MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash: ¿Una hora de vídeo en tu teléfono o una sola llamada de 1 millón de tokens?

Dos lanzamientos, con seis semanas de diferencia, que ambos afirman resolver la comprensión de vídeo —y apenas podrían discrepar más sobre dónde debería realizarse el trabajo. MiniCPM-V 4.7 35B-A3B de OpenBMB se ejecuta en un teléfono, en unos tres gigabytes, a una velocidad de más de 13 tokens por segundo según el proveedor, y no cuesta nada por llamada porque la calculadora está en tu bolsillo. Qwen3.8-Omni-Flash de Alibaba admite texto, imagen, audio y vídeo en una única ventana de un millón de tokens, hasta una hora completa de audio-vídeo continuo por llamada, y se vende a $0,15 por millón de tokens de entrada con la afirmación destacada de que el audio es un 98 % más barato que en su predecesor. Uno optimiza para el dispositivo; el otro optimiza para la ventana de contexto. Para un equipo con material audiovisual que procesar, esa diferencia decide la arquitectura antes de que lo haga cualquier prueba comparativa. Qwen3.8-Flash está en el catálogo a $0,15 por millón de tokens de entrada. Consulta los modelos Qwen enrutables Una sola clave, precio de lista sin recargo (0 % de margen), conmutación automática por error entre proveedores. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Dos apuestas distintas sobre adónde van los píxeles

MiniCPM-V 4.7 35B-A3B es un modelo visión-lenguaje disperso de mezcla de expertos: 35,2 B de parámetros en total, unos 3 B activos por token, Apache-2.0, entrada y salida de texto, con entrada de imagen, multiimagen y vídeo. Se publicó en Hugging Face los días 6 y 7 de octubre de 2026, recibió su tarjeta de modelo el día 12 y se integró en upstream llama.cpp el día 10. La apuesta de ingeniería es que la mayor parte del trabajo visual es rutinario, ocurre donde está la cámara y nunca debería salir del dispositivo: compresión mixta de tokens visuales 4x/16x, streaming de expertos y un fork que combina planificación anticipada de expertos, precisión mixta y decodificación especulativa para alcanzar los 20,51 tokens por segundo publicados en un iPhone 18 Pro Max.

Qwen3.8-Omni-Flash es el modelo omni-modal nativo de Alibaba, abierto a clientes de API el 18 de septiembre de 2026 con el eslogan «Sentidos ómnicos. Entrega agéntica». Un millón de tokens de contexto, aproximadamente 991K de entrada máxima, 131K de salida máxima, un presupuesto de razonamiento que alcanza los 262K y hasta una hora de audio o audio-vídeo continuo en una sola llamada. La entrada es texto, imagen, audio y vídeo —incluidos audio espacial estéreo y de cuatro canales—. La salida es solo texto. Se sirve en la plataforma Qianwen de Alibaba y en Alibaba Cloud Model Studio con el id de API qwen3-8-omni-flash; los pesos no se publican.

• Dónde se ejecuta — MiniCPM-V 4.7 35B-A3B: tu dispositivo, iOS, Android, HarmonyOS o una GPU de escritorio. Qwen3.8-Omni-Flash: la API de Alibaba, solo alojada.

• Estructura de costes — MiniCPM-V 4.7 35B-A3B: hardware más electricidad; una descarga de 21,2 GB Q4_K_M. Qwen3.8-Omni-Flash: $0,15 por millón de tokens de entrada, $0,016 en caché, $0,47 de salida.

• Medios por llamada — MiniCPM-V 4.7 35B-A3B: limitado por la memoria del dispositivo y el presupuesto de muestreo, con un prompt a la vez. Qwen3.8-Omni-Flash: hasta una hora de audio-vídeo continuo.

• Salida — ambos solo texto. Ningún modelo habla.

• Licencia — Apache-2.0 frente a una API alojada sin pesos.

El 98% es una afirmación de coste; los minutos son la verdadera comparación.

El titular de Alibaba es que una hora de entrada de audio cuesta un 98% menos que en Qwen3.5-Omni-Plus, y una hora de audio y vídeo combinados, un 93% menos. Esa cifra se obtiene calculando el precio de una muestra de dos minutos y multiplicándolo por treinta, con el vídeo muestreado a 720p y un fotograma por segundo: una forma legítima de presupuestar una carga de trabajo de producción y también una descripción de lo que se le pide al modelo que mire. Un fotograma por segundo basta para saber qué se dijo y, a grandes rasgos, qué ocurrió. No es ni de lejos suficiente para inspeccionar operaciones a nivel de fotograma ni detectar un artefacto de un solo fotograma.

Haz las mismas cuentas con el modelo del teléfono y la forma de la decisión se vuelve clara. Una hora de metraje a un fotograma por segundo son 3.600 imágenes. En un dispositivo que decodifica a entre 13 y 20 tokens por segundo, eso no es un trabajo de una sola llamada; es un trabajo por lotes, con muestreo y de ir resumiendo sobre la marcha, y el coste son horas de tiempo real en hardware que ya tienes. A través de la API de A​libaba, esa misma hora es una sola llamada dentro de una ventana de un millón de tokens, con precio en tokens y devuelta en el tiempo que tarde el endpoint. Ninguna de las dos es gratis, y no son la misma moneda.

El punto de cruce es volumen y privacidad, no precisión. Una clínica que no puede dejar que los fotogramas salgan del edificio tiene una opción. Un equipo de monitoreo de medios con mil horas al mes tiene la otra, porque muestrear mil horas en teléfonos es una compra de hardware y un problema de programación, mientras que mil llamadas de una hora son una partida presupuestaria. Entre esos polos, los números se vuelven interesantes: el precio de Qwen es lo bastante bajo como para que cien horas de revisión cuesten unos cientos de dólares en lugar de unos miles, que es el rango en el que "simplemente enviarlo a la API" deja de sentirse un desperdicio.

En qué destaca realmente cada uno, según la evidencia

Las cifras de lanzamiento de Qwen3.8-Omni-Flash se comparan todas con una única referencia —Qwen3.5-Omni-Plus—, y la mejora media en aproximadamente treinta evaluaciones supera el 26 %. Los mayores avances son WildClawBench-MM, con 71,0, una subida de 36,5 puntos, y la diarización de hablantes en AliMeeting, donde la tasa de error cae de 88,11 a 3,35 y el cpWER, de 89,61 a 17,18. Una diferencia tan grande merece escrutinio en lugar de aplausos; un análisis técnico chino del lanzamiento atribuye buena parte de ella a la ingeniería de front-end y de diarización que rodea al modelo, más que al razonamiento del propio modelo, y advierte de que el sistema se percibe como especializado en audición, con un razonamiento profundo sobre vídeo más débil. Esa es la lectura de un crítico, no una replicación, pero es el instinto correcto. Todas estas cifras son de la propia Alibaba y ninguna se ha reproducido de forma independiente.

La evidencia de MiniCPM-V 4.7 es más escasa, pero de una forma distinta: cinco gráficos de evaluación, ninguna tabla numérica y dos comparaciones direccionales —una puntuación global superior en menos tiempo de inferencia que Qwen3.6 35B-A3B, y mejoras sustanciales respecto a Qwen3.5 0.8B para el modelo hermano de 1B—. Los datos reproducibles son los que figuran en config.json y en el listado de archivos: 35,2B en total, 256 expertos con 8 activos, una posición máxima de 262.144 tokens, una torre de visión de 27 capas, licencia Apache-2.0 y una descarga Q4_K_M de 21,2 GB. Conviene leer las afirmaciones sobre el rendimiento como mediciones del fabricante en hardware que usted no ha tenido en sus manos, y las afirmaciones sobre precisión como no auditadas, que es exactamente como las presenta OpenBMB.

Una cosa que ambos comparten: ningún marcador independiente. En el momento de escribir esto, ninguno de los dos modelos aparece en una tabla de clasificación neutral de terceros con una puntuación multimodal auditada. Por lo tanto, compararlos con "benchmarks" significaría colocar el gráfico de un proveedor junto al de otro y llamar al resultado una medición. No lo hagas.

Muestreo agéntico frente a muestreo fijo

La diferencia técnica más interesante no es el tamaño ni la velocidad, sino quién decide qué observar.

Qwen3.8-Omni-Flash incorpora lo que Alibaba denomina modo Agentic Understanding, en el que el modelo elige qué inspeccionar en lugar de procesar cada fotograma, reuniendo evidencia en rondas de lo general a lo detallado. En OmniVideoBench, ese modo eleva la precisión de 63,4 a 67,8 y, al mismo tiempo, reduce los tokens por consulta de 145.736 a 79.117, una reducción del 45,7 %. Que la precisión suba y el coste baje a la vez es la afirmación más contundente de ese lanzamiento y la que respalda de forma más directa el enfoque agéntico.

El equivalente en MiniCPM-V 4.7 es una elección estática que se hace por imagen: compresión 16x por defecto, 4x cuando el detalle importa. El modelo no decide mirar más de cerca; lo decide quien llama, pasando un ajuste distinto. Ese es el diseño correcto para un dispositivo con un presupuesto de energía fijo, y el incorrecto para un vídeo de una hora en el que los noventa segundos interesantes no se anuncian.

La cuestión del enrutamiento, planteada con honestidad

Ninguno de los dos modelos se sirve mediante OrcaRouter. {{1}}MiniCPM-V 4.7 35B-A3B{{/1}} es un checkpoint que alojas tú; {{2}}Qwen3.8-Omni-Flash{{/2}} se ejecuta en las plataformas propias de A​libaba y tampoco está en nuestro catálogo. Lo que aporta una capa de enrutamiento en esta arquitectura es la costura entre ambos: decidir, por solicitud, si el clip es lo bastante rutinario para el modelo local o lo bastante largo como para justificar una llamada al servicio alojado, y hacer failover cuando el lado alojado se degrada.

OrcaRouter pone más de 200 modelos alojados detrás de una sola clave y traslada el precio de lista del proveedor sin margen (0 %), de modo que un recorte de precios del proveedor —como el que Alibaba acaba de aplicar en audio— llega a tu factura el mismo día en lugar de en la renovación. También conmuta automáticamente entre proveedores en caso de fallo, lo que importa más para un modelo omni alojado que para un teléfono: el teléfono no sufre una caída, y la API sí. Ya hay una comparación verificable en nuestro catálogo: Qwen3.8-Flash, el modelo multimodal junto al que se construye esta variante omni, se puede enrutar a 0,15 USD por millón de tokens de entrada y 0,47 USD de salida —el mismo precio de lista que Alibaba cotiza para el nuevo modelo omni.

Eligiendo, en un párrafo

Elige MiniCPM-V 4.7 35B-A3B cuando los fotogramas no puedan salir del dispositivo, cuando la carga de trabajo consista en muchas miradas cortas en lugar de unas pocas largas, cuando el funcionamiento sin conexión sea un requisito o cuando el coste por llamada sea lo que está arruinando la economía unitaria. Elige Qwen3.8-Omni-Flash cuando la entrada sea larga, las modalidades sean mixtas —audio, vídeo y diapositivas en una sola llamada— y prefieras pagar por token antes que construir un flujo de muestreo. Elige ambos cuando tengas una capa de teléfono que filtre el noventa por ciento rutinario y una capa de API que absorba los casos de una hora de duración, y acepta que ahora mantienes dos formatos de prompt, dos políticas de muestreo y un límite muy claro sobre qué fotogramas pueden cruzarlo.