A equipe Qwen, da Alibaba, lançou o Qwen3.8-Omni-Flash, descrito como o primeiro modelo omni-modal da companhia construído em torno de capacidades agentivas. Ele aceita texto, imagem, áudio e vídeo como entrada e devolve texto. Compreensão de áudio e vídeo, raciocínio e uso de ferramentas convivem em um único modelo — o fluxo de trabalho proposto é simples: entender o conteúdo, planejar a tarefa, executar com ferramentas e entregar o resultado.
O que é o Qwen3.8-Omni-Flash
O modelo é construído sobre a arquitetura Qwen3.8-Flash-Next, cujo modelo base chegou com pesos abertos em agosto de 2026. O contexto é de 1 milhão de tokens (991 mil de entrada e 131 mil de saída, segundo a QwenCloud), com limite de raciocínio de 262 mil tokens. A saída é apenas texto — para fala gerada, a documentação aponta para o Qwen3.5-Omni.
O “pensar” vem ativado por padrão, com reasoning_effort em “xhigh”; configurá-lo como “none” desativa o raciocínio. A API segue os protocolos DashScope e OpenAI, funcionando com Chat Completions e Responses API, além de function calling, busca na web, saídas estruturadas, cache de contexto e chamadas em lote.
Por ora, é só API: o modelo está disponível na QwenCloud, no Alibaba Cloud Model Studio e no Qwen Studio. Nenhum peso aberto foi anunciado no lançamento, então self-hosting não é uma opção.
Percepção agentiva para vídeo longo
A maioria dos modelos de vídeo lê um arquivo longo do início ao fim, mesmo quando a resposta está em três minutos de gravação. A equipe descreve um caminho diferente: o agente parte da pergunta, decide o que assistir e ouvir e reúne evidências em rodadas de granularidade crescente. Computação e tokens vão para os trechos que importam.
No benchmark OmniVideoBench, a precisão sobe de 63,4 para 67,8, enquanto o uso de tokens cai de 145.736 para 79.117 — cerca de 45,7% menos tokens.
Números reportados (todos da Qwen)
Em 29 avaliações, a pontuação média melhora mais de 25% sobre o Qwen3.5-Omni-Plus. Destaques: WildClawBench-MM sobe 36,5 pontos; AgenticVBench sobe 22,3; UniClawBench chega a 69,6. A empresa afirma que o desempenho audiovisual fica próximo do Gemini 3.8 Flash, com desempenho geral de áudio acima dele.
Preços e limites
A QwenCloud lista US$ 0,15 por 1 milhão de tokens de entrada e US$ 0,47 por 1 milhão de tokens de saída. O custo de entrada de áudio cai mais de 98% por hora em relação ao Qwen3.5-Omni-Plus. Entre os limites: vídeos de até 2 horas e 2 GB por URL, áudio de até 3 horas, entrada de áudio em 113 idiomas e disponibilidade em seis regiões (Pequim, Singapura, Hong Kong, Tóquio, Frankfurt e Virgínia).
A companhia também abriu o código de dois projetos de apoio sob Apache-2.0: o Qwen-MM-Plugins, que torna qualquer harness de agentes multimodal-nativo (com instalador para Claude Code, Codex, Gemini CLI e outros), e o Qwen-Live Harness.
Por que isso importa
Modelos que combinam percepção de áudio e vídeo com uso de ferramentas são a base dos próximos agentes que assistem, ouvem e agem. A queda de quase metade no consumo de tokens para vídeo longo indica que a competição está migrando da “força bruta de contexto” para a eficiência seletiva — e o preço agressivo pressiona os concorrentes ocidentais.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
