9月18日，千问宣布新一代原生全模态模型Qwen3.8-Omni-Flash上线千问AI平台，支持文本、图像、音频和视频输入，以及百万Token长上下文，重点提升面向实际工作场景的智能体能力，可结合工具完成视频剪辑、短剧翻译、电影解说和音乐视频制作等任务。

据官方介绍，该模型能够贯穿素材理解、任务规划、工具执行与结果交付等环节。在会议场景中，模型原生支持最长一小时的音视频输入，可结合人物画面与语音，完成说话人区分、内容转录及身份对应，生成会议纪要和待办事项，并通过工具调用进一步执行任务。

针对长视频处理成本，模型可根据问题主动定位相关片段，分轮获取和核对信息。官方公布的OmniVideoBench实验显示，引入智能体工作流后，准确率由63.4%升至67.8%，Token消耗由约14.6万降至约7.9万，减少约45.7%。官方同时表示，其API每小时音频输入价格降幅超过98%，每小时音视频输入价格降幅超过93%。

配套工具方面，千问扩展了Qwen-MM-Plugins，新增视频转图文笔记工具Video2Note，以及可将操作演示转化为可复用智能体技能的Omni Skill Creator，并开源实时全模态交互运行框架Qwen-Live Harness。

此次还公布了面向实时交互的Qwen3.8-Omni-Flash-Realtime，可在接收音视频流的同时感知、响应并调用工具，应用方向包括口语陪练、智能客服和空间声音定位。

此外，千问披露了一项模型优化实验。在12小时的任务期限内，Qwen3.8-Omni-Flash通过构建训练数据、开展四轮实验等步骤，将Qwen2.5-Omni-3B在指定四川话识别评测集上的字符错误率由25.79%降至15.30%，相对下降约40.7%