness。在 Agentic Understanding 模式下，OmniVideoBench 准确率由63.4升至67.8，Token 消耗从145，736降至79，117，降幅约45.7%。
团队还将模型推向研发环节本身:12小时内自主完成评测集选择、数据构建与4轮迭代，累计构建3，413条训练数据，将 Qwen2.5-Omni-3B 的四川话识别字符错误率从25.79% 降至15.30%，相对下降约40.7%。同步推出的 Realtime 版本为首个支持"听声辨位"的全模态大模型。
阿里巴巴Qwen团队发布原生全模态模型Qwen3.8-Omni-Flash，支持文本、图像、音频、视频四类输入，上下文窗口达100万Token，29项基准较上代平均提升超25%。其最大变化在于处理方式：不再简单拼接语音、图像识别，而是从模型层原生融合多模态理解与AI智能体能力。
字节跳动大模型部门Seed完成组织调整：Seed Foundation Model新设四个一级部门，负责人向吴永辉汇报。调整整合预训练数据、强化学习及模型后训练资源，B端与C端产品模型能力分开布局。其中Pretrain Data由李成刚负责，统一整合文本、编程、视觉、语音等预训练数据团队，支撑新Omni模型。
阿里云在2026年5月20日峰会上宣布全面升级至“智能体时代”技术体系，重构芯片、云平台、模型到推理的完整链路，从服务人类转向支撑智能体全天候运行的“AI工厂”。核心底座包括平头哥真武M890芯片及超节点服务器，实现训推一体化，为海量智能体提供高效、持续的计算支持。
小红书开源Relax强化学习训练引擎，专为多模态与智能体场景设计，支持文字、图像、音频、视频统一处理，精准契合AI行业发展趋势。
MiniMax开源其自我迭代模型M2.7，华为昇腾AI同日宣布完成0Day适配，开发者可在昇腾Atlas系列产品上无缝部署。该模型核心突破在于其智能体能力，通过将早期版本引导为研究型Agent，使模型具备自我进化与迭代循环功能。
关注 “悠AI” 更多干货技巧行业动态
相关文章
