MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash：スマートフォンで1時間の動画か、それとも1Mトークンの1回の呼び出し

6週間違いで登場した2つのリリースは、どちらも動画理解を解決すると主張しているが、処理をどこで行うべきかについての見解はほとんど真逆だ。OpenBMBのMiniCPM-V 4.7 35B-A3Bは約3ギガバイトでスマートフォン上で動作し、ベンダー報告で毎秒13トークン以上、呼び出しごとのコストはゼロだ。計算機がポケットの中にあるからだ。アリババのQwen3.8-Omni-Flashは、テキスト、画像、音声、動画を単一の100万トークンウィンドウに収め、1回の呼び出しで最大1時間の連続音声・動画を扱い、100万入力トークンあたり0.15ドルで販売され、前身より音声が98%安いという主要な主張を掲げている。一方はデバイスに最適化し、もう一方はコンテキストウィンドウに最適化している。処理すべき映像を抱えるチームにとって、その違いはあらゆるベンチマークより先にアーキテクチャを決定づける。 Qwen3.8-Flashはカタログに100万入力トークンあたり0.15ドルで掲載されている。 ルーティング可能なQwenモデルを確認する 1つのキー、定価を0%のマークアップでそのまま適用、プロバイダー間の自動フェイルオーバー。 このようなリリースの背景にある、記録されたAIの障害やエージェントのインシデントは次に集められている：OrcaRouter AIインシデントアーカイブ 各エントリには独自の情報源、重大度、信頼度グレード、異議フラグが付いている。

ピクセルがどこへ行くかについての2つの異なる賭け

MiniCPM-V 4.7 35B-A3Bは疎なmixture-of-experts型の視覚言語モデルです。総パラメータ数35.2B、トークンあたり約3Bがアクティブ、Apache-2.0、テキスト入力・テキスト出力で、画像、複数画像、動画の入力に対応します。2026年10月6日と7日にHugging Faceで公開され、12日にモデルカードが公開され、10日には上流のllama.cppへマージされました。エンジニアリング上の賭けは、視覚処理の大半は定型的で、カメラのある場所で起こり、デバイスの外に出るべきではないというものです。4x/16xの混合視覚トークン圧縮、エキスパートストリーミング、そして先読みエキスパートスケジューリング、混合精度、投機的デコーディングを積み重ね、iPhone 18 Pro Max上で公表値毎秒20.51トークンに到達するフォークです。

Qwen3.8-Omni-Flashは、A​libabaのネイティブなオムニモーダルモデルで、2026年9月18日に「Omni Senses. Agentic Delivery.」というタグラインでAPI顧客向けに公開されました。100万トークンのコンテキスト、最大入力は約991K、最大出力は131K、推論バジェットは262Kに達し、1回の呼び出しで最大1時間の連続音声または音声付き動画を扱えます。入力はテキスト、画像、音声、動画で、ステレオおよび4チャンネルの空間オーディオも含みます。出力はテキストのみです。A​libabaのQianwenプラットフォームおよびA​libaba Cloud Model Studioで、API ID qwen3-8-omni-flashとして提供されており、重みは公開されません。

• 実行環境 — MiniCPM-V 4.7 35B-A3B：お使いのデバイス、iOS、Android、HarmonyOS、またはデスクサイドGPU。Qwen3.8-Omni-Flash：AlibabaのAPI、ホスト型のみ。

• コスト構成 — MiniCPM-V 4.7 35B-A3B：ハードウェアと電気代。ダウンロードは21.2 GBのQ4_K_M。Qwen3.8-Omni-Flash：入力100万トークンあたり$0.15、キャッシュ$0.016、出力$0.47。

• 1回の呼び出しあたりのメディア — MiniCPM-V 4.7 35B-A3B: デバイスメモリとサンプリング予算によって制限され、一度に1つのプロンプト。Qwen3.8-Omni-Flash: 最大1時間の連続した音声・映像。

• 出力 — どちらもテキストのみ。どちらのモデルも話しません。

• ライセンス — Apache-2.0 対 重みのないホスト型API。

98%はコストに関する主張であり、実際に比較すべきなのは所要時間（分）です。

Alibabaが打ち出している売り文句は、1時間の音声入力のコストがQwen3.5-Omni-Plusより98%安く、音声と映像を合わせた1時間では93%安いというものだ。この数字は、2分間のサンプルの価格を算出して30倍することで導かれており、映像は720p・毎秒1フレームでサンプリングされている——本番ワークロードを見積もる正当な方法であり、同時にモデルが何を見るよう求められているかの説明でもある。毎秒1フレームは、何が話されたか、おおよそ何が起きたかを知るには十分だ。しかし、フレーム単位の動作を検査したり、単一フレームのアーティファクトを捉えたりするには到底足りない。

同じ計算をスマートフォンのモデルに当てはめると、この判断の構図が明確になる。1秒1フレームの映像1時間分は3,600枚の画像だ。13～20トークン/秒でデコードするデバイスでは、それは1回の呼び出しで済む仕事ではなく、バッチ処理し、サンプリングし、逐次要約していく仕事であり、そのコストはすでに手元にあるハードウェア上での数時間の実時間という形でかかる。A​libaba API経由なら、同じ1時間分は100万トークンウィンドウ内の1回の呼び出しで、トークン単位で課金され、エンドポイントにかかる時間で返ってくる。どちらも無料ではなく、同じ通貨ではない。

量とプライバシーが分岐点であり、精度ではない。建物の外にフレームを出せないクリニックには一方の選択肢がある。月に1000時間を扱うメディア監視チームにはもう一方の選択肢がある。なぜなら、1000時間分をスマートフォンでサンプリングするのはハードウェアの購入とスケジュール調整の問題だが、1000本の1時間通話は予算上の一行項目で済むからだ。その両極の間では、数字が興味深くなる。Qwenの価格は十分に安いので、100時間のレビューは数千ドルではなく数百ドルになる。これは「とにかくAPIに送ればいい」という発想が無駄に感じられなくなる価格帯だ。

証拠に基づけば、それぞれが実際に得意としていること

Qwen3.8-Omni-Flashのローンチ時の数値はすべて単一のベースライン、Qwen3.5-Omni-Plusとの比較であり、約30件の評価における平均改善率は26%超だ。最も大きな変化は、71.0で36.5ポイント上昇したWildClawBench-MMと、AliMeetingの話者ダイアライゼーションで、誤り率は88.11から3.35へ、cpWERは89.61から17.18へと低下している。これほど大きな差分は称賛よりも精査に値する。中国語によるローンチの技術分析は、その多くをモデル自体の推論力ではなく、モデルを取り巻くフロントエンドとダイアライゼーションのエンジニアリングに帰しており、このシステムは聴覚特化として読め、深い動画推論は弱いと警告している。これは批評家の読みであり、再現実験ではないが、筋の通った直感だ。これらの数値はすべてA​libaba自身によるもので、独立に再現されたものは一つもない。

MiniCPM-V 4.7の証拠は、別の意味で薄い。評価チャートが5枚、数値表はなく、方向性を示す比較が2つある。Qwen3.6 35B-A3Bより短い推論時間で高い総合スコアを記録し、1Bの兄弟モデルではQwen3.5 0.8Bを大きく上回るというものだ。再現可能な事実は、config.jsonとファイル一覧にあるものだ。合計35.2B、エキスパート256個（うち8個がアクティブ）、最大位置262,144トークン、27層のビジョンタワー、Apache-2.0、そしてQ4_K_Mのダウンロードサイズ21.2 GBである。スループットの主張は、手元にないハードウェアでのベンダー測定値として、精度の主張は未監査として読むべきだ。まさにOpenBMBがそのように提示している。

両者に共通する点が一つある。独立したスコアボードが存在しないということだ。本稿執筆時点で、どちらのモデルも、監査済みのマルチモーダルスコアを備えた中立的な第三者リーダーボードには掲載されていない。したがって、「ベンチマーク」で両者を比較するとは、一方のベンダーのチャートを別のベンダーのチャートの隣に置き、その結果を測定と呼ぶことにほかならない。そうしてはいけない。

エージェント型サンプリングと固定サンプリングの比較

最も興味深い技術的な違いは、サイズでも速度でもない — 何に目を向けるかを誰が決めるかにある。

Qwen3.8-Omni-Flashは、Alibabaが「Agentic Understanding」モードと呼ぶものを搭載している。このモードでは、モデルがすべてのフレームを処理するのではなく、何を検査するかを自ら選択し、粗い段階から細かい段階へと進む複数回のラウンドで証拠を収集する。OmniVideoBenchでは、このモードにより精度が63.4から67.8に向上し、クエリあたりのトークン数が145,736から79,117に削減される——45.7%の削減だ。精度の向上とコスト削減を同時に実現している点は、そのリリースにおける最も強い主張であり、エージェント型という訴求を最も直接的に裏付けるものである。

MiniCPM-V 4.7 における相当機能は、画像ごとに下される静的な選択です。既定では 16 倍圧縮、細部が重要な場合は 4 倍です。モデルがより細かく見ようと判断するのではなく、呼び出し元が異なる設定を渡すことで判断します。これは電力予算が固定されたデバイスには適した設計ですが、興味深い 90 秒がいつ来るか事前に知らされない 1 時間の動画には不適切な設計です。

正直に言えば、ルーティングの問題

どちらのモデルも OrcaRouter によって提供されているわけではありません。MiniCPM-V 4.7 35B-A3B はあなたがホストするチェックポイントであり、Qwen3.8-Omni-Flash は Alibaba 自身のプラットフォーム上で動作するもので、これも当社のカタログには含まれていません。このアーキテクチャにおいてルーティング層が有用なのは、両者の間の継ぎ目です。つまり、リクエストごとに、そのクリップがローカルモデルで事足りるほど定型的なのか、それともホスト側への呼び出しを正当化するほど長いのかを判断し、ホスト側が劣化した際にはフェイルオーバーすることです。

OrcaRouterは200以上のホスト型モデルを1つのキーで利用できるようにし、プロバイダーの定価を0%のマークアップでそのまま提供しますそのため、Alibabaが音声で先日行ったようなベンダーの値下げが、更新時ではなく当日の請求に反映されます。また、プロバイダー間で自動的にフェイルオーバーするため、これはホスト型オムニモデルでは電話機の場合以上に重要です。電話機は障害を起こしませんが、APIは起こします。検証可能な比較がすでに当社のカタログにあります。Qwen3.8-Flashは、このオムニ版と並んで構築されたマルチモーダルモデルで、100万入力トークンあたり0.15ドル、100万出力トークンあたり0.47ドルでルーティングできます。これはAlibabaが新しいオムニモデルに対して提示している定価と同じです。

1段落で選択する

MiniCPM-V 4.7 35B-A3B は、フレームをデバイス外に出せない場合、ワークロードが「少数の長時間の確認」ではなく「多数の短時間の確認」である場合、オフライン動作が要件である場合、または呼び出しあたりのコストがユニットエコノミクスを圧迫している場合に選んでください。Qwen3.8-Omni-Flash は、入力が長く、モダリティが混在しており（音声、動画、スライドを1回の呼び出しで処理）、サンプリングパイプラインを構築するよりトークン単位で支払う方を選ぶ場合に選んでください。両方を選ぶのは、スマートフォン層で日常的な90パーセントをフィルタリングし、API層で1時間級のケースを吸収する場合です。そのうえで、2つのプロンプト形式、2つのサンプリングポリシー、そしてどのフレームが境界を越えてよいかに関する非常に明確な境界を1つ維持することになることを受け入れてください。