TL;DR
Qwen3.8-Omni-Flash ist das native omnimodale Modell von Alibaba Qwen für Text-, Bild-, Audio- und Videoverstehen, mit Text als Ausgabemodalität. Angekündigt am 18. September 2026, kombiniert es ein Kontextfenster von 1M Tokens, natives Audio-Video-Reasoning, anpassbares Denken, Funktionsaufrufe, Websuche, räumliches Audioverständnis und Toolnutzung.
Die wichtigste Änderung ist nicht nur besseres Videoverstehen. Qwen beschreibt das Modell als sein erstes omnimodales Modell, das um agentische Fähigkeiten herum gebaut ist: Es kann verstehen, was es sieht und hört, planen, was als Nächstes zu tun ist, Tools aufrufen und längere Aufgaben bewältigen, wie z. B. Vlog-Bearbeitung, Videoübersetzung, Produktion von Filmzusammenfassungen, Meetinganalyse und Multimediaforschung.
Zum Start meldete Qwen eine durchschnittliche Verbesserung von über 25% über 29 Evaluierungen gegenüber Qwen3.5-Omni-Plus. Dies sind herstellerseitig gemeldete Startresultate und keine unabhängigen Bewertungen.
Key Takeaways
- Native omnimodale Eingabe: Qwen3.8-Omni-Flash akzeptiert Text, Bild, Audio und Video, liefert derzeit jedoch Text zurück.
- Agentische Medien-Workflows: Es kann Medienverständnis mit Planung, Funktionsaufrufen und Websuche kombinieren.
- Langer Kontext und Audio-Tiefe: Das gehostete Modell bietet ein Kontextfenster von 1M Tokens und unterstützt mehrsprachiges, Stereo- und First-Order-Ambisonics-Audio.
- Herstellerseitig gemeldete Benchmark-Gewinne: Die größten Verbesserungen erscheinen bei multimodalen Agenten, Long-Audio-Verstehen, Sprecherdiarisierung und Audio-Grounding.
- Gehostete Verfügbarkeit: Das Modell ist über gehostete APIs verfügbar; Qwen-MM-Plugins ist separat als Open Source für multimodale Agent-Workflows verfügbar.
Entwickler können über einen einheitlichen API-Workflow auf die Qwen3.8-Omni-Flash API in CometAPI zugreifen.
What Is Qwen3.8-Omni-Flash?
Qwen3.8-Omni-Flash ist Qwens nächste Generation eines nativen omnimodalen Modells. Anstatt Audio oder Video nur als Vorverarbeitungsartefakte zu behandeln, schlussfolgert es innerhalb eines Workflows über Text, visuelle Frames, Sprache, Umgebungsgeräusche und zeitliche Zusammenhänge. Unterstützte Eingaben sind Text, Bilder, Audio und Video; die aktuelle Ausgabe ist Text.
Diese Ausgabedifferenzierung ist wichtig. Die offizielle Dokumentation von Alibaba Cloud positioniert Qwen3.8-Omni-Flash für multimodales Verständnis und Agentenausführung, während Anwendungsfälle mit Sprachausgabe weiterhin besser zu Qwen Omni-Varianten passen, die explizit generiertes Audio unterstützen.
Die Startpositionierung verschiebt sich von „Medien wahrnehmen“ hin zu „verstehen, planen, ausführen und liefern“. Das macht das Modell relevant für Videobearbeitung, Multimediaforschung, Meetinganalyse, Verarbeitung von Anleitungsvideos und andere Workflows, in denen das Modell etwas mit Medien tun muss, statt sie nur zusammenzufassen.
Qwen3.8-Omni-Flash specifications
Die untenstehende Spezifikationstabelle basiert auf den offiziellen Modellseiten von Alibaba Cloud und QwenCloud; Limits und Preise können je nach Region variieren und sollten vor Veröffentlichung oder Einsatz erneut geprüft werden.
| Specification | Qwen3.8-Omni-Flash — offizielle Modellseite |
|---|---|
| Developer | Alibaba Qwen |
| Release | 18. September 2026 |
| Model type | Natives omnimodales Modell |
| Input / output | Text, Bild, Audio, Video / Text |
| Context window | 1.000.000 Tokens |
| Maximum input | 991.808 Tokens normal; 983.616 Tokens im Thinking-Modus |
| Maximum output | 131.072 Tokens |
| Maximum reasoning allowance | Bis zu 262K Tokens auf QwenCloud |
| Thinking | Standardmäßig aktiviert; konfigurierbarer Denkaufwand |
| Tools and caching | Funktionsaufrufe, Websuche, impliziter Cache und Sitzungs-Cache |
| Audio | 113 Sprachen und Dialekte; Stereo und vierkanaliges FOA |
| API styles | Chat Completions und Responses |
| QwenCloud price | $0,15 Input, $0,47 Output und $0,016 impliziter Cache-Input pro 1M Tokens |
| Open weights | Zum Start für dieses Modell nicht angekündigt |
How Does Qwen3.8-Omni-Flash Work?
QwenCloud gibt an, dass Qwen3.8-Omni-Flash auf der Qwen3.8-Flash-Next-Architektur aufbaut. Das liefert einen architektonischen Kontext, aber die für Flash-Next veröffentlichten Parameterzahlen sollten nicht automatisch als exakte Parameterspezifikation des Omni-Modells dargestellt werden, sofern Qwen diese Abbildung nicht bestätigt.
Gated DeltaNet + Qwen Sparse Attention
Die Flash-Next-Basis kombiniert Gated DeltaNet mit Qwen Sparse Attention. Vereinfacht ausgedrückt komprimiert die rekurrente Komponente historische Informationen in einen kompakten Zustand, während Sparse Attention ausgewählten Langzeitkontext abruft, anstatt dichte Voll-Attention auf jedes Tokenpaar anzuwenden. Das ist besonders relevant für lange Audio- und Videoströme, bei denen die Sequenzlänge den Rechenaufwand dominieren kann.
Agentische Wahrnehmung statt statischer Wahrnehmung
Die größere Veränderung betrifft die Systemebene. Qwen sagt, das Modell könne lange Videos aktiv erkunden und sich auf relevante Momente konzentrieren, statt auf jedes Segment gleich viel Rechenleistung zu verwenden. Konzeptionell identifiziert der Agent, wo Evidenz wahrscheinlich ist, inspiziert diese Momente genauer, begründet dazu und entscheidet dann, welches Tool oder welche Operation als Nächstes erfolgen soll.
What Are the Main Qwen3.8-Omni-Flash Features?
Natives Audio-Video-Reasoning
Qwen3.8-Omni-Flash schlussfolgert gemeinsam über die visuellen und Audio-Ströme eines Videos. Das ist wichtig, wenn die Antwort von beiden Modalitäten abhängt: zu identifizieren, wer etwas gesagt hat, zu entscheiden, ob ein Geräusch vor oder nach einer Aktion auftrat, Musik oder Umgebungsgeräusche zu interpretieren oder gesprochene Anweisungen mit dem auf dem Bildschirm Gezeigten zu verbinden.
Multi-Speaker- und räumliches Audioverständnis
Die API unterstützt Mehrkanal-Audio, einschließlich zweikanaligem Stereo und vierkanaligem First-Order-Ambisonics. Die Erhaltung von Richtungsinformationen kann bei Meetinganalyse, verkörperten Agenten, aufgezeichneten Ereignissen, Umgebungen mit mehreren Sprechern und Audio-Grounding helfen.
Anpassbarer Denkaufwand
Denken ist standardmäßig aktiviert. Entwickler können den Denkaufwand konfigurieren, um Latenz und Tokenverbrauch gegenüber tieferem Reasoning für komplexe Multimediaaufgaben abzuwägen.
Funktionsaufrufe und Websuche
Funktionsaufrufe und Websuche sind zentral für die agentische Positionierung. Nach dem Verständnis einer Video-, Bild- oder Audiodatei kann das Modell strukturierte Argumente an ein externes Tool übergeben, zusätzliche Informationen abrufen oder einen Workflow außerhalb des Modells fortsetzen.
Qwen-MM-Plugins
Qwen veröffentlichte außerdem Qwen-MM-Plugins, ein Apache-2.0-Toolkit für nativ multimodale Agenten-Harnesses. Seine Workflows umfassen Videoproduktion, Video-zu-Notizen-Umwandlung, das Erlernen wiederverwendbarer Fähigkeiten aus Demonstrationsvideos und audiovisuelle Erinnerung.
How Good Is Qwen3.8-Omni-Flash on Benchmarks?
Is Qwen3.8-Omni-Flash Still Good at Text and Coding?
Qwens Startresultate deuten darauf hin, dass das Omni-Modell bei mehreren Coding- und Reasoning-Evaluierungen nah am verwandten Flash-Textmodell bleibt. Qwen meldet 92,6 auf LiveCodeBench v6, 63,3 auf SWE-bench Pro und 91,0 auf GPQA Diamond. Dies sind herstellerseitig gemeldete Ergebnisse unter Qwens Startsetup und sollten gegen die in der Produktion verwendeten Coding-Aufgaben und Agenten-Harnesses validiert werden.
Qwen berichtet von einer durchschnittlichen Verbesserung von mehr als 25% über 29 Evaluierungen gegenüber Qwen3.5-Omni-Plus. Die folgenden Tabellen fassen die offiziellen Start-Benchmark-Ergebnisse zusammen. Es handelt sich um Ergebnisse erster Hand, die zum Veröffentlichungszeitpunkt noch nicht unabhängig reproduziert wurden.
Bewertungsbedingungen: „Static“-Zeilen messen einen einzelnen Modelllauf unter Qwens Startsetup. Zeilen mit der Kennzeichnung „+ agent“ beinhalten ein umgebendes Agenten-Harness, Retrieval oder iterative Medieninspektion. Die offiziellen Startunterlagen sollten für Prompt-Templates, Sampling-Einstellungen, Medienvorverarbeitung und Harness-Versionen konsultiert werden; wo diese Details nicht offengelegt sind, ist das Ergebnis als herstellerseitig gemeldet und nicht als unabhängig reproduzierbar zu behandeln.
Die größere Bedeutung ist die Verschiebung vom multimodalen Verständnis zur multimodalen Ausführung. Frühere Pipelines transkribierten häufig Audio, sampelten Videoframes, sandten diese Artefakte an ein LLM, erzeugten eine Antwort und stützten sich dann für die eigentliche Aufgabe auf separate Anwendungslogik. Qwen3.8-Omni-Flash ist darauf ausgelegt, mehr von dieser Schleife in ein Agentensystem zu komprimieren.
Ein Medienproduktionsagent kann Filmmaterial und Audio inspizieren, bevor er Schnitte plant. Ein Meeting-Agent kann Sprecheridentität mit gesprochenem Inhalt und Präsentationsvisuals kombinieren. Ein Forschungsagent kann relevante Momente in Stunden an audiovisuellem Material lokalisieren und dann nach externem Kontext suchen. In dieser Rahmung werden Audio und Video zum Arbeitskontext für einen Agenten statt zu passiven Anhängen.
Audio-video agents
| Benchmark — offizielle Startquelle | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| WildClawBench-MM | 71,0 | 34,5 | 58,9 |
| UniClawBench | 69,6 | 67,1 | 69,0 |
| AgenticVBench | 36,8 | 14,5 | 45,0 |
| OmniGAIA | 74,0 | — | 78,6 |
| StreamingBench | 80,8 | 57,1 | 79,9 |
Der größte Generationssprung ist WildClawBench-MM, wo Qwen einen Anstieg von 34,5 auf 71,0 meldet. Auch AgenticVBench verbessert sich deutlich, während Gemini 3.8 Flash auf dieser Benchmark vorn bleibt. Das Muster ist daher kein universelles „ein Modell gewinnt alles“.
Audio-video understanding and reasoning
| Benchmark | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| OmniVideoBench | 63,4 | 53,8 | 65,2 |
| OmniVideoBench + Qwen Code agent | 67,8 | — | 65,2 |
| Video-MME-v2 | 65,0 | — | 71,0 |
| Video-MME-v2 + agent | 71,3 | — | 71,0 |
| LVOmniBench | 63,3 | — | 70,7 |
| LVOmniBench + agent | 73,6 | — | 70,7 |
| JointAVBench | 75,9 | — | 70,4 |
Die statischen Zeilen sind gemischt. Gemini führt mehrere konventionelle Video-Reasoning-Tests an, aber Qwens Ergebnis steigt oft innerhalb einer Agentenschleife. Diese Unterscheidung ist nur relevant, wenn die Produktionsanwendung vergleichbares Retrieval, Tools oder iterative Inspektion nutzt.
Audio and multi-speaker understanding
| Benchmark | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| LongAudioSpan | 82,7 | 74,4 | 79,3 |
| AliMeeting DER ↓ | 3,4 | 88,1 | 72,6 |
| AliMeeting cpWER ↓ | 17,2 | 89,6 | 53,1 |
| FLEURS-ASR WER ↓ | 9,3 | 7,2 | 7,9 |
| VoiceBench | 91,6 | 92,9 | 92,3 |
Die Meeting-Zeilen stechen heraus, während FLEURS-ASR und VoiceBench sich gegenüber dem Vorgänger nicht verbessern. Die Startresultate deuten daher auf ein reichhaltigeres Multi-Speaker-, räumliches und Long-Context-Audioverständnis hin, nicht auf einen einheitlichen Sieg in der Spracherkennung.
Qwen3.8-Omni-Flash vs Qwen3.5-Omni-Plus vs Gemini 3.8 Flash
Die Tabelle kombiniert Qwens offizielle Produktinformationen mit Googles offiziellen Gemini 3.8 Flash-Spezifikationen. Benchmark-Vergleiche bleiben Qwen-gesteuert und sollten nicht als neutrale Drittanbieter-Rankings behandelt werden.
| Dimension | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| Architecture | Qwen3.8-Flash-Next-Basis; exakte Omni-Parameterabbildung nicht offengelegt | Vorherige Qwen Omni-Generation | Google proprietäre Gemini-Architektur |
| Context window | 1M Tokens | Kleinere Einsatzlimits | 1.048.576 Input-Tokens |
| Reasoning | Anpassbarer Denkaufwand; Denken standardmäßig aktiviert | Kein äquivalenter Standard-Denken-Modus in der zitierten Bereitstellung | Niedrige, mittlere und hohe Denkstufen |
| Multimodal input | Text, Bild, Audio, Video | Text, Bild, Audio, Video | Text, Bild, Video, Audio und PDF |
| Output | Text | Text und unterstützte Sprach-Workflows | Text |
| Coding | Starke herstellerseitige Coding-Scores; nicht der Hauptdifferenziator | Nicht die Hauptpositionierung | Ausgelegt für Langhorizont-Software-Engineering und Agenten |
| API availability | Chat Completions und Responses; gehostete API | Gehostete Qwen APIs | Gemini API; allgemein verfügbar |
| Tools | Funktionsaufrufe und Websuche | Funktionsaufrufe und Websuche | Funktionsaufrufe, Such-Grounding, Codeausführung und weitere integrierte Tools |
| Published API pricing | QwenCloud: $0,15 Input / $0,47 Output pro 1M Tokens | Regions- und Endpunkt-abhängig | Google Einführungspreis: $0,75 Input / $3,75 Output pro 1M Tokens bis 31. Dezember 2026 |
| Best fit | Medienagenten und -analyse | Omni-Konversation und Sprachausgabe | Breite multimodale, Coding- und autonome Agenten-Workflows |
Qwen3.5-Omni-Plus bleibt relevant, wenn generierte Sprache erforderlich ist. Qwen3.8-Omni-Flash ist deutlicher um effizientes Audio-Video-Verstehen plus toolorientierte Ausführung optimiert.
Gegenüber Gemini 3.8 Flash ist Qwens Bewertung gemischt: Qwen3.8-Omni-Flash ist bei Audio, Multi-Speaker-Verarbeitung, Grounding und mehreren Agenten-Workflows konkurrenzfähig, während Gemini einige statische Video-Reasoning-Tests anführt. Der sinnvolle Vergleich ist workloadspezifisch.
Entwickler, die vereinheitlichten Zugriff evaluieren, können die Gemini 3.8 Flash API in CometAPI, die Qwen3.8-Flash API in CometAPI und die Qwen3.8-Flash-Next API in CometAPI außerhalb der Tabelle vergleichen, damit technische Quellenlinks und Produktzugangslinks getrennt bleiben.
Limitations of Qwen3.8-Omni-Flash
- Textausgabe-only: Es versteht Audio und Video, generiert seine Antworten jedoch nicht als Sprache.
- Gehostete Bereitstellung: Offene Gewichte wurden für Qwen3.8-Omni-Flash zum Start nicht angekündigt.
- Frische Benchmarks: Die Schlagzeilenvergleiche sind primär herstellerseitige Ergebnisse und benötigen unabhängige Replikation.
- Agenten-Harness-Effekte: Einige Scores beinhalten Retrieval, Tool-Umgebungen oder iterative Inspektion und sollten nicht mit reinen Modell-Only-Ergebnissen verwechselt werden.
- Workflow-abhängige Kosten: Lange Videos können weiterhin teuer werden, wenn die Anwendung große Segmente wiederholt neu verarbeitet, statt Retrieval, Caching oder gezielte Inspektion zu nutzen.
Who Should Use Qwen3.8-Omni-Flash?
Qwen3.8-Omni-Flash ist besonders interessant, wenn Audio oder Video Teil der Aufgabe selbst ist, statt ein Anhang, der nur zusammengefasst werden muss. Geeignete Anwendungsfälle umfassen Meeting-Intelligenz, Langform-Mediensuche, Videoübersetzungspipelines, Tutorial-zu-Notizen-Workflows, Medienproduktionsagenten und audiovisuelle Archive.
Für konventionellen Textchat kann ein dediziertes Flash-Textmodell einfacher bleiben. Für Anwendungen mit Sprachausgabe ist ein Omni-Modell mit expliziter Audiogenerierung möglicherweise besser geeignet. Für Workflows, die Sehen, Hören, Schlussfolgern und Handeln kombinieren, ist Qwen3.8-Omni-Flash die markantere Option im Qwen-Portfolio.
Conclusion
Qwen3.8-Omni-Flash lässt sich am besten als agentisches Audio-Video-Modell verstehen, nicht einfach als ein weiterer multimodaler Flash-Release. Sein 1M-Kontext, natives Audio-Video-Reasoning, Multi-Speaker- und räumliche Audio-Fähigkeiten, anpassbares Denken, Funktionsaufrufe, Suche und das Qwen-MM-Plugins-Ökosystem zielen alle auf denselben Übergang ab: ein KI-System von „Medien verstehen“ hin zu „mit Medien arbeiten“ zu führen.
Die Startdaten deuten auf eine substanzielle Generationsverbesserung gegenüber Qwen3.5-Omni-Plus hin, insbesondere in agentischen Workflows und komplexen Audioszenarien. Gegenüber Gemini 3.8 Flash fallen Qwens eigene Zahlen ausgewogener aus. Die wichtige Frage ist daher nicht, welches Modell eine Tabelle gewinnt, sondern welche Kombination aus Modell und Harness den Ziel-Workflow akkurat und wirtschaftlich abschließt.