Alibaba lanza Qwen3.8-Omni-Flash para analizar texto, imágenes, audio y vídeo

Alibaba Cloud ha lanzado Qwen3.8-Omni-Flash, un nuevo modelo de la familia Qwen orientado al análisis de audio y vídeo y a tareas multimodales. Admite texto, imágenes, audio y vídeo como entrada, genera texto y ofrece una ventana de contexto de un millón de tokens. También incorpora razonamiento, llamadas a herramientas y búsqueda web.

El modelo está disponible a través de Alibaba Cloud Model Studio. La compañía lo sitúa especialmente en casos de uso como el análisis de contenido audiovisual, los resúmenes de reuniones y la generación de subtítulos.

Qwen3.8-Omni-Flash combina audio, vídeo, imágenes y texto

Qwen3.8-Omni-Flash puede procesar texto, imágenes, audio y vídeo, aunque su salida está limitada a texto. Para generar respuestas de voz, Alibaba mantiene Qwen3.5-Omni-Plus como alternativa dentro de la familia Omni.

Hay además una condición importante en el uso multimodal: la documentación de Alibaba indica que una entrada puede combinar texto con una única modalidad adicional, ya sea imagen, audio o vídeo.

En audio, el modelo admite 113 idiomas y dialectos y puede procesar audio multicanal y espacial. Para vídeo, Alibaba establece una duración máxima de dos horas y permite hasta 64 archivos, con límites que dependen también de la forma en que se envíen.

Estas capacidades explican el posicionamiento del modelo. Alibaba lo recomienda para comprender audio y vídeo, generar resúmenes de reuniones, crear subtítulos y responder mediante texto a partir de contenido audiovisual.

Un millón de tokens de contexto y razonamiento configurable

Qwen3.8-Omni-Flash dispone de una ventana de contexto de un millón de tokens. El límite máximo de entrada es de 991.808 tokens sin razonamiento y de 983.616 tokens con el razonamiento activado. La salida puede alcanzar los 131.072 tokens.

El modo de razonamiento está activado por defecto. Los desarrolladores pueden ajustar el esfuerzo dedicado a una petición o desactivarlo cuando no sea necesario.

El modelo también incorpora caché automática de contexto y caché de sesiones mediante la Responses API, funciones destinadas a evitar el procesamiento repetido del mismo contexto en determinadas peticiones.

Function Calling y búsqueda web para aplicaciones con agentes

Una diferencia relevante frente a un modelo dedicado únicamente a interpretar contenido multimedia es el soporte para Function Calling. Qwen3.8-Omni-Flash puede solicitar la ejecución de herramientas externas a partir de la información que está procesando.

También admite búsqueda web. A través de la Responses API, web_search está disponible como herramienta integrada.

La combinación permite utilizar información procedente de audio, vídeo o imágenes como contexto para tareas que después requieran razonamiento, búsqueda o herramientas. Alibaba incluye expresamente las aplicaciones con agentes entre los escenarios para los que presenta el modelo.

Disponibilidad de Qwen3.8-Omni-Flash

Qwen3.8-Omni-Flash se puede utilizar mediante las APIs Chat Completions y Responses de Alibaba Cloud Model Studio.

El servicio está disponible en las regiones de Pekín, Singapur, Hong Kong, Tokio, Fráncfort y Virginia. La clave API debe corresponder a la región seleccionada.

El modelo genera únicamente texto, por lo que no sustituye a los modelos Omni de Alibaba preparados para conversaciones de voz en tiempo real o generación de audio. La propia compañía mantiene Qwen3.5-Omni-Plus para salida de voz y Qwen3.5-Omni-Plus-Realtime para conversaciones multimodales en tiempo real.

Qwen3.8-Omni-Flash ocupa así un espacio más concreto dentro de la familia: analizar contenido audiovisual y utilizar esa información en tareas de razonamiento, búsqueda y uso de herramientas, en lugar de ofrecer una conversación multimodal con respuesta de voz.


Descubre más desde Noticias CRM

Suscríbete y recibe las últimas entradas en tu correo electrónico.