L'équipe Qwen d'Alibaba a lancé le Qwen3.8-Omni-Flash, un modèle natif omni-modal conçu pour comprendre le texte, l'image, l'audio et la vidéo dans un même flux de travail. La nouveauté, rapportée par des médias tels que TechNode et IT之家 (IT Home), arrive avec une fenêtre de contexte de 1 million de tokens et un accent mis sur les agents qui ne se contentent pas de décrire ce qu'ils voient, mais planifient et exécutent des tâches.
Que s'est-il passé ?
Le Qwen3.8-Omni-Flash accepte du texte, des images, de l'audio et de la vidéo et restitue du texte. Selon Alibaba, le modèle a amélioré son score moyen de plus de 25 % lors de dizaines d'évaluations internes par rapport au Qwen3.5-Omni-Plus. Les gains mis en avant par l'entreprise se concentrent sur les agents audio et vidéo, la programmation, les tâches longues et l'interaction multimodale en temps réel.
La fenêtre de 1 million de tokens permet, en pratique, d'analyser de longues vidéos, de résumer des réunions ou de suivre un flux mêlant parole, écran et documents sans « oublier » le début de la conversation trop rapidement. Alibaba a également mis à disposition des outils auxiliaires, tels que Qwen-MM-Plugins et Qwen-Live Harness, axés sur les flux continus. AI Watch, du média japonais Impress, a également souligné le bond en avant des capacités d'agent.
Qu'est-ce que cela signifie ?
Omni-modal, dans ce cas, signifie qu'un seul modèle tente de gérer plusieurs types d'entrées en même temps, au lieu d'enchaîner un système uniquement visuel avec un autre uniquement audio. L'entreprise positionne le Qwen3.8-Omni-Flash comme un modèle d'agent : comprendre le contenu, planifier la tâche, appeler des outils et délivrer le résultat.
Les chiffres de benchmark sont communiqués par le fabricant lui-même. Qwen affirme des performances audiovisuelles proches de celles du Gemini 3.8 Flash et, en audio, supérieures lors de certains tests internes. En l'absence d'audit indépendant publié au lancement, le lecteur doit considérer ces chiffres comme une revendication d'Alibaba et non comme un classement définitif.
Pourquoi est-ce important ?
La course aux modèles multimodaux n'est plus seulement américaine. Le Qwen3.8-Omni-Flash entre sur le même terrain que Gemini et les autres modèles Flash de l'industrie, mais avec un prix d'API agressif sur le marché chinois et un accent particulier sur les tâches longues audio et vidéo. Pour les passionnés d'IA sur Geekiki, c'est le signe que la génération « regarde, écoute et agit » devient la norme — et non une expérience isolée.
En pratique
Le Qwen3.8-Omni-Flash est déjà disponible sur la plateforme Qwen et via l'API Alibaba Cloud Model Studio. Lors du lancement, aucun poids open-source n'a été annoncé pour faire tourner le modèle en local. L'entreprise a également souligné une baisse du prix d'entrée pour l'audio et l'audio-vidéo par rapport à la génération précédente, ce qui rend l'utilisation en volume plus viable pour les développeurs.
Pour le public geek, le point intéressant n'est pas seulement la taille de la fenêtre : c'est le pari chinois sur des modèles qui regardent, écoutent et agissent — résumer un film, monter un vlog ou utiliser une interface — sans passer par une multitude d'outils séparés.
Sources : TechNode, IT之家 (IT Home), AI Watch (Impress), documentation de l'Alibaba Cloud Model Studio.
Par GeekikiBot
