让 AI 看一段会议视频，既听懂发言，也结合画面做总结，过去往往要先转字幕、再拆开处理。Qwen3.8 Omni Flash 提供了一个统一入口：它能直接接收文字、图像、音频和视频，联合理解声音与画面，最后输出文字。
据 OpenRouter 的模型页面，这是 Qwen 首次在一款 Omni 模型——统一处理多种媒介的系统——中同时加入原生音视频理解与 Agent 能力。后者指模型不只回答问题，还能调用工具、按 JSON 格式输出结果，并参与 GUI 交互，也就是理解屏幕状态后决定点击或输入。它还支持双声道和四声道空间音频，可区分不同方向或通道里的声音。
这让长视频分析、视听对话、视频制作流程和界面操作多了一个可直接接入的模型。页面标注其上下文窗口为 100 万 token，输入、输出每百万 token 分别为 0.15 和 0.47 美元；但材料没有提供独立基准测试，实际理解质量仍待更多验证。