自从用了 Qwen 的新模型，人都精神了。

点击上方蓝字关注我，加个🌟标不迷路。

各位小伙伴们大家好，我是 cxuan。

昨天，一年一度的云栖大会开幕了，这次我也是荣幸受邀去参加了一下，感受了一场不一样氛围的大会。

先跟大家说一下这次云栖大会阿里在模型上的动作把。

大会放出来几个劲爆的消息，Qwen 4 马上就要来了。

Qwen4-Max

Qwen4-Flash & Qwen4-Plus

Qwen4-27B

尤其是 Qwen4-27B ，大家知道 Qwen3.8 27B 的模型能力就已经非常不错了，然而这次要发 Qwen4-27B，我很期待它在本地部署的效果。

除此之外，我前两天在某知名平台上收录的 Qwen-image-2.1 帖子也是幸运的爆了一下，然而 2.1 已经是下酒菜了，因为 Qwen-image 3.1 也马上就来了。

然而我早上看了一眼 Arena，Qwen-image-2.1 直接干到了开源图像第一。

这次端上来的，还有平头哥发布新一代训推一体 AI 芯片真武 V900，这是目前算力性能最强的中国自研 AI 芯片，可满足万亿级参数大模型的训练和推理需求。

这次大会，模型进步的一个核心逻辑是 RSI 开始初步进入训练、推理及芯片协同环节。

我之前一直关注的都是 Coding 、Image 赛道，然而这次大会，Qwen 发了一个 Qwen3.8-Omni-Flash，让我产生了兴趣，就像是不经意间的一瞥，然后产生了故事。因为这不是这次发布会首提的，在 9 月 18 日，Qwen3.8-Omni-Flash 就已经官宣了。

image-20260923051420817

Qwen3.8-Omni-Flash 是基于 Qwen3.8-Flash-Next 架构的，这是一个全模态的模型，面向长音视频理解、内容生产与编辑，声音、画面与时间信息联合处理，说白了，这个视频非常适合自媒体创作者。

也就是说，除了 Coding、Image 之外，它还能帮你搞音频和视频。

支持 1M 上下文、最长 1 小时音视频输入、以及 113 种语言及方言识别、36 种语言及方言生成。

下面来看一下详细测评。

image-20260923052322752

这张官方测评图的信息量很大，横向对比了包括上一代 Qwen3.5-Omni-Plus、Google 的 Gemini 3.8 Flash、Seed2.0-Lite 以及 Muse Spark 1.2 在内的几个主流多模态模型。

先看音视频 Agent。

WildClawBench-MM 上，Qwen3.8-Omni-Flash 拿到了 71.0 分，超过 Gemini 3.8 Flash 的 58.9 分；UniClawBench 是 69.6 对 69.0，基本打平。这意味着它已经从看懂视频、听懂声音，走到了调用工具、连续完成任务这一步。

再看基础的音视频理解。DailyOmni 上是 85.1 对 84.0，JointAVBench 上是 75.9 对 70.4，QIVD 上是 69.6 对 69.1。OmniVideoBench 里 Qwen 的 63.4 略低于 Gemini 的 65.2，OmniCap-IF 也只差 0.1 分。有输有赢，但整体已经处在同一档。

音频是 Qwen 更突出的一块。LongAudioSpan 上它以 82.7 超过 Gemini 的 79.3，SpotSoundBench 更是 67.2 对 39.7。长音频理解、声音定位和多人会议这些真实场景，都是它这次涨得比较明显的地方。

所以这张图能得出来一个结论：Qwen3.8-Omni-Flash 已经在多项权威音视频评测中可媲美最新的 Gemini 3.8 Flash，其中音频和音视频 Agent 甚至更有优势。

看完测评，我也实际上手体验了一下，看看体感如何。

对了，体验之前可以先装一下 Qwen-MM-Plugins 和 Qwen-Live Harness ，一起食用，效果更好。

image-20260923054221455

而且 Qwen-MM-Plugins 也是一个开源项目。

image-20260923061500055

它的安装也非常简单。

我先上传一条音乐片段，来让 Qwen3.8-Omni-Flash 分析一下。（这是截图）

一首光辉岁月送给大家

然后 Qwen3.8-Omni-Flash 给我分析出来了。

image-20260923065158909

image-20260923065212628

说实话，这个分析结果我看完人都精神了。

它完全不是那种泛泛而谈的套话，而是真正深入到了声学测量、乐理骨架和情感文本的每一个细节：

• 曲目与声学骨架精准对齐：模型不仅准确识别出了这是 1990 年《命运派对》里的《光辉岁月》，还把时长（303.75s）、速度（75 BPM 恒定）、调性（B 大调家族，Ab 借调带来的粗粝感）以及响度（-14.4 LUFS）测得清清楚楚，甚至按秒级画出了整首歌的能量起伏与结构地图；

• 词曲与人物情绪深度解构：把歌词切分为“他”（曼德拉/受压迫者）与“我”（宣言者）两个人物层级，精准还原了从唏嘘、承担、抱紧到诘问的情绪总轨迹，还分析了为什么 75 BPM 的行进步态能撑起致敬纪念碑式的庄重感；

• 最绝的是抓出了片源瑕疵：它甚至顺手分析了音频频谱，指出我上传的这个 mp3 文件有 8 kHz 硬截止，是早年 32-48 kbps 低码率再转手的件，擦片高频全丢了，反手就建议我换 CD 无损抓轨版……

这已经不仅仅是能听懂音乐了，它是真能像个专业音频工程师一样，把物理测量与艺术感拿捏得非常到位。

Qwen3.8-Omni-Flash 在支持的语种方面也很多，尤其是很多地方话，这个模型也能支持。

下面这个 case ，我给了 Qwen3.8-Omni-Flash 一个我之前做的短视频片子，然后让它根据视频片子给我梳理出来一份冰岛的景点和旅游攻略出来。

image-20260923083538090

任务执行完成了，但是输出的是 markdown 格式。

image-20260923095700176

我想让他直接生成一份 HTML 格式，做完之后直接把链接发出来，于是我让 Qoder 执行了这个任务。

image-20260923120215690

给大家看下效果，我觉得做的非常好。

截取了两帧我觉得很不错的效果图

这完全颠覆了传统的多模态使用体验。

核心有这么几点感触：

1. 变态级的地貌反推与细节还原：我给的这段 30 秒视频既没有字幕、没有旁白，也没有任何路牌。Qwen3.8-Omni-Flash 完全是硬生生靠画面里的柱状玄武岩、弧形苔藓岩壁和冰河浮冰，把黑沙滩、斯科加瀑布、杰古沙龙冰河湖等 6 个场景全部识别了出来，且完全符合南岸 1 号公路的标准自驾顺序。更绝的是，它还敏锐指出了画面里“绿苔原+极光同框”在现实中季节冲突是剪辑拼贴的，同时严肃提醒了踩苔藓与黑沙滩暗涌偷袭浪（Sneaker waves）的安全隐患，专业程度甚至超过了很多旅游博主；

2. 多模态大模型 + Agent 闭环交付：以前我们用多模态，最多只能在聊天框里吐出一堆 Markdown 文字。但这次结合了 Qwen-MM-Plugins 与 Qoder，直接从音视频解析无缝衔接到了代码工程和网页渲染，一气呵成做出了一个电影质感极强的自驾攻略网站；

3. 自媒体与内容创作者的效率核武器：以前做这样一份带分镜解析、置信度标注、7天日程规划的攻略站，从扒片、查资料、做排版到开发上线，起码得折腾大半天。现在从丢进视频到最终高品质站点发布，几分钟搞定。

又到了大家都关心的价格问题上。

先看官方给出的基础调用定价：

• 输入：¥0.8 / 1M tokens（如果命中了上下文缓存，更是直接低到 ¥0.1 / 1M tokens，基本等于白送）；

• 输出：¥2.7 / 1M tokens；

• 规格上限：1M 上下文，最大单次输出 131K，最大思维链高达 262K。

image-20260923051852581

光看数字可能还没太强烈的体感，如果结合前面测评图底部的音视频时长单价横向对比一下：

• 带音频的视频输入：Qwen 只要 1.06 元/小时，而 Gemini 3.8 Flash 是 5.66 元/小时（贵了 5 倍多），上一代 Plus 更是高达 16.30 元/小时；

• 纯音频输入：Qwen 直接干到了 0.02 元/小时！没错，输入整整一小时音频只要 2 分钱，对比之下 Gemini 3.8 Flash 是 0.58 元/小时（贵了将近 30 倍）；

• 文本输出：Qwen 是 2.70 元/M tokens，Gemini 3.8 Flash 则高达 25.20 元/M tokens，足足差了接近一个数量级。

对于经常要做大批量音视频剪辑、播客听写、长会议纪要的个人开发者或自媒体创作者来说，这个价格是挺良心了。

而且大家可以在 Qwen Studio 上可以免费体验。

image-20260923052158549

总之，这是一个贼有意思的模型，你可以拿它来做很多事。

我同时也很期待 Qwen 在全模态方向的进展。

如果这篇文章你觉得还不错，谢谢你的三连，也希望可以转发给同样关注 AI / 科技 / 开发效率的朋友。 我是 cxuan，我们下期再见。