アリババのQwenチームは、音声・映像の理解とツール利用のためのエージェント機能を中核に設計された初のオムニモーダルモデルであるQwen3.8-Omni-Flashをリリースしました。このモデルはテキスト、画像、音声、動画の入力を受け取り、テキスト出力を返すもので、1Mトークンのコンテキストウィンドウとネイティブな関数呼び出し機能を備えています。

  • Qwen3.8-Flash-Nextアーキテクチャに基づいて構築され、991Kの最大入力トークンと131Kの最大出力トークンを持つ1Mトークンのコンテキストを提供します。
  • 長時間動画に対してエージェント型知覚ワークフローを採用し、OmniVideoBenchでの精度を63.4から67.8に向上させると同時に、トークン使用量を45.7%削減しました。
  • Qwen3.5-Omni-Plusと比較して顕著なパフォーマンスの向上を示し、29件の評価において平均スコアが25%以上改善しました。
  • QwenCloud、アリババクラウドモデルスタジオ、Qwen Studioを通じてAPIで利用可能であり、料金は入力1Mトークンあたり0.15ドル、出力1Mトークンあたり0.47ドルです。
  • チームはマルチモーダルエージェントのハーンをサポートするため、Apache-2.0ライセンスの下でQwen-MM-Pluginsをオープンソース化しました。

今回のリリースは、長時間の音声および動画分析を含む複雑なエージェントワークフロー向けのホストソリューションを提供し、以前のモデルと比較して視覚・聴覚入力のコストが93%以上削減されたことが報告されています。