MiniCPM-V 4.7 против Qwen3.8-Omni-Flash: час видео на телефоне или один вызов на 1 млн токенов

Два релиза с разницей в шесть недель, оба заявляют, что решают задачу понимания видео, — и они радикально расходятся во мнениях о том, где должна выполняться работа. MiniCPM-V 4.7 35B-A3B от OpenBMB работает на телефоне, занимая около трёх гигабайт, со скоростью более 13 токенов в секунду по данным производителя, и ничего не стоит за вызов, потому что калькулятор у вас в кармане. Qwen3.8-Omni-Flash от Alibaba принимает текст, изображения, аудио и видео в единое окно на один миллион токенов — до целого часа непрерывного аудио-видео за вызов — и продаётся по цене $0,15 за миллион входных токенов с громким заявлением о том, что аудио обходится на 98% дешевле, чем у предшественника. Один оптимизирован под устройство, другой — под контекстное окно. Для команды, которой нужно обрабатывать видеоматериалы, эта разница определяет архитектуру раньше, чем любой бенчмарк. Qwen3.8-Flash есть в каталоге по цене $0,15 за миллион входных токенов. Проверьте модели Qwen, доступные для маршрутизации Один ключ, прайс-листовая цена без наценки (0%), автоматическое переключение при сбое между провайдерами. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и отметку о спорности.

Две разные ставки на то, куда уходят пиксели

MiniCPM-V 4.7 35B-A3B — это разреженная смесь экспертов, визуально-языковая модель: всего 35,2 млрд параметров, около 3 млрд активных на токен, лицензия Apache-2.0, текст на входе и выходе, а также изображения, несколько изображений и видео на входе. Она появилась на Hugging Face 6 и 7 октября 2026 года, карточка модели вышла 12-го, а 10-го модель включили в upstream llama.cpp. Инженерная ставка состоит в том, что большая часть визуальной работы рутинна, выполняется там, где находится камера, и не должна покидать устройство: смешанное сжатие визуальных токенов 4x/16x, потоковая передача экспертов и форк, который объединяет опережающее планирование экспертов, смешанную точность и спекулятивное декодирование, чтобы достичь опубликованного показателя 20,51 токена в секунду на iPhone 18 Pro Max.

Qwen3.8-Omni-Flash — нативная омнимодальная модель Alibaba, открытая для клиентов API 18 сентября 2026 года под слоганом «Omni Senses. Agentic Delivery.» Контекст — один миллион токенов, максимальный ввод — примерно 991K, максимальный вывод — 131K, бюджет рассуждений — до 262K, а также до часа непрерывного аудио или аудиовидео в одном вызове. На входе — текст, изображение, аудио и видео, включая стерео- и четырёхканальный пространственный звук. На выходе — только текст. Модель предоставляется на платформе Alibaba Qianwen и в Alibaba Cloud Model Studio под API-идентификатором qwen3-8-omni-flash; веса не раскрываются.

• Где работает — MiniCPM-V 4.7 35B-A3B: на вашем устройстве, iOS, Android, HarmonyOS или на настольном GPU. Qwen3.8-Omni-Flash: только через API A​libaba, только облачный хостинг.

• Структура затрат — MiniCPM-V 4.7 35B-A3B: оборудование плюс электроэнергия; загрузка Q4_K_M объёмом 21.2 GB. Qwen3.8-Omni-Flash: $0.15 за миллион входных токенов, $0.016 за кэшированные, $0.47 за выходные.

• Медиа на один вызов — MiniCPM-V 4.7 35B-A3B: ограничено памятью устройства и бюджетом сэмплирования, по одному промпту за раз. Qwen3.8-Omni-Flash: до одного часа непрерывного аудио-видео.

• Вывод — в обоих случаях только текст. Ни одна из моделей не говорит.

• Лицензия — Apache-2.0 против хостируемого API без весов.

98% — это заявление о затратах; а минуты — реальное сравнение

Ключевое заявление Alibaba: час аудиовхода стоит на 98% меньше, чем на Qwen3.5-Omni-Plus, а час комбинированного аудио-видео — на 93% меньше. Эта цифра получена путем оценки стоимости двухминутного образца и умножения на тридцать, при этом видео дискретизируется с разрешением 720p и частотой один кадр в секунду — это допустимый способ указать рабочую нагрузку в продакшене, а также описание того, что модели предлагают рассматривать. Одного кадра в секунду достаточно, чтобы понять, что было сказано и примерно что произошло. Этого совершенно недостаточно, чтобы инспектировать операции на уровне отдельных кадров или уловить артефакт в одном кадре.

Проделайте те же расчёты для модели на телефоне — и станет ясно, каким должно быть решение. Час видеозаписи при одном кадре в секунду — это 3600 изображений. На устройстве, декодирующем со скоростью от 13 до 20 токенов в секунду, это не задача для одного вызова; это работа пакетами, с выборкой и суммированием по ходу, а её стоимость — часы реального времени на оборудовании, которое у вас уже есть. Через API A​libaba тот же час — это один вызов в пределах окна на миллион токенов, оплачиваемый в токенах и возвращаемый за столько времени, сколько потребуется эндпоинту. Ни то, ни другое не бесплатно, и это не одна и та же валюта.

Водораздел проходит по объёму и конфиденциальности, а не по точности. У клиники, которая не может допустить, чтобы кадры покидали здание, есть только один вариант. У команды медиамониторинга с тысячей часов в месяц — второй: распределить тысячу часов по телефонам — это закупка оборудования и задача планирования, а тысяча часовых вызовов — всего лишь статья расходов. Между этими полюсами цифры становятся интересными: цена Qwen достаточно низкая, чтобы сто часов проверки стоили несколько сотен долларов, а не несколько тысяч, — и именно в этом диапазоне «просто отправить всё в API» перестаёт казаться расточительством.

В чём каждый из них на самом деле хорош, судя по фактам

Показатели запуска Qwen3.8-Omni-Flash приведены на фоне одной базовой модели — Qwen3.5-Omni-Plus — и среднее улучшение примерно по тридцати оценкам превышает 26%. Наибольшие сдвиги — WildClawBench-MM на уровне 71,0, рост на 36,5 балла, и диаризация спикеров на AliMeeting, где частота ошибок падает с 88,11 до 3,35, а cpWER — с 89,61 до 17,18. Такой большой прирост заслуживает тщательной проверки, а не аплодисментов; китайский технический анализ запуска относит значительную его часть на счёт инженерии фронтенда и диаризации, обёрнутой вокруг модели, а не на счёт рассуждений самой модели, и предупреждает, что система воспринимается как специализированная на слухе, с более слабыми возможностями глубокого видеорассуждения. Это трактовка критика, а не воспроизведение, но инстинкт верный. Все эти числа — собственные данные Alibaba, и ни одно из них не было независимо воспроизведено.

Доказательная база MiniCPM-V 4.7 тоньше, но по-другому: пять графиков оценки, ни одной числовой таблицы и два сравнения по направлению — более высокий общий балл при меньшем времени инференса, чем у Qwen3.6 35B-A3B, и существенный прирост по сравнению с Qwen3.5 0.8B для 1B-собрата. Воспроизводимые факты — те, что в config.json и списке файлов: всего 35,2 млрд, 256 экспертов, из которых 8 активных, максимальная позиция 262 144 токена, 27-слойная башня зрения, Apache-2.0 и загрузка Q4_K_M размером 21,2 ГБ. Воспринимайте заявления о пропускной способности как измерения вендора на оборудовании, которое вы не держали в руках, а заявления о точности — как непроверенные; именно так их и подаёт OpenBMB.

Одно их объединяет: независимой таблицы результатов нет. Ни одна из моделей на момент написания не фигурирует в нейтральном стороннем рейтинге с проверенной мультимодальной оценкой. Поэтому сравнивать их по «бенчмаркам» означало бы поставить график одного вендора рядом с графиком другого и назвать результат измерением. Не делайте этого.

Агентное семплирование против фиксированного семплирования

Самое интересное техническое различие — не размер и не скорость, а то, кто решает, на что смотреть.

Qwen3.8-Omni-Flash поставляется с тем, что Alibaba называет режимом Agentic Understanding, в котором модель сама решает, что проверять, вместо обработки каждого кадра, собирая доказательства в раундах от грубого к точному. На OmniVideoBench этот режим повышает точность с 63,4 до 67,8, одновременно сокращая число токенов на запрос с 145 736 до 79 117 — на 45,7%. Одновременный рост точности и снижение затрат — самое сильное утверждение в этом релизе, и именно оно наиболее прямо подкрепляет агентный посыл.

Эквивалент в MiniCPM-V 4.7 — это статический выбор, делаемый для каждого изображения: 16-кратное сжатие по умолчанию и 4-кратное, когда важна детализация. Модель не решает посмотреть ближе; это делает вызывающая сторона, передавая другую настройку. Это правильное решение для устройства с фиксированным энергобюджетом и неправильное — для часового видео, где интересные девяносто секунд заранее никак не обозначены.

Вопрос маршрутизации, честно сформулированный

Ни одна из этих моделей не обслуживается в OrcaRouter. MiniCPM-V 4.7 35B-A3B — это контрольная точка, которую вы размещаете у себя; Qwen3.8-Omni-Flash работает на собственных платформах Alibaba и также отсутствует в нашем каталоге. Чем полезен слой маршрутизации в этой архитектуре — так это стыком между двумя моделями: он по каждому запросу решает, достаточно ли клип рядовой для локальной модели или достаточно длинный, чтобы оправдать вызов хостируемой модели, и выполняет переключение при сбое, когда хостируемая сторона деградирует.

OrcaRouter предоставляет доступ более чем к 200 хостинговым моделям через один ключ и передаёт прайсовую цену провайдера без наценки (0%), поэтому снижение цены поставщиком — подобное тому, что A​libaba только что сделала на аудио, — попадает в ваш счёт в тот же день, а не при продлении. Он также автоматически переключается между провайдерами при сбое, что важнее для хостинговой омни-модели, чем для телефона: у телефона не бывает сбоя, а у API — бывает. Одно проверяемое сравнение уже есть в нашем каталоге: Qwen3.8-Flash — мультимодальная модель, вместе с которой разработан этот омни-вариант, — доступна для маршрутизации по цене $0.15 за миллион входных токенов и $0.47 за выходные — та же цена из прайс-листа, которую A​libaba указывает для новой омни-модели.

Выбор, в одном абзаце

Выбирайте MiniCPM-V 4.7 35B-A3B, когда кадры не могут покидать устройство, когда нагрузка — это множество коротких обращений, а не несколько длинных, когда требуется работа офлайн или когда именно стоимость одного вызова убивает вашу юнит-экономику. Выбирайте Qwen3.8-Omni-Flash, когда входные данные длинные, модальности смешаны — аудио, видео и слайды в одном вызове — и вы предпочитаете платить за токен, а не строить конвейер сэмплирования. Выбирайте оба, когда у вас есть телефонный уровень, отфильтровывающий рутинные 90%, и API-уровень, принимающий часовые случаи, и смиритесь с тем, что теперь вы поддерживаете два формата промптов, две политики сэмплирования и одну очень четкую границу в отношении того, каким кадрам разрешено ее пересекать.