MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash: Satu Jam Video di Ponsel Anda, atau Satu Panggilan 1M Token

Dua rilis, berjarak enam minggu, yang keduanya mengklaim mampu menyelesaikan pemahaman video — dan keduanya nyaris tidak bisa lebih berbeda pendapat soal di mana pekerjaan itu seharusnya dilakukan. MiniCPM-V 4.7 35B-A3B dari OpenBMB berjalan di ponsel, dalam sekitar tiga gigabita, pada 13 lebih token per detik menurut laporan vendor, dan tidak memakan biaya per panggilan karena kalkulatornya ada di kantong Anda. Qwen3.8-Omni-Flash dari A​libaba menerima teks, gambar, audio, dan video ke dalam satu jendela satu juta token, hingga satu jam audio-video berkelanjutan per panggilan, dan dijual seharga $0.15 per juta token masukan dengan klaim utama 98% lebih murah untuk audio dibanding pendahulunya. Yang satu mengoptimalkan perangkat; yang lain mengoptimalkan jendela konteks. Bagi tim yang punya rekaman untuk diproses, perbedaan itu menentukan arsitektur sebelum benchmark mana pun melakukannya. Qwen3.8-Flash ada di katalog dengan harga $0.15 per juta token masukan. Periksa model Qwen yang dapat dirutekan Satu kunci, harga daftar diteruskan tanpa markup 0%, failover otomatis antarpenyedia. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda diperdebatkan.

Dua pertaruhan berbeda tentang ke mana piksel akan pergi

MiniCPM-V 4.7 35B-A3B adalah model bahasa-visi mixture-of-experts sparse: total 35,2 miliar parameter, sekitar 3 miliar aktif per token, Apache-2.0, masukan teks dan keluaran teks, dengan masukan gambar, multi-gambar, dan video. Model ini dirilis di Hugging Face pada 6 dan 7 Oktober 2026, mendapatkan kartu modelnya pada tanggal 12, dan digabungkan ke upstream llama.cpp pada tanggal 10. Taruhan tekniknya adalah bahwa sebagian besar pekerjaan visual bersifat rutin, terjadi di tempat kamera berada, dan tidak boleh meninggalkan perangkat: kompresi token visual campuran 4x/16x, streaming pakar, dan sebuah fork yang menumpuk penjadwalan pakar lookahead, presisi campuran, dan decoding spekulatif untuk mencapai 20,51 token per detik yang dipublikasikan di iPhone 18 Pro Max.

Qwen3.8-Omni-Flash adalah model omni-modal native Alibaba, yang dibuka untuk pelanggan API pada 18 September 2026 dengan tagline "Omni Senses. Agentic Delivery." Konteks satu juta token, input maksimum sekitar 991K, output maksimum 131K, anggaran penalaran hingga 262K, dan hingga satu jam audio atau audio-video berkelanjutan dalam satu panggilan. Input berupa teks, gambar, audio, dan video — termasuk audio spasial stereo dan empat kanal. Output hanya teks. Model ini disajikan di platform Qianwen Alibaba dan Alibaba Cloud Model Studio dengan id API qwen3-8-omni-flash; bobotnya tidak dirilis.

• Di mana ia berjalan — MiniCPM-V 4.7 35B-A3B: perangkat Anda, iOS, Android, HarmonyOS, atau GPU di samping meja. Qwen3.8-Omni-Flash: API A​libaba, hanya versi hosted.

• Struktur biaya — MiniCPM-V 4.7 35B-A3B: perangkat keras plus listrik; unduhan Q4_K_M sebesar 21.2 GB. Qwen3.8-Omni-Flash: $0.15 per juta token masukan, $0.016 untuk cache, $0.47 keluaran.

• Media per panggilan — MiniCPM-V 4.7 35B-A3B: dibatasi oleh memori perangkat dan anggaran sampling, satu prompt dalam satu waktu. Qwen3.8-Omni-Flash: hingga satu jam audio-video terus-menerus.

• Keluaran — keduanya hanya berupa teks. Tidak ada model yang berbicara.

• Lisensi — Apache-2.0 versus API yang dihosting tanpa bobot.

Angka 98% adalah klaim biaya; notulennya adalah perbandingan yang sebenarnya.

Sorotan utama Alibaba adalah bahwa satu jam input audio berbiaya 98% lebih murah daripada di Qwen3.5-Omni-Plus, dan satu jam gabungan audio-video 93% lebih murah. Angka itu diperoleh dengan menghitung harga sampel dua menit lalu mengalikannya dengan tiga puluh, dengan video disampel pada 720p dan satu frame per detik — cara yang sah untuk mengutip harga beban kerja produksi, sekaligus deskripsi tentang apa yang diminta model untuk dilihat. Satu frame per detik cukup untuk mengetahui apa yang dikatakan dan secara kasar apa yang terjadi. Itu jauh dari cukup untuk memeriksa operasi tingkat frame atau menangkap artefak satu frame.

Lakukan perhitungan yang sama untuk model ponsel, dan bentuk keputusannya menjadi jelas. Satu jam rekaman pada satu frame per detik adalah 3.600 gambar. Pada perangkat yang mendekode 13 hingga 20 token per detik, itu bukan pekerjaan satu panggilan; itu pekerjaan yang dibatch, disampel, dan diringkas sambil berjalan, dan biayanya adalah berjam-jam waktu aktual pada perangkat keras yang sudah Anda miliki. Melalui API A​libaba, satu jam yang sama adalah satu panggilan di dalam jendela satu juta token, dihargai dalam token dan dikembalikan dalam waktu yang dibutuhkan endpoint, berapa pun lamanya. Keduanya tidak gratis, dan keduanya bukan mata uang yang sama.

Crossover-nya adalah volume dan privasi, bukan akurasi. Klinik yang tidak dapat membiarkan frame keluar dari gedung memiliki satu opsi. Tim pemantauan media dengan seribu jam per bulan memiliki opsi lainnya, karena menyampel seribu jam ke ponsel adalah pembelian perangkat keras dan masalah penjadwalan, sedangkan seribu panggilan berdurasi satu jam hanyalah pos biaya. Di antara dua kutub itu, angkanya menjadi menarik: harga Q​wen cukup rendah sehingga seratus jam peninjauan hanya beberapa ratus dolar, bukan beberapa ribu dolar, dan pada kisaran itulah "kirim saja ke API" tidak lagi terasa boros.

Berdasarkan bukti, apa yang sebenarnya menjadi keunggulan masing-masing

Angka peluncuran Qwen3.8-Omni-Flash semuanya dibandingkan dengan satu baseline — Qwen3.5-Omni-Plus — dan peningkatan rata-rata di sekitar tiga puluh evaluasi lebih dari 26%. Kenaikan terbesar adalah WildClawBench-MM pada 71,0, naik 36,5 poin, dan diarisasi penutur pada AliMeeting, dengan tingkat kesalahan turun dari 88,11 menjadi 3,35 dan cpWER dari 89,61 menjadi 17,18. Selisih sebesar itu layak diteliti secara kritis, bukan diaplausi; sebuah analisis teknis berbahasa Mandarin tentang peluncuran itu mengaitkan sebagian besar hal itu pada rekayasa front-end dan diarisasi yang membungkus model, bukan pada penalaran model, dan memperingatkan bahwa sistem tersebut terbaca sebagai khusus pendengaran dengan penalaran video mendalam yang lebih lemah. Itu pembacaan seorang kritikus, bukan replikasi, tetapi instingnya tepat. Semua angka ini milik Alibaba sendiri dan tidak satu pun telah direproduksi secara independen.

Bukti MiniCPM-V 4.7 lebih tipis dengan cara yang berbeda: lima bagan evaluasi, tanpa tabel numerik, dan dua perbandingan terarah — skor keseluruhan lebih tinggi dalam waktu inferensi yang lebih singkat daripada Qwen3.6 35B-A3B, dan peningkatan substansial dibandingkan Qwen3.5 0.8B untuk varian 1B-nya. Fakta yang dapat direproduksi adalah fakta yang ada di config.json dan daftar file: total 35,2B, 256 expert dengan 8 aktif, posisi maksimum 262.144 token, menara visi 27 lapis, Apache-2.0, dan unduhan Q4_K_M 21,2 GB. Bacalah klaim throughput sebagai pengukuran vendor pada perangkat keras yang belum pernah Anda gunakan, dan klaim akurasi sebagai belum diaudit — yang persis seperti cara OpenBMB menyajikannya.

Satu hal yang sama-sama dimiliki keduanya: tidak ada papan skor independen. Tidak ada model yang muncul di papan peringkat pihak ketiga yang netral dengan skor multimodal yang telah diaudit pada saat penulisan ini. Karena itu, membandingkan keduanya berdasarkan "benchmark" berarti menempatkan bagan dari satu vendor di samping bagan vendor lain lalu menyebut hasilnya sebagai pengukuran. Jangan.

Sampling agentik versus sampling tetap

Perbedaan teknis yang paling menarik bukanlah ukuran atau kecepatan — melainkan siapa yang memutuskan apa yang harus dilihat.

Qwen3.8-Omni-Flash hadir dengan apa yang disebut A​libaba sebagai mode Agentic Understanding, di mana model memilih apa yang akan diperiksa alih-alih memproses setiap frame, mengumpulkan bukti dalam putaran dari kasar ke halus. Pada OmniVideoBench, mode tersebut meningkatkan akurasi dari 63,4 menjadi 67,8 sekaligus memangkas token per kueri dari 145.736 menjadi 79.117 — pengurangan 45,7%. Akurasi naik dan biaya turun pada saat yang sama adalah klaim terkuat dalam rilis itu, dan itulah yang paling langsung mendukung pitch agentic.

Padanan MiniCPM-V 4.7 adalah pilihan statis yang dibuat per gambar: kompresi 16x secara default, 4x saat detail penting. Model tidak memutuskan untuk melihat lebih dekat; pemanggil yang memutuskan, dengan memberikan pengaturan berbeda. Itu desain yang tepat untuk perangkat dengan anggaran daya tetap dan desain yang salah untuk video berdurasi satu jam di mana sembilan puluh detik yang menarik tidak diumumkan.

Pertanyaan routing, yang dinyatakan dengan jujur

Kedua model tersebut tidak dilayani oleh OrcaRouter. MiniCPM-V 4.7 35B-A3B adalah checkpoint yang Anda hosting; Qwen3.8-Omni-Flash berjalan di platform milik Alibaba sendiri dan juga tidak ada dalam katalog kami. Kegunaan lapisan perutean dalam arsitektur ini adalah sebagai titik temu antara keduanya: memutuskan, untuk setiap permintaan, apakah klip cukup rutin untuk model lokal atau cukup panjang untuk membenarkan panggilan ke layanan hosted, serta melakukan failover ketika sisi hosted mengalami degradasi.

OrcaRouter menempatkan lebih dari 200 model terkelola di balik satu kunci dan meneruskan harga daftar penyedia dengan markup 0%, sehingga pemotongan harga vendor — jenis yang baru saja dilakukan A​libaba untuk audio — sampai ke tagihan Anda pada hari yang sama, bukan saat perpanjangan. Layanan ini juga melakukan failover otomatis antappenyedia, yang lebih penting untuk model omni terkelola daripada untuk telepon: telepon tidak mengalami gangguan layanan, sedangkan API bisa mengalaminya. Satu perbandingan yang dapat diverifikasi sudah ada di katalog kami: Qwen3.8-Flash, model multimodal yang menjadi dasar varian omni ini, dapat dirutekan dengan harga $0,15 per juta token input dan $0,47 output — harga daftar yang sama dengan yang dikutip A​libaba untuk model omni baru.

Memilih, dalam satu paragraf

Pilih MiniCPM-V 4.7 35B-A3B ketika frame tidak boleh meninggalkan perangkat, ketika beban kerjanya adalah banyak pengamatan singkat alih-alih sedikit pengamatan panjang, ketika operasi offline menjadi syarat, atau ketika biaya per panggilan adalah hal yang merusak unit economics Anda. Pilih Qwen3.8-Omni-Flash ketika inputnya panjang, modalitasnya campuran — audio dan video serta slide dalam satu panggilan — dan Anda lebih memilih membayar per token daripada membangun pipeline pengambilan sampel. Pilih keduanya ketika Anda memiliki tier ponsel yang memfilter sembilan puluh persen kasus rutin dan tier API yang menyerap kasus-kasus berdurasi satu jam, dan terimalah bahwa Anda sekarang memelihara dua format prompt, dua kebijakan pengambilan sampel, dan satu batas yang sangat jelas tentang frame mana yang boleh melewatinya.