阿里发布了音视频多模态模型 Qwen3.8-Omni-Flash。它支持 1M 上下文，具备工具调用能力，并且大幅减少了 Token 消耗。

一个值得注意的细节是：这款模型仅提供 API，没有开放权重下载。

三个关键点

  • 1M 上下文：能一次处理更长的音视频内容
  • 工具调用：模型可以调用外部工具完成任务
  • Token 消耗大幅减少：直接关系到调用成本

音视频多模态加上长上下文，指向的是需要同时理解画面和声音、且素材体量不小的场景。Token 消耗降下来，意味着同样的任务花更少的钱。

只给 API 不给权重，说明阿里把这款模型放在云端服务的位置上，而不是让开发者自己部署。