Qwen hat Qwen3.8-Omni-Flash vorgestellt, ein neues multimodales KI-Modell für Agenten, das Audio und Video verarbeitet. Es erreicht auf Benchmarks für Audio-Video-Aufgaben fast die Leistung von Googles Gemini 3.8 Flash, bietet jedoch deutlich günstigere API-Preise.
Funktionen und Leistung
Qwen3.8-Omni-Flash ist das erste multimodale Modell von Qwen, das speziell für den Einsatz in KI-Agenten konzipiert wurde. Es kann Audio- und Videodaten gemeinsam verarbeiten, eigenständig Schlussfolgerungen ziehen und Werkzeuge nutzen. Zu den Anwendungsmöglichkeiten gehören die Bearbeitung von Vlogs, die Übersetzung von Kurzvideos oder die Zusammenfassung von Filmen.
Das Modell verfügt über ein Kontextfenster von einer Million Tokens. Laut Qwen kommt es bei Audio-Video-Aufgaben dem Leistungsniveau von Gemini 3.8 Flash nahe.
Preisgestaltung im Vergleich
Die API-Kosten für Qwen3.8-Omni-Flash liegen bei 0,15 US-Dollar pro Million Input-Tokens und 0,47 US-Dollar pro Million Output-Tokens. Qwen schätzt die Kosten für Audio-Input auf unter 0,01 US-Dollar pro Stunde. Die Verarbeitung von 720p-Video mit Audio bei einem Frame pro Sekunde wird auf etwa 0,20 US-Dollar geschätzt, wobei Kosten für die Modellantwort nicht inbegriffen sind.
Zum Vergleich: Google Gemini 3.8 Flash berechnet zum Einführungspreis 0,75 US-Dollar für Input und 3,75 US-Dollar für Output pro Million Tokens. Diese Preise sollen sich am 1. Januar 2027 verdoppeln.
Verfügbarkeit und Erweiterungen
Das Modell ist über Qwen Studio, Qwen Cloud und die API zugänglich. Begleitende Open-Source-Erweiterungen ergänzen die Funktionalität:
- Qwen-MM-Plugins: Diese Plugins erweitern KI-Agenten wie Claude Code, Gemini CLI und Qwen Code um Funktionen wie Videobearbeitung, Spracherkennung, PDF-Video-Notizen und wiederverwendbare Workflows.
- Qwen-Live Harness: Ermöglicht Echtzeit-Interaktion mittels Kamera und Mikrofon.
Thema: Gemini. Quelle/Inspiration: The Decoder.