千问把长视频理解、剪辑和整理笔记接成工作流

多模态 / Agent · 9/10 · 建议深挖

Qwen3.8-Omni-Flash 支持文本、图像、音频和视频输入，提供100万 token 上下文。官方这一轮演示的重点，是让模型带着目标处理素材：找片段、安排步骤、调用工具，再输出视频或文档。官方页面标注9月18日，未提供精确发布时间；本条按截稿附近的新发布收录，小时级窗口仍待确认。

一个有用的改进是按需查看长视频。模型先判断问题需要什么证据，再逐步定位片段。官方在 OmniVideoBench 上报告，接入 Agent 工作流后，准确率从63.4升至67.8，单次问题的 token 从约14.6万降至7.9万。这个结果来自指定工作流，不能理解为所有长视频都能省掉一半成本。

配套的 Qwen-MM-Plugins 提供视频转图文笔记、音画记忆、剪辑，以及把操作演示整理为 Skill 的能力。它们可以接入现有 Agent 工具，值得用自己的素材测试。不过，演示完成一段流程，不代表复杂项目都能无人照看地交付；本期没有进行实际调用。

也不必照单全收“全面领先”。官方表中，一些 Agent 任务表现较好，另一些仍低于 Gemini；各榜单使用的工具框架也不同。音视频价格降幅有分辨率、抽帧和输入成本的特定计算条件，不等于成片总成本同步下降。另一个新项目 Qwen-Live Harness 的仓库暂未能访问，本期只提供已核验可访问的插件入口。