MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash : une heure de vidéo sur votre téléphone, ou un appel d'un million de tokens

Deux versions, à six semaines d’intervalle, qui prétendent toutes deux résoudre la compréhension vidéo — et elles sont en désaccord presque total sur l’endroit où le travail doit s’effectuer. MiniCPM-V 4.7 35B-A3B d’OpenBMB tourne sur un téléphone, en environ trois gigaoctets, à plus de 13 jetons par seconde selon le fournisseur, et ne coûte rien par appel puisque la calculatrice est dans votre poche. Qwen3.8-Omni-Flash d’Aibaba accueille texte, image, audio et vidéo dans une fenêtre unique d’un million de jetons, jusqu’à une heure complète d’audio-vidéo en continu par appel, et est vendu à 0,15 $ par million de jetons d’entrée avec une promesse phare : un audio 98 % moins cher que son prédécesseur. L’un optimise pour l’appareil ; l’autre optimise pour la fenêtre de contexte. Pour une équipe qui a des images à traiter, cette différence décide de l’architecture avant même tout benchmark. Qwen3.8-Flash figure au catalogue à 0,15 $ par million de jetons d’entrée. Vérifiez les modèles Qwen routables Une seule clé, tarif public répercuté avec 0 % de marge, basculement automatique entre fournisseurs. Les défaillances d’IA documentées et les incidents d’agents derrière des versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Deux paris différents sur la destination des pixels

MiniCPM-V 4.7 35B-A3B est un modèle vision-langage à mélange d'experts creux : 35,2 Md de paramètres au total, environ 3 Md actifs par token, sous licence Apache-2.0, entrée texte et sortie texte, avec des entrées image, multi-image et vidéo. Il a été mis en ligne sur Hugging Face les 6 et 7 octobre 2026, sa fiche modèle a été publiée le 12, et il a été fusionné dans le dépôt amont de llama.cpp le 10. Le pari d'ingénierie est que l'essentiel du travail visuel est routinier, se déroule là où se trouve la caméra et ne devrait jamais quitter l'appareil : compression mixte des tokens visuels en 4x/16x, streaming d'experts, et un fork qui combine ordonnancement d'experts par anticipation (lookahead), précision mixte et décodage spéculatif pour atteindre les 20,51 tokens par seconde annoncés sur un iPhone 18 Pro Max.

Qwen3.8-Omni-Flash est le modèle omni-modal natif d’Alibaba, ouvert aux clients de l’API le 18 septembre 2026 avec le slogan « Omni Senses. Agentic Delivery. » Un million de tokens de contexte, environ 991 K d’entrée maximale, 131 K de sortie maximale, un budget de raisonnement atteignant 262 K, et jusqu’à une heure d’audio ou d’audio-vidéo en continu lors d’un seul appel. L’entrée est du texte, des images, de l’audio et de la vidéo — y compris de l’audio spatial stéréo et à quatre canaux. La sortie est uniquement du texte. Il est servi sur la plateforme Qianwen d’Alibaba et Alibaba Cloud Model Studio sous l’identifiant d’API qwen3-8-omni-flash ; les poids ne sont pas publiés.

• Où cela s’exécute — MiniCPM-V 4.7 35B-A3B : votre appareil, iOS, Android, HarmonyOS ou un GPU de bureau. Qwen3.8-Omni-Flash : l’API d’Alibaba, en mode hébergé uniquement.

• Structure des coûts — MiniCPM-V 4.7 35B-A3B : matériel plus électricité ; un téléchargement Q4_K_M de 21,2 GB. Qwen3.8-Omni-Flash : 0,15 $ par million de tokens en entrée, 0,016 $ en cache, 0,47 $ en sortie.

• Médias par appel — MiniCPM-V 4.7 35B-A3B : limité par la mémoire de l’appareil et le budget d’échantillonnage, une invite à la fois. Qwen3.8-Omni-Flash : jusqu’à une heure d’audio-vidéo en continu.

• Sortie — les deux en texte uniquement. Aucun des deux modèles ne parle.

• Licence — Apache-2.0 contre une API hébergée sans poids.

Le 98 % est un argument de coût ; les minutes sont la véritable comparaison.

Le message phare d'Alibaba est qu'une heure d'entrée audio coûte 98 % de moins que sur Qwen3.5-Omni-Plus, et qu'une heure d'audio-vidéo combiné coûte 93 % de moins. Ce chiffre est obtenu en calculant le prix d'un échantillon de deux minutes puis en le multipliant par trente, la vidéo étant échantillonnée en 720p à une image par seconde — une façon légitime de chiffrer une charge de travail de production, et aussi une description de ce que l'on demande au modèle de regarder. Une image par seconde suffit pour savoir ce qui a été dit et, grosso modo, ce qui s'est passé. C'est très loin de suffire pour inspecter des opérations au niveau de l'image ou repérer un artefact sur une seule image.

Appliquez le même calcul au modèle sur téléphone, et les contours de la décision deviennent clairs. Une heure de vidéo à une image par seconde représente 3 600 images. Sur un appareil qui décode à 13 à 20 tokens par seconde, ce n’est pas un travail en un seul appel ; c’est un travail par lots, échantillonné, avec résumé au fil de l’eau, et le coût se compte en heures de temps réel écoulé sur du matériel que vous possédez déjà. Via l’API A​libaba, la même heure tient en un seul appel dans une fenêtre d’un million de tokens, facturé en tokens et renvoyé dans le délai que prend le point de terminaison. Ni l’un ni l’autre n’est gratuit, et ce ne sont pas les mêmes monnaies.

Le seuil de bascule tient au volume et à la confidentialité, pas à l’exactitude. Une clinique qui ne peut pas laisser les images quitter ses locaux n’a qu’une seule option. Une équipe de veille médiatique qui traite mille heures par mois a l’autre, car échantillonner mille heures sur des téléphones représente un achat de matériel et un problème de planification, tandis que mille appels d’une heure constituent une simple ligne budgétaire. Entre ces deux extrêmes, les chiffres deviennent intéressants : le prix de Q​wen est suffisamment bas pour que cent heures d’analyse coûtent quelques centaines de dollars plutôt que quelques milliers, ce qui correspond à la fourchette où « il suffit de l’envoyer à l’API » cesse de sembler du gaspillage.

Ce pour quoi chacun est réellement doué, d’après les preuves

Les chiffres de lancement de Qwen3.8-Omni-Flash sont tous comparés à une seule référence — Qwen3.5-Omni-Plus — et l’amélioration moyenne sur une trentaine d’évaluations est supérieure à 26 %. Les progressions les plus marquées sont WildClawBench-MM à 71,0, soit +36,5 points, et la diarisation des locuteurs sur AliMeeting, où le taux d’erreur passe de 88,11 à 3,35 et le cpWER de 89,61 à 17,18. Un écart de cette ampleur mérite un examen attentif plutôt que des applaudissements ; une analyse technique chinoise du lancement attribue une grande partie de cet écart à l’ingénierie du front-end et de la diarisation greffée autour du modèle plutôt qu’au raisonnement du modèle, et met en garde : le système donne l’impression d’être spécialisé dans l’audition, avec un raisonnement vidéo approfondi plus faible. Il s’agit de la lecture d’un critique, non d’une réplication, mais l’intuition est juste. Tous ces chiffres sont ceux d’Alibaba et aucun n’a été reproduit indépendamment.

Les éléments de preuve de MiniCPM-V 4.7 sont plus ténus, mais d’une autre manière : cinq graphiques d’évaluation, aucun tableau numérique et deux comparaisons directionnelles — un score global plus élevé en moins de temps d’inférence que Qwen3.6 35B-A3B, et des gains substantiels par rapport à Qwen3.5 0.8B pour le modèle frère de 1B. Les faits reproductibles sont ceux figurant dans config.json et la liste des fichiers : 35,2 B au total, 256 experts dont 8 actifs, une position maximale de 262 144 tokens, une tour de vision à 27 couches, Apache-2.0, et un téléchargement Q4_K_M de 21,2 Go. Considérez les affirmations de débit comme des mesures du fournisseur sur du matériel que vous n’avez pas eu entre les mains, et les affirmations de précision comme non auditées — ce qui est exactement la manière dont OpenBMB les présente.

Une chose qu’ils ont en commun : aucun tableau de scores indépendant. À l’heure où nous écrivons, aucun des deux modèles n’apparaît sur un classement neutre de tiers avec un score multimodal audité. Les comparer sur des « benchmarks » reviendrait donc à placer le graphique d’un fournisseur à côté de celui d’un autre et à appeler le résultat une mesure. Ne le faites pas.

Échantillonnage agentique versus échantillonnage fixe

La différence technique la plus intéressante n’est ni la taille ni la vitesse — c’est qui décide ce qu’on regarde.

Qwen3.8-Omni-Flash embarque ce qu'Alibaba appelle le mode Agentic Understanding, dans lequel le modèle choisit ce qu'il doit examiner plutôt que de traiter chaque image, en rassemblant des preuves par passes du plus grossier au plus fin. Sur OmniVideoBench, ce mode fait passer la précision de 63,4 à 67,8 tout en réduisant le nombre de tokens par requête de 145 736 à 79 117 — soit une réduction de 45,7 %. Une précision en hausse et un coût en baisse en même temps constituent l'argument le plus fort de cette annonce, et c'est celui qui soutient le plus directement le discours agentique.

L’équivalent de MiniCPM-V 4.7 est un choix statique effectué pour chaque image : compression 16x par défaut, 4x lorsque le détail compte. Le modèle ne décide pas de regarder de plus près ; c’est l’appelant qui le fait, en passant un réglage différent. C’est la bonne conception pour un appareil doté d’un budget énergétique fixe, et la mauvaise pour une vidéo d’une heure où les quatre-vingt-dix secondes intéressantes ne sont pas annoncées.

La question du routage, formulée honnêtement

Aucun des deux modèles n'est servi par OrcaRouter. MiniCPM-V 4.7 35B-A3B est un checkpoint que vous hébergez ; Qwen3.8-Omni-Flash s'exécute sur les plateformes propres à Alibaba et ne figure pas non plus dans notre catalogue. Ce à quoi une couche de routage sert dans cette architecture, c'est la jonction entre les deux : décider, à chaque requête, si le clip est suffisamment routinier pour le modèle local ou suffisamment long pour justifier un appel hébergé, et assurer le basculement lorsque le côté hébergé se dégrade.

OrcaRouter regroupe plus de 200 modèles hébergés derrière une seule clé et répercute le prix catalogue du fournisseur avec 0 % de marge, de sorte qu'une baisse de prix d'un fournisseur — comme celle qu'Alibaba vient d'opérer sur l'audio — arrive sur votre facture le jour même plutôt qu'au renouvellement. Il bascule aussi automatiquement d'un fournisseur à l'autre en cas de défaillance, ce qui compte davantage pour un modèle omni hébergé que pour un téléphone : un téléphone ne subit pas de panne, contrairement à l'API. Une comparaison vérifiable figure déjà dans notre catalogue : Qwen3.8-Flash, le modèle multimodal avec lequel cette variante omni est développée, est accessible au tarif de 0,15 $ par million de jetons d'entrée et de 0,47 $ en sortie — le même prix catalogue qu'Alibaba annonce pour le nouveau modèle omni.

Choisir, en un paragraphe

Choisissez MiniCPM-V 4.7 35B-A3B lorsque les images ne peuvent pas quitter l’appareil, lorsque la charge de travail consiste en de nombreuses analyses courtes plutôt qu’en quelques analyses longues, lorsqu’un fonctionnement hors ligne est requis, ou lorsque le coût par appel est ce qui plombe votre rentabilité unitaire. Choisissez Qwen3.8-Omni-Flash lorsque l’entrée est longue, que les modalités sont mixtes — audio, vidéo et diapositives dans un seul appel — et que vous préférez payer au token plutôt que de construire un pipeline d’échantillonnage. Choisissez les deux lorsque vous avez un palier smartphone qui filtre les 90 % de cas routiniers et un palier API qui absorbe les cas d’une heure, et acceptez de maintenir désormais deux formats de prompt, deux politiques d’échantillonnage et une frontière très claire quant aux images autorisées à la franchir.