Qwen3.8-Omni：走向原生全模态智能体

论文提出 Qwen3.8-Omni-Flash，一个原生多模态 agentic 模型，相比以往偏重感知与交互的 omni 模型，显著提升多模态理解、推理和长程智能体任务表现。模型沿用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口扩展至一百万 token，并同步开源 Qwen-MM-Plugins 插件框架与 Qwen-Live-Harness 实时多模态框架。

此前 omni 模型主要强调感知与交互，而该模型把重心转向多模态理解、推理与长程任务，并通过原生多模态协同训练把文本域已有的 agentic 能力迁移到音频和视频任务，使多模态模型不再只是对话前端，而更接近可直接承担生产流程的智能体。

机制上采用原生多模态协同训练，在保持文本能力的同时将文本域习得的智能体能力迁移至音频、视频；架构继承 Qwen3.8-Next 的稀疏 MoE，并把上下文扩展到一百万 token，从而支撑长上下文多模态推理与长程规划。配套插件与 harness 用于弥补现有 agent 框架缺乏原生音视频支持的问题。

模型可作主智能体或专用子智能体嵌入生产流程，覆盖视频编辑、长音频与视频翻译、音乐条件化 MV 或电影生成、基于视频的笔记与全技能创建。开源插件框架和实时 harness 降低了团队搭建多模态 agent 的集成成本，但也把上下文与记忆管理、工具调用、子智能体委派变成系统级工程问题。

• 基于 Qwen-MM-Plugins 接入自有视频或音频编辑流水线，验证模型在既有工具链中的可替换性
• 围绕长音频与视频翻译搭建端到端服务，利用一百万 token 上下文处理整段素材
• 基于 Qwen-Live-Harness 试做实时多模态交互原型，重点验证上下文与记忆管理开销

• Qwen3.8-Omni-Flash 与基线模型的具体评测指标和对比结果尚未在证据中给出
• 一百万 token 上下文在实际多模态任务中的延迟与推理成本未知
• Qwen-MM-Plugins 与 Qwen-Live-Harness 的成熟度、支持范围和维护主体尚不明确
• 模型权重与许可证的开放程度未被证据确认