MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash: Uma hora de vídeo no seu celular, ou uma chamada de 1 milhão de tokens

Dois lançamentos, com seis semanas de diferença, que ambos afirmam resolver a compreensão de vídeo — e dificilmente poderiam discordar mais sobre onde o trabalho deve acontecer. O MiniCPM-V 4.7 35B-A3B, da OpenBMB, roda em um celular, em cerca de três gigabytes, a mais de 13 tokens por segundo, segundo o fornecedor, e não custa nada por chamada porque a calculadora está no seu bolso. O Qwen3.8-Omni-Flash, da A​libaba, recebe texto, imagem, áudio e vídeo em uma única janela de um milhão de tokens, até uma hora inteira de áudio-vídeo contínuo por chamada, e é vendido a US$ 0,15 por milhão de tokens de entrada, com a alegação de destaque de áudio 98% mais barato que o do seu antecessor. Um otimiza para o dispositivo; o outro otimiza para a janela de contexto. Para uma equipe com filmagens para processar, essa diferença decide a arquitetura antes de qualquer benchmark. O Qwen3.8-Flash está no catálogo a US$ 0,15 por milhão de tokens de entrada. Confira os modelos Qwen roteáveis Uma chave, preço de tabela repassado com 0% de markup, failover automático entre provedores. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de contestação.

Duas apostas diferentes sobre para onde os pixels vão

O MiniCPM-V 4.7 35B-A3B é um modelo de visão-linguagem de mistura de especialistas esparsa: 35,2 mil milhões de parâmetros no total, cerca de 3 mil milhões ativos por token, Apache-2.0, texto como entrada e texto como saída, com entrada de imagem, várias imagens e vídeo. Ficou disponível no Hugging Face a 6 e 7 de outubro de 2026, recebeu a sua ficha de modelo no dia 12 e foi integrado no llama.cpp upstream no dia 10. A aposta de engenharia é que a maior parte do trabalho visual é rotineiro, acontece onde está a câmara e nunca deve sair do dispositivo: compressão mista de tokens visuais 4x/16x, streaming de especialistas e um fork que acumula agendamento de especialistas com lookahead, precisão mista e descodificação especulativa para atingir os 20,51 tokens por segundo publicados num iPhone 18 Pro Max.

O Qwen3.8-Omni-Flash é o modelo omni-modal nativo da A​libaba, disponibilizado para clientes de API em 18 de setembro de 2026 com o slogan “Sentidos Omni. Entrega Agêntica.” Um milhão de tokens de contexto, aproximadamente 991 mil de entrada máxima, 131 mil de saída máxima, um orçamento de raciocínio que chega a 262 mil e até uma hora de áudio ou áudio-vídeo contínuo em uma única chamada. A entrada é texto, imagem, áudio e vídeo — incluindo áudio espacial estéreo e de quatro canais. A saída é somente texto. Ele é servido na plataforma Qianwen da A​libaba e no A​libaba Cloud Model Studio sob o ID de API qwen3-8-omni-flash; os pesos não serão disponibilizados.

• Onde é executado — MiniCPM-V 4.7 35B-A3B: seu dispositivo, iOS, Android, HarmonyOS ou uma GPU de desktop. Qwen3.8-Omni-Flash: API da Alibaba, somente hospedada.

• Formato de custo — MiniCPM-V 4.7 35B-A3B: hardware mais eletricidade; um download de 21,2 GB Q4_K_M. Qwen3.8-Omni-Flash: US$ 0,15 por milhão de tokens de entrada, US$ 0,016 em cache, US$ 0,47 de saída.

Mídia por chamada — MiniCPM-V 4.7 35B-A3B: limitada pela memória do dispositivo e pelo orçamento de amostragem, um prompt por vez. Qwen3.8-Omni-Flash: até uma hora de áudio-vídeo contínuo.

• Saída — ambos apenas texto. Nenhum dos modelos fala.

• Licença — Apache-2.0 versus uma API hospedada sem pesos.

Os 98% são uma alegação de custo; os minutos são a comparação real.

O principal destaque da Alibaba é que uma hora de entrada de áudio custa 98% menos do que no Qwen3.5-Omni-Plus, e uma hora de áudio e vídeo combinados custa 93% menos. Esse número é obtido precificando uma amostra de dois minutos e multiplicando por trinta, com o vídeo amostrado em 720p e um quadro por segundo — uma forma legítima de cotar uma carga de trabalho de produção, e também uma descrição daquilo que se pede ao modelo para observar. Um quadro por segundo é suficiente para saber o que foi dito e, aproximadamente, o que aconteceu. Está longe de ser suficiente para inspecionar operações no nível de quadro ou detectar um artefato de um único quadro.

Aplique a mesma aritmética ao modelo no celular e o formato da decisão fica claro. Uma hora de filmagem a um quadro por segundo são 3.600 imagens. Em um dispositivo que decodifica a 13–20 tokens por segundo, isso não é um trabalho de uma única chamada; é um trabalho em lotes, com amostragem e resumo contínuo, e o custo é horas de tempo de relógio em hardware que você já possui. Pela API da A​libaba, a mesma hora é uma chamada dentro de uma janela de um milhão de tokens, cobrada em tokens e retornada no tempo que o endpoint levar. Nenhuma das opções é gratuita, e elas não usam a mesma moeda.

O ponto de virada é volume e privacidade, não precisão. Uma clínica que não pode deixar os frames saírem do edifício tem uma opção. Uma equipe de monitoramento de mídia com mil horas por mês tem a outra, porque amostrar mil horas em telefones é uma compra de hardware e um problema de agendamento, enquanto mil chamadas de uma hora são um item orçamentário. Entre esses polos, os números ficam interessantes: o preço do Q​wen é baixo o suficiente para que cem horas de revisão custem algumas centenas de dólares, em vez de alguns milhares, que é a faixa em que “é só enviar para a API” deixa de parecer desperdício.

No que cada um é realmente bom, com base nas evidências

Os números de lançamento do Qwen3.8-Omni-Flash são todos comparados a uma única linha de base — Qwen3.5-Omni-Plus — e a melhoria média em cerca de trinta avaliações é superior a 26%. Os maiores avanços são WildClawBench-MM em 71,0, alta de 36,5 pontos, e a diarização de falantes no AliMeeting, onde a taxa de erro cai de 88,11 para 3,35 e o cpWER de 89,61 para 17,18. Um delta tão grande merece escrutínio, e não aplausos; uma análise técnica chinesa do lançamento atribui boa parte dele à engenharia de front-end e de diarização em torno do modelo, e não ao raciocínio do modelo, e adverte que o sistema parece especializado em audição, com raciocínio profundo de vídeo mais fraco. Essa é a leitura de um crítico, não uma replicação, mas é o instinto certo. Todos esses números são da própria A​libaba e nenhum foi reproduzido de forma independente.

As evidências do MiniCPM-V 4.7 são mais escassas de uma forma diferente: cinco gráficos de avaliação, nenhuma tabela numérica e duas comparações direcionais — pontuação geral mais alta em menos tempo de inferência do que o Qwen3.6 35B-A3B, e ganhos substanciais sobre o Qwen3.5 0.8B para o modelo irmão de 1B. Os fatos reproduzíveis são os que estão no config.json e na listagem de arquivos: 35,2B no total, 256 especialistas com 8 ativos, posição máxima de 262.144 tokens, uma torre de visão de 27 camadas, Apache-2.0 e um download Q4_K_M de 21,2 GB. Leia as alegações de throughput como medições do fornecedor em hardware que você não teve em mãos, e as alegações de precisão como não auditadas — que é exatamente como a OpenBMB as apresenta.

Uma coisa que ambos compartilham: nenhum placar independente. Nenhum dos modelos aparece em um ranking neutro de terceiros com uma pontuação multimodal auditada no momento da redação. Compará-los em "benchmarks" significaria, portanto, colocar o gráfico de um fornecedor ao lado do gráfico de outro fornecedor e chamar o resultado de medição. Não faça isso.

Amostragem agêntica versus amostragem fixa

A diferença técnica mais interessante não é o tamanho ou a velocidade — é quem decide o que observar.

O Qwen3.8-Omni-Flash traz o que a Alibaba chama de modo Agentic Understanding, no qual o modelo escolhe o que inspecionar em vez de processar cada quadro, reunindo evidências em rodadas do grosseiro ao fino. No OmniVideoBench, esse modo eleva a precisão de 63,4 para 67,8 enquanto reduz os tokens por consulta de 145.736 para 79.117 — uma redução de 45,7%. Precisão para cima e custo para baixo ao mesmo tempo é a alegação mais forte desse lançamento, e é a que sustenta mais diretamente a proposta agêntica.

O equivalente do MiniCPM-V 4.7 é uma escolha estática feita por imagem: compressão de 16x por padrão, 4x quando o detalhe importa. O modelo não decide olhar mais de perto; quem faz a chamada decide, passando uma configuração diferente. Esse é o design certo para um dispositivo com um orçamento de energia fixo e o errado para um vídeo de uma hora em que os noventa segundos interessantes não são anunciados.

A questão do roteamento, dita honestamente

Nenhum dos dois modelos é servido pelo OrcaRouter. O MiniCPM-V 4.7 35B-A3B é um checkpoint que você hospeda; o Qwen3.8-Omni-Flash roda nas próprias plataformas da A​libaba e também não está no nosso catálogo. O que uma camada de roteamento oferece nesta arquitetura é a articulação entre os dois: decidir, por requisição, se o clipe é rotineiro o suficiente para o modelo local ou longo o suficiente para justificar uma chamada hospedada, e fazer failover quando o lado hospedado degrada.

O OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única chave e repassa o preço de tabela do provedor com 0% de margem, então um corte de preço do fornecedor — como o que a A​libaba acabou de fazer em áudio — chega à sua fatura no mesmo dia, e não apenas na renovação. Ele também faz failover automático entre provedores, o que importa mais para um modelo omni hospedado do que para um telefone: o telefone não fica indisponível, mas a API fica. Já há uma comparação verificável em nosso catálogo: o Qwen3.8-Flash, o modelo multimodal com o qual esta variante omni é desenvolvida em conjunto, é roteável a US$ 0,15 por milhão de tokens de entrada e US$ 0,47 de saída — o mesmo preço de tabela que a A​libaba anuncia para o novo modelo omni.

Escolhendo, em um parágrafo

Escolha o MiniCPM-V 4.7 35B-A3B quando os quadros não puderem sair do dispositivo, quando a carga de trabalho for muitas observações curtas em vez de poucas e longas, quando a operação offline for um requisito ou quando o custo por chamada estiver destruindo sua economia unitária. Escolha o Qwen3.8-Omni-Flash quando a entrada for longa, as modalidades forem mistas — áudio, vídeo e slides em uma única chamada — e você preferir pagar por token a construir um pipeline de amostragem. Escolha ambos quando você tiver uma camada de telefone filtrando os 90% rotineiros e uma camada de API absorvendo os casos de uma hora, e aceite que agora você mantém dois formatos de prompt, duas políticas de amostragem e uma fronteira muito clara sobre quais quadros podem cruzá-la.