Qwen3.8-Omni-Flash علی‌بابا هزینه‌های هوش مصنوعی صوتی-تصویری را بیش از ۹۰٪ کاهش می‌دهد

تیم Qwen علی‌بابا در ۱۸ سپتامبر Qwen3.8-Omni-Flash را منتشر کرد، مدلی چندوجهی بومی که متن، تصویر، صدا و ویدیو را در یک جریان کاری یکپارچه واحد مدیریت می‌کند، به‌جای هدایت انواع رسانه‌های مختلف از طریق مدل‌های تخصصی جداگانه. این نسخه بلافاصله از طریق Qwen Chat، QwenCloud و API استودیوی مدل در دسترس است.

«چندوجهی بومی» واقعاً چه چیزی را تغییر می‌دهد

بسیاری از سیستم‌های هوش مصنوعی چندوجهی با زنجیر کردن مدل‌های جداگانه کار می‌کنند: یک مدل بینایی تصویری را توصیف می‌کند، یک مدل رونویسی صدا را به متن تبدیل می‌کند و یک مدل زبانی روی خروجی ترکیبی استدلال می‌کند. در عوض Qwen3.8-Omni-Flash همه این انواع ورودی را در یک مرحله واحد مدل پردازش می‌کند.

این مدل از پنجره زمینه ۱ میلیون توکنی پشتیبانی می‌کند و آن را در همان رده طولانی‌ترین مدل‌های زمینه‌دار موجود قرار می‌دهد، و حالت تفکر، فراخوانی ابزار و جستجوی وب را به‌عنوان قابلیت‌های بومی اضافه می‌کند.

اعداد محک و قیمت‌گذاری

علی‌بابا می‌گوید این مدل امتیاز میانگین خود را بیش از ۲۶٪ در ۳۰ ارزیابی نسبت به نسخه قبلی، Qwen3.5-Omni-Plus، بهبود بخشیده است، با بیشترین دستاوردها در وظایف عامل صوتی-تصویری، کدنویسی، مدیریت زمینه طولانی و تعامل چندوجهی بلادرنگ متمرکز است. از نظر قیمت‌گذاری، QwenCloud قیمت Qwen3.8-Omni-Flash را ۰.۱۵ دلار به ازای هر میلیون توکن ورودی و ۰.۴۷ دلار به ازای هر میلیون توکن خروجی اعلام کرده است.

دسترسی منطقه‌ای و شکاف وزن‌های باز

این مدل در مناطق پکن، سنگاپور، هنگ‌کنگ، توکیو، فرانکفورت و ویرجینیا در دسترس است. قابل‌توجه است که علی‌بابا در زمان راه‌اندازی، وزن‌های باز این مدل را منتشر نکرده است، به این معنی که میزبانی شخصی گزینه‌ای نیست — انحرافی از استراتژی وزن باز که به چندین مدل قبلی Qwen علی‌بابا کمک کرد در میان توسعه‌دهندگان پذیرش پیدا کنند.