一个会开完，桌面上堆一堆东西：PPT截图、会议录音、聊天记录、几段录屏。要把这堆东西理成一个判断、一份纪要，我得在好几个工具之间来回切。这不是技术活，是体力活，还特别容易漏东西。
四种信息 一个脑子9月18日，阿里千问上线了个新模型 Qwen3.8-Omni-Flash。名字不重要，重点是它干的这件事：一个模型，同时吃下文本、图片、音频、视频四样东西，上下文能拉到 1M（约一百万个 token）。
这可能是我最近看到少有的、对普通上班族有实感的一次更新。下面说理由。
第一，它是"一个能干的"，不是"几个能干的"。以前的多模态模型，说到底是分开的——处理视频走一条路，处理录音走另一条路。你要让AI看一段视频还得听清里面人说话，往往要拆成几步、调好几个接口。
千问这次的定位很清楚：把全模态模型从"看懂内容"，往前推一步，到"规划任务、调用工具、把活干完"。
官方给的数据摆在这：
30项评测，比上一代 Qwen3.5-Omni-Plus 平均得分提升超过26%；音视频Agent、Coding、长程任务这些偏"干活的"能力，涨得更明显；音频能力整体超过了 Gemini 3.8 Flash。（来源：千问官方发布记录、腾讯新闻、新浪财经，2026-09-18）
第二，也是我真正看重的——降价，不是降一点，是砍到零头。按官方口径，音频输入 API 价格降幅超过98%，音视频输入降幅超过93%。
我为什么盯着价格不放？因为我太清楚"全模态"这种东西过去有多贵、多难养。
十几年前做 ERP 实施，我见过企业为了让系统"能听会说"，单独采购语音识别、OCR、视频分析，一样样拼、一样样维护。买得起是一回事，养得起是另一回事。不少功能最后烂尾，不是没用，是用不起。
今天这个模型把图、声、像装进一个大脑，价格还打到上一个零头。意味着"让AI看视频、听录音"，从企业级的高档配置，变成了随手能用的普通功能。
第三，实时版多了个"听声辨位"，这是个细节，但不是小细节。把一段多人的会议录音丢进去，它能分清谁在说话、大概什么方位。这背后是"多通道空间音频"在起作用。对天天开会、会后要整理纪要的人，这比"提升26%"更实在。
最后说点我的判断。
AI 的能力边界在往后撤，但"把活说清楚"这关往前顶了。以前是工具不够能，现在是工具太能——你把一堆会议材料丢进去，它给你出纪要；你丢一段长视频，它给你出报告。可它出的东西对不对、是不是你要的，还得你自己有一双看得懂的眼睛。
工具补齐了感官，脑子这关，还是得人自己过。
你现在手头有没有那种"图文声像混在一起、理起来特别费劲"的活？留言说说，我看能不能用这类全模态模型，帮你排一个省事的顺序。