Qwen3.8-Omni-Flash tańszy niż Gemini Flash od Google

Alibaba Qwen zaprezentowało nowy model multimodalny o nazwie Qwen3.8-Omni-Flash, który – jak twierdzi producent – dorównuje Gemini 3.8 Flash od Google w zadaniach audio-wideo, będąc przy tym znacznie tańszym w użyciu. To pierwszy model Qwen zbudowany specjalnie pod agentów AI, zdolny do samodzielnej analizy dźwięku i obrazu, wyciągania wniosków oraz korzystania z narzędzi do edycji vlogów, tłumaczenia krótkich filmów czy streszczania pełnych produkcji filmowych.

Model wyposażono w okno kontekstowe sięgające jednego miliona tokenów, co pozwala mu przetwarzać długie materiały wideo i audio bez utraty kontekstu. Qwen podaje, że w benchmarkach dotyczących zadań audio-wideo nowy model zbliża się do wyników Gemini 3.8 Flash – przy zauważalnie niższych kosztach operacyjnych.

Kluczowe wnioski

• Qwen3.8-Omni-Flash to pierwszy multimodalny model Qwen zaprojektowany pod agentów AI, przetwarzający jednocześnie audio i wideo.
• Okno kontekstowe modelu wynosi 1 milion tokenów, co umożliwia analizę długich materiałów.
• Ceny API: 0,15 dolara za milion tokenów wejściowych i 0,47 dolara za milion tokenów wyjściowych.
• Dla porównania Gemini 3.8 Flash kosztuje 0,75 dolara za wejście i 3,75 dolara za wyjście na milion tokenów w cenie wprowadzeniowej, a od 1 stycznia 2027 roku ceny te mają się podwoić.
• Model jest dostępny przez Qwen Studio, Qwen Cloud oraz API, wraz z otwartoźródłowymi wtyczkami Qwen-MM-Plugins.

Znacząca różnica w cenach

Największym argumentem sprzedażowym Qwen3.8-Omni-Flash wydaje się być cena. Firma szacuje, że przetwarzanie godziny nagrania audio kosztuje mniej niż 1 cent, a analiza wideo w rozdzielczości 720p z dźwiękiem, przy jednej klatce na sekundę, to koszt rzędu 0,20 dolara – bez uwzględnienia kosztów wygenerowanej odpowiedzi.

Zestawiając te liczby z ofertą Google, różnica jest wyraźna. Gemini 3.8 Flash w cenie wprowadzeniowej pobiera 0,75 dolara za milion tokenów wejściowych oraz 3,75 dolara za milion tokenów wyjściowych. Google zapowiedziało już, że stawki te ulegną podwojeniu od 1 stycznia 2027 roku, co jeszcze bardziej powiększy przewagę cenową modelu Qwen w miarę zbliżania się tego terminu.

Dla firm i deweloperów budujących aplikacje oparte na analizie treści audio-wideo – jak automatyczne napisy, streszczenia nagrań czy monitoring materiałów wideo w dużej skali – różnica w kosztach przy dużej liczbie zapytań może okazać się decydująca przy wyborze dostawcy.

Narzędzia dla agentów i praca w czasie rzeczywistym

Qwen3.8-Omni-Flash nie jest samodzielnym modelem odpowiadającym na zapytania – to element szerszego ekosystemu narzędzi dla agentów AI. Otwartoźródłowe wtyczki Qwen-MM-Plugins dodają funkcje takie jak edycja wideo, rozpoznawanie mówiących, tworzenie notatek z materiałów wideo w formacie PDF oraz gotowe, powtarzalne workflowy. Wtyczki te można zintegrować z popularnymi środowiskami agentowymi, w tym z Claude Code, Gemini CLI oraz Qwen Code – co wskazuje na ambicję Qwen, by model funkcjonował jako uniwersalny komponent w różnych stackach narzędzi programistycznych, niezależnie od dostawcy.

Dodatkowo Qwen udostępnia Qwen-Live Harness – rozwiązanie umożliwiające interakcję z modelem w czasie rzeczywistym za pomocą kamery i mikrofonu. To otwiera drogę do zastosowań takich jak asystenci działający na żywo podczas nagrań, transmisji czy spotkań, gdzie model musi analizować obraz i dźwięk na bieżąco, a nie w ramach wcześniej przygotowanego pliku.

Konkurencja na rynku modeli multimodalnych

Premiera Qwen3.8-Omni-Flash wpisuje się w trwającą rywalizację między chińskimi i amerykańskimi dostawcami modeli AI w segmencie multimodalnym. Google z Gemini Flash od dawna pozycjonuje się jako lider w przetwarzaniu audio, wideo i tekstu w jednym modelu, oferując go jako opłacalną alternatywę dla droższych, flagowych wersji. Qwen, stawiając bezpośrednio na porównanie z Gemini Flash i publikując konkretne dane cenowe, sygnalizuje chęć rywalizacji nie tylko wydajnością, ale przede wszystkim kosztem dostępu do porównywalnych możliwości.

Dla firm rozwijających agentów AI wykorzystujących dane multimodalne – od automatyzacji produkcji treści wideo do systemów monitorujących nagrania w czasie rzeczywistym – taka konkurencja cenowa może w praktyce oznaczać istotne obniżenie kosztów wdrożeń na dużą skalę, zwłaszcza w projektach przetwarzających duże wolumeny materiałów audio-wideo.

Podsumowanie

Qwen3.8-Omni-Flash pokazuje, że Alibaba stawia na agresywną strategię cenową w segmencie modeli multimodalnych, jednocześnie deklarując zbliżoną skuteczność do Gemini 3.8 Flash w zadaniach audio-wideo. Dostępność modelu przez Qwen Studio, Qwen Cloud i API, wraz z otwartymi wtyczkami dla agentów, sugeruje, że firma stawia na budowanie całego ekosystemu narzędzi wokół tego modelu, a nie jedynie na sam produkt.