标题Qwen3.8-Omni: Towards Native Omni-Modal Agents来源arXiv, 2609.25611v1️文章简介研究问题现有的多模态模型大多只擅长“看”和“听”但在处理长视频理解、复杂推理以及需要长期规划的自动化任务如自动剪辑视频、生成音乐MV时表现不足如何解决这一短板主要贡献论文发布了Qwen3.8-Omni-Flash这是一个原生支持文本、图像、音频和视频的全能智能体模型具备百万级上下文窗口能进行长程规划和推理并配套开源了实时交互框架和多模态插件。重点思路采用原生多模态协同训练策略在保持强大文本能力的同时将推理和智能体能力迁移到音视频任务中使用稀疏混合专家MoE架构提升效率。引入空间音频编码器不仅能听懂内容还能感知声音的方向和空间位置结合视觉编码器实现真正的视听融合理解。将上下文窗口扩展至一百万token支持超长视频和音频的处理并通过信息抽象模块如视频转笔记降低处理成本实现按需加载证据。采用多教师蒸馏和强化学习进行后训练整合不同领域的专家能力解决跨模态干扰问题提升在真实交互中的稳定性和指令遵循能力。发布Qwen-MM-Plugins和Qwen-Live-Harness两个开源框架前者帮助现有智能体接入音视频能力后者支持低延迟的实时多模态交互和异步工具调用。分析总结在多项基准测试中该模型在音频推理、视听理解和长程智能体执行任务上的平均得分比上一代提升了25%以上性能显著优于同类竞品。通过智能体模式主动检索证据模型在长视频理解任务上的准确率大幅提升同时每个查询的token消耗量减少了约45%实现了精度与效率的双赢。在实时交互方面模型能在保持极低延迟首字音频延迟约1秒的同时提供高质量的语音回复和声音克隆效果自然度和稳定性处于行业领先水平。在实际应用场景中模型能够独立完成从音乐分析到MV生成的全流程或自动将长会议视频转化为结构化纪要和行动项证明了其在生产力工作流中的实用价值。个人观点论文打破了传统多模态模型仅作为“感知器”的局限真正赋予了模型“行动力”。它不再只是被动地描述视频内容而是能像人类助理一样主动规划、调用工具、处理长达数小时的音视频素材并完成复杂的创作或分析任务。