Qwen выпустила Qwen3.8-Omni-Flash — свою первую мультимодальную модель, созданную специально для AI-агентов, — и оценила её в $0.15 за миллион входных токенов и $0.47 за миллион выходных. Gemini 3.8 Flash от Google берёт $0.75 за вход и $3.75 за выход по вводному тарифу. Разрыв важен потому, что мультимодальная обработка — самая дорогая часть большинства агентных конвейеров, а цена за токен решает, останутся ли задачи с видео и аудио в пилотном режиме или пойдут в промышленную эксплуатацию.
Что умеет модель и сколько стоит
Модель обрабатывает аудио и видео вместе, делает из них выводы и сама вызывает инструменты, чтобы монтировать влоги, переводить короткие ролики или составлять пересказ фильмов. Окно контекста достигает миллиона токенов. Qwen утверждает, что по аудио-видео задачам модель почти не уступает Gemini 3.8 Flash, — то есть речь идёт о той же категории качества, что у предложения Google, а не о более дешёвом, но слабом уровне. Компания оценивает аудиовход менее чем в $0.01 за час, а 720p-видео со звуком при одном кадре в секунду — примерно в $0.20 без учёта стоимости ответа.
Доступ организован по трём каналам: Qwen Studio, Qwen Cloud и API. Вместе с моделью Qwen опубликовала открытые Qwen-MM-Plugins, которые добавляют в агентов вроде Claude Code, Gemini CLI и Qwen Code видеомонтаж, распознавание говорящего, PDF-заметки по видео и переиспользуемые рабочие процессы. Отдельный компонент Qwen-Live Harness обеспечивает взаимодействие в реальном времени через камеру и микрофон. Плагины и harness значат не меньше самой модели: они превращают сырую мультимодальную способность в готовые действия, которые агент выполняет без отдельной разработки.
Выпуск выходит на рынок, где мультимодальные модели перешли из демонстраций в инфраструктуру. Линейка Gemini Flash от Google была выбором по умолчанию для команд, которым нужно понимание видео и аудио в масштабе, и её вводные цены формировали бюджеты. Выход Qwen даёт покупателям второго поставщика с сопоставимыми заявленными результатами и более низким прайс-листом, а удвоение цен Gemini с 1 января 2027 года добавляет срок, который закупщики теперь могут сопоставить с альтернативой.
Что это значит для компаний, строящих агентов
Для компаний, которые обрабатывают видео или аудио в своих процессах, непосредственное следствие — снижение удельной стоимости той же категории задач. Команда, которая суммирует записанные звонки, переводит короткие клипы или делает заметки по записям экрана, может пропустить через конвейер больше материала за тот же бюджет или перейти от выборки части архива к обработке всего объёма. Для небольших компаний разница резче: пятикратный разрыв в цене выхода решает, выйдет ли функция вообще, тогда как крупные уже договариваются об объёмных условиях и больше смотрят на надёжность и поддержку.
Перед сменой поставщика нужно проверить несколько условий. Заявление о сопоставимом качестве исходит от самой Qwen и касается аудио-видео задач, а не всего спектра агентной работы. Оценка в $0.20 для 720p-видео при одном кадре в секунду не включает стоимость ответа, поэтому реальный счёт зависит от того, сколько модель генерирует на минуту записи. Покупателям стоит спросить поставщика, как контекст в миллион токенов ведёт себя на практике, какова задержка при живом вводе с камеры и микрофона и работают ли плагины с их текущим агентным стеком, а не только с Qwen Code и его аналогами.
Следить стоит за тем, подтвердят ли независимые оценки заявление о паритете на аудио-видео задачах и сохранится ли январское повышение цен Gemini. Если верно и то и другое, мультимодальная агентная работа перестанет быть строкой бюджета, зарезервированной для больших команд, и станет стандартным компонентом внутренней автоматизации.
