Команда Qwen выпустила Qwen3.8-Omni-Flash — новую мультимодальную модель для работы с текстом, изображениями, аудио и видео. Она поддерживает контекст до 1 млн токенов и умеет не только анализировать контент, но и планировать задачи, вызывать инструменты и выполнять многошаговые действия.
Основной упор сделали на длинные аудио- и видеозаписи. Модель может разбирать встречи, искать нужные фрагменты в многочасовых видео, делать конспекты, переводить ролики, собирать музыкальные клипы и готовить видео с комментариями. В агентном режиме на OmniVideoBench ей удалось сократить расход токенов примерно на 46% и при этом повысить точность.
Также вышла версия Qwen3.8-Omni-Flash-Realtime для общения в реальном времени через камеру и микрофон. Она умеет работать со звуком и изображением одновременно, вызывать инструменты и выполнять задачи по ходу разговора. Qwen заявляет, что новая модель заметно дешевле предыдущей версии при работе с аудио и видео.
