Alibaba Cloud uvedl Qwen3.8-Omni-Flash, model pro práci s textem, obrazem, zvukem a videem. API přijímá všechny čtyři typy vstupů, odpověď ale vrací výhradně jako text. Kontextové okno dosahuje jednoho milionu tokenů. Model tak míří na rozbory dlouhých nahrávek, videí a dalších multimediálních materiálů.
Dokumentace uvádí také volání vlastních nástrojů, webové vyhledávání a nastavitelné úsilí při uvažování; výchozí režim uvažování je zapnutý. Qwen3.8-Omni-Flash dokáže zpracovat prostorový zvuk až ve čtyřech kanálech, pokud ho volání API výslovně povolí. Alibaba Cloud jej provozuje přes Model Studio v několika regionech včetně Frankfurtu. Pro vývojáře je podstatné hlavně to, že hlas a obraz může model analyzovat v jednom požadavku, aniž by je museli předem převést na text.
Qwen ve svém srovnání s Qwen3.5-Omni-Plus uvádí průměrné zlepšení přes 26 % ve třiceti testech. Zveřejněná čísla zahrnují i výsledky pro agentní práci s audiem a videem, programování a dlouhé úlohy. Jde o měření výrobce, ne o nezávisle zopakovaný benchmark. Základní verze proto dává smysl hlavně tam, kde výstupem má být analýza, přepis nebo rozhodnutí nad multimediálním vstupem, nikoli mluvená odpověď.
Zdroje:
