Qwen3.8-Omni-Flash ขึ้น Model Studio: คอนเท็กซ์ 1M โทเคน เข้าได้ทั้งเสียง-วิดีโอ-ภาพ รองรับ 113 ภาษา — แต่ยังไม่มีน้ำหนักเปิด
Qwen ขยับอีกครั้งในสาย omni — qwen3.8-omni-flash ปรากฏบนเอกสาร Alibaba Cloud Model Studio (อัปเดตล่าสุด 18 ก.ย. 2026) และถูกยกให้เป็นตัวเลือกหลักสำหรับงานเข้าใจเสียงและวิดีโอ แทนที่สาย Qwen-Omni-Turbo ที่เอกสารระบุชัดว่า หยุดอัปเดตแล้ว
สิ่งที่สะดุดตาที่สุดไม่ใช่ตัวเลขเบนช์มาร์ก (Alibaba ยังไม่เผยแพร่) แต่เป็น คอนเท็กซ์ 1 ล้านโทเคน บนโมเดลที่รับวิดีโอและเสียงเข้าได้ — และการที่ประกาศตัวบน HN เมื่อ 17 ก.ย. ผ่านหน้าบล็อกของ Qwen ที่ตัวเนื้อหาเรนเดอร์ด้วย JavaScript ล้วน ทำให้เอกสาร Model Studio กลายเป็นแหล่งปฐมภูมิที่อ่านได้จริงที่สุดตอนนี้
สเปกตามเอกสาร Model Studio
| หัวข้อ | รายละเอียด |
|---|---|
| อินพุต | ข้อความ, ภาพ, เสียง, วิดีโอ |
| เอาต์พุต | ข้อความเท่านั้น |
| คอนเท็กซ์ | 1,000,000 โทเคน |
| API | Chat Completions, Responses |
| ภาษาเสียงเข้า | 113 ภาษาและสำเนียง (เท่ากับ Qwen3.5-Omni) |
| ความสามารถ | โหมดคิด (deep thinking), Function Calling, เว็บเสิร์ช |
| built-in tool บน Responses | web_search ตัวเดียว |
| ภูมิภาค | ปักกิ่ง, สิงคโปร์, ฮ่องกง, โตเกียว, แฟรงก์เฟิร์ต, เวอร์จิเนีย (ต้องใช้ API key ของภูมิภาคนั้น) |
จุดที่ต้องอ่านให้ชัดคือ “Omni” ตัวนี้ไม่พูด — มันรับทุกโมดัลลิตีเข้า แต่ออกเป็นข้อความอย่างเดียว ถ้าต้องการให้ตอบกลับเป็นเสียง เอกสารสั่งให้ใช้ qwen3.5-omni-plus (แบบไม่เรียลไทม์) หรือ qwen3.5-omni-plus-realtime (สนทนาเสียง-วิดีโอสด) ต่อไป และการโคลนเสียงก็ยังอยู่ที่สาย 3.5 เท่านั้น
พูดอีกแบบคือ Alibaba แยกสายกันชัด: 3.8-Omni-Flash = สมองสำหรับงานเข้าใจ (สรุปประชุม, ทำซับ, วิเคราะห์คอนเทนต์), 3.5-Omni = ปาก ที่ยังไม่ถูกอัปเกรดตาม
โค้ดตัวอย่างในเอกสารเรียกผ่าน OpenAI SDK ตรง ๆ โดยตั้ง DASHSCOPE_BASE_URL เป็น endpoint ของภูมิภาค แล้วส่ง input_audio เข้าไปใน content — เป็นรูปแบบเดียวกับที่นักพัฒนาคุ้นเคยอยู่แล้ว และรองรับ reasoning_content แบบสตรีมสำหรับดูกระบวนการคิด
สิ่งที่ยังไม่มี: น้ำหนักเปิด
Qwen สร้างชื่อจากการปล่อยน้ำหนักเปิด แต่รุ่นนี้ยังไม่เป็นแบบนั้น — ณ 18 ก.ย. 2026 ไล่ดูรีโปล่าสุดในองก์ Qwen บน Hugging Face แล้วไม่มีตัวที่เป็น Qwen3.8-Omni และการเรียก API ตรงไปที่ชื่อรีโปที่คาดเดาได้ (Qwen/Qwen3.8-Omni, -Flash, -Instruct) ก็ไม่พบเช่นกัน ส่วนบน ModelScope ก็ยังค้นไม่เจอ
นี่ไม่ได้แปลว่าจะไม่มีวันมา — สาย -Flash ของ Qwen มักเป็นรุ่นที่เสิร์ฟผ่าน API ก่อนเสมอ (เทียบกับ Qwen3.8-Flash-Next ที่ขึ้น Hugging Face เมื่อ 24 ส.ค.) แต่ ณ วันนี้ถ้าจะใช้ต้องผ่าน DashScope และต้องวางแผนบนสมมติฐานว่ามันคือโมเดลปิด
เอกสารก็ยังไม่ได้ระบุ ขีดจำกัดความยาวเสียง/วิดีโอต่อคำขอ ของรุ่น 3.8 ไว้ (ต่างจาก Qwen3.5-Omni ที่บอกชัดว่ารับเสียงได้ 3 ชั่วโมงหรือวิดีโอ 1 ชั่วโมง และ Qwen3-Omni-Flash ที่จำกัดที่ 150 วินาที) รวมถึงยังไม่มีราคาต่อโทเคนประกาศในหน้าที่ตรวจสอบได้ — สองข้อนี้คือสิ่งที่ต้องรอก่อนคิดต้นทุนจริง
มุมมอง AI Curator
ตัวเลขที่ควรสนใจในข่าวนี้คือ 1M โทเคนคู่กับอินพุตวิดีโอ ไม่ใช่เพราะมันใหญ่ แต่เพราะมันเปลี่ยนรูปแบบงาน: เดิมการวิเคราะห์วิดีโอยาวต้องหั่นเป็นท่อน ส่งทีละชิ้น แล้วเขียนโค้ดเย็บผลลัพธ์กลับเอง — ซึ่งเป็นจุดที่คุณภาพรั่วเสมอเพราะบริบทข้ามท่อนหายไป การที่คอนเท็กซ์ใหญ่พอจะกลืนทั้งไฟล์ได้ทีเดียว แปลว่างานอย่าง “สรุปประชุมสามชั่วโมงแล้วบอกว่าใครรับปากอะไรไว้ตอนนาทีที่เท่าไร” กลายเป็นคำขอเดียว ไม่ใช่ไปป์ไลน์
สำหรับไทยและ SEA มีสองเรื่องที่มีน้ำหนักจริง อย่างแรกคือ สิงคโปร์อยู่ในลิสต์ภูมิภาคตั้งแต่วันแรก ซึ่งสำคัญกว่าที่หลายคนคิด เพราะมันหมายถึง latency ระดับ 20–40ms แทนที่จะวิ่งไปปักกิ่งหรือเวอร์จิเนีย และหมายถึงข้อมูลไม่ต้องข้ามไปเขตอำนาจศาลที่ทีมกฎหมายไทยไม่สบายใจ อย่างที่สองคือ 113 ภาษาและสำเนียง ซึ่งถ้ารวมภาษาไทยไว้ในระดับที่ใช้งานได้จริง นี่จะเป็นตัวเลือก ASR ที่คุ้มกว่าการต่อ Whisper แล้วส่งต่อให้ LLM อีกทอด — แต่ย้ำว่าต้อง ทดสอบกับเสียงพูดไทยจริงที่มีคำทับศัพท์อังกฤษปน ก่อนเชื่อ เพราะนั่นคือจุดที่โมเดล ASR ทุกตัวเจ๊งเหมือนกันหมด และเอกสารก็แค่บอกจำนวนภาษา ไม่ได้บอกคุณภาพรายภาษา
ส่วนเรื่องน้ำหนักเปิด — ผมจะไม่อ่านว่า Qwen กำลังถอยจากโอเพนซอร์ส เพราะสาย Flash เป็นสายที่เสิร์ฟผ่าน API ก่อนมาตลอด แต่ประเด็นที่นักพัฒนาควรตั้งใจจำคือ “Qwen” ไม่ได้แปลว่า “เปิด” อีกต่อไปโดยอัตโนมัติ ต้องเช็กเป็นรุ่น ๆ ไป และถ้าสถาปัตยกรรมกับต้นทุนของคุณวางอยู่บนสมมติฐานว่าวันหนึ่งจะดึงน้ำหนักมารันเอง ตอนนี้ยังไม่มีอะไรรับประกันให้
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service