Alibaba vừa ra mắt Qwen 3.8 Omni Flash - model omnimal thế hệ tiếp theo hỗ trợ đầu vào văn bản, hình ảnh, âm thanh và video với cửa sổ ngữ cảnh 1 triệu token. Đây không chỉ là model đa phương thức mới, mà là sự chuyển hướng rõ ràng: từ việc mô tả nội dung audio-video sang lập kế hoạch, gọi công cụ và hoàn thành công việc sáng tạo.

Điểm nổi bật về hiệu suất và giá

Trên 29 bài đánh giá, Qwen 3.8 Omni Flash cải thiện điểm trung bình hơn 25% so với Qwen 3.5 Omni Plus. Đặc biệt, giá API đầu vào audio giảm hơn 98% và audio-video giảm hơn 93% mỗi giờ. Đây là mức giảm chi phí thay đổi hoàn toàn bài toán kinh tế cho các ứng dụng always-on như trợ lý giọng nói thời gian thực.

Về nhận dạng giọng nói nhiều người nói, model đạt kết quả ấn tượng trên AliMeeting: 3,4% DER và 17,2% cpWER, so với 72,6% và 53,1% của Gemini 3.8 Flash.

Agentic Understanding: tìm kiếm video thay vì xem toàn bộ

Tính năng kỹ thuật đáng chú ý nhất là chế độ Agentic Long-Form Audio-Visual Understanding. Thay vì xử lý toàn bộ video nhiều giờ từ đầu đến cuối, model bắt đầu từ câu hỏi của người dùng, tự quyết định xem và nghe phần nào, thu thập bằng chứng qua nhiều vòng tinh chỉnh.

Trên OmniVideoBench, cách tiếp cận này nâng độ chính xác từ 63,4% lên 67,8% đồng thời giảm lượng token tiêu thụ từ 145.736 xuống 79.117 - giảm khoảng 45,7%. Nếu kết quả này được kiểm chứng độc lập, đây là minh chứng cho thấy thay đổi cách model tìm kiếm thông tin có thể hiệu quả hơn việc tăng cường xử lý.

Từ hiểu sang hành động

Alibaba mô tả Qwen 3.8 Omni Flash là sự chuyển đổi từ “nhận thức nội dung đa phương thức” sang “lập kế hoạch nhiệm vụ, gọi công cụ và hoàn thành công việc sáng tạo”. Các demo cụ thể minh họa điều này: Music2MV phân tích nhịp điệu, mood và lời bài hát để lập kế hoạch toàn bộ video âm nhạc; quy trình dịch thuật nhận diện giọng nói đa người, dịch, clone giọng và lồng tiếng trong một luồng duy nhất.

Đáng chú ý, Alibaba dùng chính Qwen 3.8 Omni Flash để cải thiện model nhỏ hơn nhận diện giọng nói tiếng Tứ Xuyên. Model lớn tự chọn benchmark, thiết lập baseline, nghe audio mẫu lỗi, xây dựng 3.413 mẫu huấn luyện qua bốn vòng thử nghiệm, giảm tỷ lệ lỗi ký tự từ 25,79% xuống 15,30% trong chưa đầy 12 giờ - không có con người can thiệp.

Công cụ đi kèm

Hai công cụ mã nguồn mở ra mắt cùng model. Qwen-MM-Plugins là bộ plugin tích hợp vào các agent harness hiện có (Codex, Claude Code, Gemini CLI, OpenClaw) để thêm khả năng đa phương thức. Qwen-Live Harness là runtime thời gian thực cho tương tác liên tục, hỗ trợ phân công tác vụ, tương tác chủ động và quản lý bộ nhớ dài hạn.

Cần lưu ý rằng tất cả benchmark so sánh với Gemini 3.8 Flash và DeepSeek-V4-Flash đều do Alibaba tự đánh giá. Không có benchmark độc lập nào được công bố tại thời điểm ra mắt. Các ô trống trong bảng so sánh cũng cho thấy bảng đánh giá chưa hoàn chỉnh.