MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash: En timme video på din telefon, eller ett enda samtal på 1 miljon token

Två lanseringar med sex veckors mellanrum som båda hävdar att de löser videoförståelse – och de kunde knappast vara mer oense om var arbetet bör ske. MiniCPM-V 4.7 35B-A3B från OpenBMB körs på en telefon, i cirka tre gigabyte, med 13+ tokens per sekund enligt leverantören, och kostar inget per anrop eftersom kalkylatorn finns i fickan. Qwen3.8-Omni-Flash från Alibaba tar text, bild, ljud och video i ett enda fönster på en miljon token, upp till en hel timme kontinuerlig ljud och video per anrop, och säljs för $0.15 per miljon indatatoken med ett rubrikpåstående om 98 % billigare ljud än föregångaren. Den ena optimerar för enheten; den andra optimerar för kontextfönstret. För ett team med filmmaterial att bearbeta avgör den skillnaden arkitekturen innan något benchmark gör det. Qwen3.8-Flash finns i katalogen för $0.15 per miljon indatatoken. Kolla in de Qwen-modeller som kan routas En nyckel, listpris som förs vidare med 0 % påslag, automatisk redundansväxling mellan leverantörer. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Två olika vadslagningar om vart pixlarna tar vägen

MiniCPM-V 4.7 35B-A3B är en gles synspråkmodell av typen mixture-of-experts: 35,2 miljarder parametrar totalt, cirka 3 miljarder aktiva per token, Apache-2.0, text in och text ut, med bild-, flerbilds- och videoinmatning. Den lades upp på Hugging Face den 6 och 7 oktober 2026, fick sitt modellkort den 12:e och slogs samman med upstream llama.cpp den 10:e. Ingenjörsantagandet är att det mesta visuella arbetet är rutinmässigt, sker där kameran är och aldrig bör lämna enheten: blandad 4x/16x visuell tokenkomprimering, expert-streaming och en fork som staplar lookahead-expertschemaläggning, blandad precision och spekulativ avkodning för att nå en publicerad hastighet på 20,51 token per sekund på en iPhone 18 Pro Max.

Qwen3.8-Omni-Flash är Alibabas inbyggda omnimodala modell, som öppnades för API-kunder den 18 september 2026 med sloganen "Omni Senses. Agentic Delivery." En miljon token i kontext, cirka 991K maximal indata, 131K maximal utdata, en resonemangsbudget som når 262K och upp till en timmes kontinuerligt ljud eller ljud och video i ett enda anrop. Indata är text, bild, ljud och video – inklusive stereo och fyrakanaligt rumsligt ljud. Utdata är endast text. Den tillhandahålls på Alibabas Qianwen-plattform och Alibaba Cloud Model Studio under API-id:t qwen3-8-omni-flash; vikterna släpps inte.

• Var det körs — MiniCPM-V 4.7 35B-A3B: din enhet, iOS, Android, HarmonyOS eller ett GPU-kort vid skrivbordet. Qwen3.8-Omni-Flash: A​libabas API, endast som värdtjänst.

• Kostnadsbild — MiniCPM-V 4.7 35B-A3B: hårdvara plus el; en nedladdning på 21,2 GB Q4_K_M. Qwen3.8-Omni-Flash: 0,15 USD per miljon indatatoken, 0,016 USD för cachade token, 0,47 USD för utdata.

• Media per anrop — MiniCPM-V 4.7 35B-A3B: begränsas av enhetens minne och samplingsbudget, en prompt i taget. Qwen3.8-Omni-Flash: upp till en timme kontinuerlig ljud och video.

• Utdata – endast text från båda. Ingen av modellerna talar.

• Licens — Apache-2.0 kontra ett hostat API utan vikter.

98 procent är ett kostnadspåstående; minuterna är den verkliga jämförelsen.

Alibabas rubrik är att en timmes ljudinmatning kostar 98 % mindre än på Qwen3.5-Omni-Plus, och en timme kombinerat ljud och video 93 % mindre. Den siffran fås genom att prissätta ett tvåminutersprov och multiplicera med trettio, med video samplad i 720p och en bildruta per sekund – ett legitimt sätt att ange en produktionsarbetsbelastning, och också en beskrivning av vad modellen ombeds titta på. En bildruta per sekund räcker för att veta vad som sades och ungefär vad som hände. Det är långt ifrån tillräckligt för att granska operationer på bildrutenivå eller fånga en artefakt i en enskild bildruta.

Gör samma beräkning för telefonmodellen, och beslutets karaktär blir tydlig. En timme film med en bildruta per sekund är 3 600 bilder. På en enhet som avkodar 13 till 20 tokens per sekund är det inte ett jobb med ett enda anrop; det är ett batchat jobb med sampling där man sammanfattar efter hand, och kostnaden är timmar av realtid på hårdvara du redan äger. Via A​libaba API är samma timme ett enda anrop inom ett fönster på en miljon tokens, prissatt i tokens och returnerat på den tid som endpointen tar. Inget av alternativen är gratis, och de är inte samma valuta.

Skärningspunkten handlar om volym och integritet, inte träffsäkerhet. En klinik som inte kan låta bildrutor lämna byggnaden har ett alternativ. Ett mediebevakningsteam med tusen timmar i månaden har det andra, eftersom att sampla tusen timmar till telefoner är ett hårdvaruköp och ett schemaläggningsproblem, medan tusen en timme långa samtal är en budgetpost. Mellan dessa poler blir siffrorna intressanta: Qwen-priset är tillräckligt lågt för att hundra timmars granskning ska kosta några hundra dollar i stället för några tusen, vilket är intervallet där ”skicka bara till API:et” slutar kännas slösaktigt.

Vad var och en faktiskt är bra på, utifrån bevisen

Qwen3.8-Omni-Flash:s lanseringssiffror jämförs alla mot en enda baslinje – Qwen3.5-Omni-Plus – och den genomsnittliga förbättringen över ungefär trettio utvärderingar är mer än 26 %. De största förändringarna är WildClawBench-MM på 71,0, en uppgång med 36,5 punkter, och talardiarisering på AliMeeting, där felfrekvensen sjunker från 88,11 till 3,35 och cpWER från 89,61 till 17,18. En så stor skillnad förtjänar granskning snarare än applåder; en kinesisk teknisk analys av lanseringen tillskriver mycket av den front-end- och diariseringsarbete som omsluter modellen snarare än modellens resonemang, och varnar för att systemet framstår som specialiserat på hörsel med svagare djupgående videoresonemang. Det är en kritikers tolkning, inte en replikering, men det är rätt instinkt. Alla dessa siffror är A​libabas egna och ingen av dem har oberoende reproducerats.

MiniCPM-V 4.7:s bevis är tunnare på ett annat sätt: fem utvärderingsdiagram, ingen numerisk tabell och två riktningsjämförelser – högre totalpoäng på kortare inferenstid än Qwen3.6 35B-A3B, och betydande vinster över Qwen3.5 0.8B för 1B-syskonmodellen. De reproducerbara fakta är de som finns i config.json och filförteckningen: 35,2B totalt, 256 experter med 8 aktiva, maximal position på 262 144 token, ett 27-lagrigt visionstorn, Apache-2.0 och en nedladdning på 21,2 GB för Q4_K_M. Läs påståendena om genomströmning som leverantörens mätningar på hårdvara du inte har hållit i, och påståendena om noggrannhet som ogranskade – vilket är precis så som OpenBMB presenterar dem.

En sak som båda har gemensamt: ingen oberoende resultattavla. Ingen av modellerna förekommer på en neutral tredjepartsresultattavla med en granskad multimodal poäng när detta skrivs. Att jämföra dem utifrån "benchmarks" skulle därför innebära att ställa ett leverantörsdiagram bredvid ett annat leverantörsdiagram och kalla resultatet en mätning. Gör inte det.

Agentisk sampling kontra fast sampling

Den mest intressanta tekniska skillnaden är inte storlek eller hastighet — det är vem som bestämmer vad man ska titta på.

Qwen3.8-Omni-Flash levereras med det som Alibaba kallar Agentic Understanding-läge, där modellen väljer vad den ska granska i stället för att bearbeta varje bildruta och samlar bevis i omgångar från grovt till fint. På OmniVideoBench höjer det läget noggrannheten från 63,4 till 67,8 samtidigt som tokens per fråga minskar från 145 736 till 79 117 – en minskning med 45,7 %. Att noggrannheten ökar och kostnaden sjunker samtidigt är det starkaste påståendet i den lanseringen, och det är det som mest direkt stöder det agentiska budskapet.

MiniCPM-V 4.7:s motsvarighet är ett statiskt val som görs per bild: 16x komprimering som standard, 4x när detaljer spelar roll. Modellen beslutar inte att titta närmare; det gör anroparen genom att skicka en annan inställning. Det är rätt design för en enhet med en fast effektbudget och fel design för en timmeslång video där de intressanta nittio sekunderna är oannonserade.

Routningsfrågan, ärligt formulerad

Ingen av modellerna tillhandahålls av OrcaRouter. MiniCPM-V 4.7 35B-A3B är en checkpoint som du är värd för; Qwen3.8-Omni-Flash körs på A​libabas egna plattformar och finns inte heller i vår katalog. Det som ett routningslager kan användas till i den här arkitekturen är sömmen mellan de två: att för varje begäran avgöra om klippet är tillräckligt rutinmässigt för den lokala modellen eller tillräckligt långt för att motivera ett hostat anrop, och att växla över när den hostade sidan försämras.

OrcaRouter samlar över 200 hostade modeller bakom en enda nyckel och för vidare leverantörernas listpris med 0 % påslag, så en prissänkning från en leverantör – den typ som Alibaba nyss gjorde på ljud – når din faktura samma dag i stället för vid förnyelsen. Den växlar också automatiskt över mellan leverantörer vid fel, vilket spelar större roll för en hostad omni-modell än för en telefon: telefonen drabbas inte av något avbrott, men det gör API:et. En verifierbar jämförelse finns redan i vår katalog: Qwen3.8-Flash, den multimodala modell som den här omni-varianten byggs vid sidan av, går att routa till $0,15 per miljon indatatoken och $0,47 för utdata – samma listpris som Alibaba anger för den nya omni-modellen.

Att välja, i ett stycke

Välj MiniCPM-V 4.7 35B-A3B när bildrutorna inte kan lämna enheten, när arbetsbelastningen består av många korta blickar snarare än få långa, när offline-drift är ett krav, eller när kostnaden per anrop är det som förstör din enhetsekonomi. Välj Qwen3.8-Omni-Flash när indatan är lång, modaliteterna är blandade – ljud, video och presentationsbilder i ett och samma anrop – och du hellre betalar per token än bygger en samplingspipeline. Välj båda när du har en telefonnivå som filtrerar bort de rutinmässiga 90 procenten och en API-nivå som tar hand om de timslånga fallen, och acceptera att du nu underhåller två promptformat, två samplingsprinciper och en mycket tydlig gräns för vilka bildrutor som får korsa den.