MiniCPM-V 4.7 vs Qwen3.8-Omni-Flash: วิดีโอหนึ่งชั่วโมงบนโทรศัพท์ของคุณ หรือการเรียกใช้หนึ่งครั้งด้วย 1M โทเคน

สองรีลีสที่ออกห่างกันหกสัปดาห์ ซึ่งต่างอ้างว่าแก้ปัญหาการเข้าใจวิดีโอได้ — และทั้งคู่แทบจะเห็นต่างกันสุดขั้วว่างานนี้ควรเกิดขึ้นที่ใด MiniCPM-V 4.7 35B-A3B จาก OpenBMB รันบนโทรศัพท์ ในขนาดประมาณสามกิกะไบต์ ด้วยความเร็ว 13 กว่าโทเคนต่อวินาทีตามที่ผู้ขายรายงาน และไม่มีค่าใช้จ่ายต่อการเรียกใช้เลย เพราะเครื่องคิดเลขอยู่ในกระเป๋าคุณ ส่วน Qwen3.8-Omni-Flash จาก A​libaba รับข้อความ รูปภาพ เสียง และวิดีโอ เข้าสู่หน้าต่างบริบทเดียวขนาดหนึ่งล้านโทเคน รองรับออดิโอ-วิดีโอต่อเนื่องได้นานถึงหนึ่งชั่วโมงเต็มต่อการเรียกหนึ่งครั้ง และจำหน่ายในราคา 0.15 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน พร้อมข้ออ้างเด่นว่าใช้งานเสียงได้ถูกกว่ารุ่นก่อนถึง 98% ตัวหนึ่งปรับแต่งมาเพื่ออุปกรณ์ อีกตัวปรับแต่งมาเพื่อหน้าต่างบริบท สำหรับทีมที่มีฟุตเทจต้องประมวลผล ความต่างข้อนี้เป็นตัวกำหนดสถาปัตยกรรมก่อนที่ผลเบนช์มาร์กใด ๆ จะได้มีบทบาท Qwen3.8-Flash อยู่ในแคตตาล็อกในราคา 0.15 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน ตรวจดูโมเดล Qwen ที่พร้อมให้กำหนดเส้นทางได้ คีย์เดียว ราคาตามรายการส่งต่อด้วยมาร์กอัป 0% พร้อมการสลับผู้ให้บริการอัตโนมัติเมื่อเกิดข้อขัดข้อง ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้เบื้องหลังรีลีสแบบนี้ ถูกรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งเป็นของตัวเอง

สองเดิมพันที่แตกต่างกันเกี่ยวกับว่าพิกเซลจะไปที่ไหน

MiniCPM-V 4.7 35B-A3B เป็นโมเดลภาษาภาพแบบ sparse mixture-of-experts: มีพารามิเตอร์ทั้งหมด 35.2B และเปิดใช้งานประมาณ 3B ต่อโทเคน ภายใต้สัญญาอนุญาต Apache-2.0 รับข้อความเข้าและส่งข้อความเป็นผลลัพธ์ พร้อมรองรับอินพุตภาพ ภาพหลายภาพ และวิดีโอ โมเดลนี้เผยแพร่บน Hugging Face เมื่อวันที่ 6 และ 7 ตุลาคม 2026 ได้รับ model card ในวันที่ 12 และถูก merge เข้า upstream llama.cpp ในวันที่ 10 เดิมพันทางวิศวกรรมคือ งานด้านภาพส่วนใหญ่เป็นงานประจำที่เกิดขึ้น ณ ตำแหน่งของกล้อง และไม่ควรออกจากอุปกรณ์เลย: การบีบอัด visual token แบบผสม 4x/16x, expert streaming และ fork ที่ซ้อน lookahead expert scheduling, mixed precision และ speculative decoding เพื่อไปถึง 20.51 โทเคนต่อวินาทีตามที่เผยแพร่บน iPhone 18 Pro Max

Qwen3.8-Omni-Flash เป็นโมเดลออมนิมอดัลแบบเนทีฟของ Alibaba ซึ่งเปิดให้ลูกค้าที่ใช้ API เข้าใช้งานเมื่อวันที่ 18 กันยายน 2026 พร้อมสโลแกน “Omni Senses. Agentic Delivery.” โดยมีบริบท 1 ล้านโทเคน อินพุตสูงสุดประมาณ 991K เอาต์พุตสูงสุด 131K งบประมาณการให้เหตุผลสูงถึง 262K และรองรับเสียงหรือเสียงพร้อมวิดีโอต่อเนื่องได้นานสูงสุดหนึ่งชั่วโมงในการเรียกใช้งานครั้งเดียว อินพุตประกอบด้วยข้อความ รูปภาพ เสียง และวิดีโอ — รวมถึงเสียงสเตอริโอและเสียงเชิงพื้นที่แบบสี่แชนเนล เอาต์พุตเป็นข้อความเท่านั้น ให้บริการบนแพลตฟอร์ม Qianwen ของ Alibaba และ Alibaba Cloud Model Studio ภายใต้ API id qwen3-8-omni-flash โดยจะไม่มีการเผยแพร่น้ำหนักโมเดล

• ทำงานที่ไหน — MiniCPM-V 4.7 35B-A3B: อุปกรณ์ของคุณ, iOS, Android, HarmonyOS หรือ GPU ตั้งโต๊ะ Qwen3.8-Omni-Flash: API ของ Alibaba ซึ่งโฮสต์ไว้เท่านั้น

• โครงสร้างต้นทุน — MiniCPM-V 4.7 35B-A3B: ฮาร์ดแวร์บวกค่าไฟฟ้า; ไฟล์ดาวน์โหลด Q4_K_M ขนาด 21.2 GB Qwen3.8-Omni-Flash: 0.15 ดอลลาร์ต่อหนึ่งล้านโทเค็นอินพุต, 0.016 ดอลลาร์สำหรับแคช, 0.47 ดอลลาร์สำหรับเอาต์พุต

• สื่อต่อการเรียกใช้หนึ่งครั้ง — MiniCPM-V 4.7 35B-A3B: ถูกจำกัดด้วยหน่วยความจำของอุปกรณ์และงบประมาณการสุ่มตัวอย่าง โดยทำทีละพรอมต์เท่านั้น Qwen3.8-Omni-Flash: รองรับเสียงและวิดีโอต่อเนื่องได้นานสูงสุดหนึ่งชั่วโมง

• เอาต์พุต — ทั้งคู่เป็นข้อความเท่านั้น โมเดลทั้งสองไม่พูด

• สิทธิ์การใช้งาน — Apache-2.0 เทียบกับ API แบบโฮสต์ที่ไม่มีน้ำหนักโมเดล

98% เป็นข้ออ้างเรื่องต้นทุน ส่วนจำนวนนาทีคือการเปรียบเทียบที่แท้จริง

หัวข้อข่าวของ Alibaba คืออินพุตเสียงหนึ่งชั่วโมงมีต้นทุนต่ำกว่าบน Qwen3.5-Omni-Plus ถึง 98% และเสียงรวมวิดีโอหนึ่งชั่วโมงต่ำกว่า 93% ตัวเลขนี้ได้มาจากการคิดราคาตัวอย่างความยาวสองนาทีแล้วคูณด้วยสามสิบ โดยสุ่มตัวอย่างวิดีโอที่ 720p และหนึ่งเฟรมต่อวินาที — เป็นวิธีที่สมเหตุสมผลในการอ้างอิงปริมาณงานจริง และยังเป็นคำอธิบายถึงสิ่งที่โมเดลถูกขอให้ดูด้วย หนึ่งเฟรมต่อวินาทีเพียงพอที่จะรู้ว่ามีการพูดอะไรและคร่าว ๆ ว่าเกิดอะไรขึ้น แต่ไม่ใกล้เคียงพอเลยที่จะตรวจสอบการดำเนินการระดับเฟรมหรือจับสิ่งผิดปกติในเฟรมเดียว

ลองคำนวณแบบเดียวกันกับโมเดลบนโทรศัพท์ แล้วรูปร่างของการตัดสินใจจะชัดเจนขึ้น ฟุตเทจหนึ่งชั่วโมงที่หนึ่งเฟรมต่อวินาทีคือ 3,600 ภาพ บนอุปกรณ์ที่ถอดรหัสได้ 13 ถึง 20 โทเคนต่อวินาที นั่นไม่ใช่งานที่เรียกครั้งเดียวจบ แต่เป็นงานแบบแบตช์ สุ่มตัวอย่าง และสรุปไปเรื่อย ๆ และค่าใช้จ่ายคือเวลาจริงหลายชั่วโมงบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว ผ่าน API ของ A​libaba หนึ่งชั่วโมงเดียวกันนั้นคือการเรียกครั้งเดียวภายในหน้าต่างหนึ่งล้านโทเคน คิดราคาเป็นโทเคน และส่งคืนภายในเวลาที่ปลายทางใช้เท่าไรก็ตาม ทั้งสองวิธีไม่ฟรี และไม่ใช่สกุลเงินเดียวกัน

จุดตัดอยู่ที่ปริมาณและความเป็นส่วนตัว ไม่ใช่ความแม่นยำ คลินิกที่ไม่สามารถให้เฟรมออกนอกอาคารได้มีทางเลือกเดียว ทีมติดตามสื่อที่มีเวลาหนึ่งพันชั่วโมงต่อเดือนมีอีกทางเลือกหนึ่ง เพราะการนำตัวอย่างหนึ่งพันชั่วโมงไปไว้บนโทรศัพท์คือการซื้อฮาร์ดแวร์และเป็นปัญหาด้านการจัดตารางเวลา ในขณะที่การโทรหนึ่งพันครั้ง ครั้งละหนึ่งชั่วโมงเป็นเพียงรายการค่าใช้จ่าย ระหว่างสองขั้วนั้น ตัวเลขเริ่มน่าสนใจ: ราคาของ Qwen ต่ำพอที่การตรวจทานหนึ่งร้อยชั่วโมงจะมีค่าใช้จ่ายไม่กี่ร้อยดอลลาร์แทนที่จะเป็นไม่กี่พันดอลลาร์ ซึ่งเป็นช่วงที่ "แค่ส่งไปที่ API" เลิกรู้สึกว่าสิ้นเปลือง

แต่ละอันเก่งจริงเรื่องอะไร เมื่อพิจารณาจากหลักฐาน

ตัวเลขการเปิดตัวของ Qwen3.8-Omni-Flash ล้วนเทียบกับฐานอ้างอิงเดียว คือ Qwen3.5-Omni-Plus และการปรับปรุงเฉลี่ยจากการประเมินราวสามสิบรายการอยู่ที่มากกว่า 26% การขยับที่มากที่สุดคือ WildClawBench-MM ที่ 71.0 เพิ่มขึ้น 36.5 คะแนน และการแยกผู้พูดบน AliMeeting ซึ่งอัตราความผิดพลาดลดลงจาก 88.11 เหลือ 3.35 และ cpWER ลดลงจาก 89.61 เหลือ 17.18 ส่วนต่างที่ใหญ่ขนาดนั้นสมควรได้รับการตรวจสอบอย่างละเอียดมากกว่าการปรบมือ บทวิเคราะห์ทางเทคนิคภาษาจีนเกี่ยวกับการเปิดตัวนี้ระบุว่า ส่วนใหญ่มาจากงานวิศวกรรมส่วนหน้าและการแยกผู้พูดที่ห่อหุ้มโมเดลไว้ มากกว่ามาจากการให้เหตุผลของโมเดลเอง และเตือนว่าระบบดูเหมือนเชี่ยวชาญด้านการได้ยินโดยเฉพาะ แต่การให้เหตุผลเชิงวิดีโอเชิงลึกอ่อนกว่า นั่นคือการตีความของนักวิจารณ์ ไม่ใช่การทำซ้ำผล แต่เป็นสัญชาตญาณที่ถูกต้อง ตัวเลขทั้งหมดนี้เป็นของ Alibaba เอง และยังไม่มีตัวเลขใดได้รับการทำซ้ำอย่างอิสระ

หลักฐานของ MiniCPM-V 4.7 บางกว่าในอีกลักษณะหนึ่ง: แผนภูมิประเมินผลห้าแผนภูมิ ไม่มีตารางตัวเลข และการเปรียบเทียบเชิงทิศทางสองรายการ — คะแนนรวมสูงกว่าโดยใช้เวลาอนุมานน้อยกว่าเมื่อเทียบกับ Qwen3.6 35B-A3B และมีการเพิ่มขึ้นอย่างมากเมื่อเทียบกับ Qwen3.5 0.8B สำหรับรุ่นพี่น้อง 1B ข้อเท็จจริงที่ทำซ้ำได้คือสิ่งต่างๆ ใน config.json และรายการไฟล์: ทั้งหมด 35.2B, ผู้เชี่ยวชาญ 256 รายโดยเปิดใช้งาน 8 ราย, ตำแหน่งสูงสุด 262,144 โทเค็น, วิสชันทาวเวอร์ 27 ชั้น, Apache-2.0 และไฟล์ดาวน์โหลด Q4_K_M ขนาด 21.2 GB ควรอ่านข้อกล่าวอ้างเรื่องทรูพุตเป็นผลการวัดของผู้จำหน่ายบนฮาร์ดแวร์ที่คุณไม่ได้ถือครอง และข้อกล่าวอ้างเรื่องความแม่นยำเป็นสิ่งที่ยังไม่ได้ตรวจสอบ — ซึ่งเป็นวิธีที่ OpenBMB นำเสนอข้อมูลเหล่านี้พอดี

ทั้งสองมีสิ่งหนึ่งที่เหมือนกัน: ไม่มีกระดานคะแนนที่เป็นอิสระ ณ เวลาที่เขียนนี้ ไม่มีโมเดลใดปรากฏอยู่บนลีดเดอร์บอร์ดของบุคคลที่สามที่เป็นกลางพร้อมคะแนนมัลติโมดัลที่ผ่านการตรวจสอบ ดังนั้น การเปรียบเทียบทั้งสองบน "เบนช์มาร์ก" จึงหมายถึงการนำแผนภูมิของผู้ขายรายหนึ่งไปวางข้างแผนภูมิของผู้ขายอีกรายหนึ่ง แล้วเรียกผลลัพธ์นั้นว่าการวัด อย่าทำเช่นนั้น

การสุ่มแบบเอเจนติกเทียบกับการสุ่มแบบคงที่

ความแตกต่างทางเทคนิคที่น่าสนใจที่สุดไม่ใช่ขนาดหรือความเร็ว — แต่คือใครเป็นผู้ตัดสินใจว่าจะดูอะไร

Qwen3.8-Omni-Flash มาพร้อมกับสิ่งที่ A​libaba เรียกว่าโหมด Agentic Understanding ซึ่งโมเดลจะเลือกว่าจะตรวจสอบอะไร แทนที่จะประมวลผลทุกเฟรม โดยรวบรวมหลักฐานเป็นรอบๆ จากภาพรวมหยาบไปสู่รายละเอียด บน OmniVideoBench โหมดนี้เพิ่มความแม่นยำจาก 63.4 เป็น 67.8 พร้อมกับลดโทเค็นต่อคิวรีจาก 145,736 เหลือ 79,117 — ลดลง 45.7% การที่ความแม่นยำเพิ่มขึ้นและต้นทุนลดลงพร้อมกันเป็นคำกล่าวอ้างที่แข็งแกร่งที่สุดในการเปิดตัวครั้งนั้น และเป็นข้อที่สนับสนุนจุดขายด้านเอเจนต์ได้ตรงที่สุด

สิ่งที่เทียบเท่าใน MiniCPM-V 4.7 คือการเลือกแบบคงที่ที่ทำต่อภาพแต่ละภาพ: บีบอัด 16x เป็นค่าเริ่มต้น และ 4x เมื่อรายละเอียดสำคัญ โมเดลไม่ได้ตัดสินใจจะมองใกล้ขึ้นเอง ผู้เรียกเป็นผู้ตัดสินใจ โดยส่งการตั้งค่าที่แตกต่างออกไป นั่นเป็นการออกแบบที่ถูกต้องสำหรับอุปกรณ์ที่มีงบพลังงานคงที่ และเป็นการออกแบบที่ผิดสำหรับวิดีโอความยาวหนึ่งชั่วโมงซึ่งช่วงเก้าสิบวินาทีที่น่าสนใจนั้นไม่ได้ถูกบอกล่วงหน้า

คำถามเรื่องการกำหนดเส้นทาง หากพูดกันตามตรง

OrcaRouter ไม่ได้ให้บริการโมเดลทั้งสองนี้ MiniCPM-V 4.7 35B-A3B เป็นเช็กพอยต์ที่คุณโฮสต์เอง ส่วน Qwen3.8-Omni-Flash รันบนแพลตฟอร์มของ Alibaba เอง และไม่ได้อยู่ในแคตตาล็อกของเราเช่นกัน สิ่งที่ชั้นการกำหนดเส้นทางมีประโยชน์ในสถาปัตยกรรมนี้คือรอยต่อระหว่างทั้งสองฝั่ง ได้แก่ การตัดสินใจในแต่ละคำขอว่าคลิปนั้นเป็นงานปกติพอสำหรับโมเดลโลคอล หรือยาวพอที่จะคุ้มกับการเรียกใช้โมเดลที่โฮสต์ และการสลับไปใช้ฝั่งสำรองเมื่อฝั่งที่โฮสต์มีประสิทธิภาพลดลง

OrcaRouter รวมโมเดลที่โฮสต์ไว้มากกว่า 200 รุ่นไว้ภายใต้คีย์เดียว และส่งต่อราคาตามรายการของผู้ให้บริการด้วยมาร์กอัป 0% ดังนั้นเมื่อผู้จำหน่ายลดราคา — แบบที่ A​libaba เพิ่งทำสำหรับบริการเสียง — ใบแจ้งหนี้ของคุณจะได้รับผลในวันเดียวกัน แทนที่จะต้องรอถึงรอบต่ออายุ นอกจากนี้ยังมีระบบ failover อัตโนมัติข้ามผู้ให้บริการ ซึ่งสำคัญกว่าสำหรับโมเดลออมนีแบบโฮสต์มากกว่าสำหรับโทรศัพท์: โทรศัพท์ไม่เกิดเหตุระบบล่ม แต่ API เกิดได้ มีตัวอย่างเปรียบเทียบที่ตรวจสอบได้หนึ่งรายการอยู่ในแคตตาล็อกของเราแล้ว: Qwen3.8-Flash ซึ่งเป็นโมเดลมัลติโมดัลที่ตัวแปรออมนีนี้ถูกสร้างขึ้นมาควบคู่กัน สามารถกำหนดเส้นทางได้ในราคา $0.15 ต่อล้านโทเค็นอินพุต และ $0.47 ต่อล้านโทเค็นเอาต์พุต — เป็นราคาตามรายการเดียวกับที่ A​libaba เสนอสำหรับโมเดลออมนีใหม่

การเลือกในหนึ่งย่อหน้า

เลือก MiniCPM-V 4.7 35B-A3B เมื่อเฟรมไม่สามารถออกจากอุปกรณ์ได้ เมื่อภาระงานเป็นการดูระยะสั้นจำนวนมากมากกว่าการดูระยะยาวเพียงไม่กี่ครั้ง เมื่อการทำงานแบบออฟไลน์เป็นข้อกำหนด หรือเมื่อต้นทุนต่อการเรียกใช้คือสิ่งทำลายเศรษฐศาสตร์ต่อหน่วยของคุณ เลือก Qwen3.8-Omni-Flash เมื่ออินพุตยาว โมดัลลิตีผสมกัน — เสียง วิดีโอ และสไลด์ในครั้งเดียว — และคุณยอมจ่ายตามโทเคนมากกว่าสร้างไปป์ไลน์การสุ่มตัวอย่าง เลือกทั้งสองเมื่อคุณมีระดับโทรศัพท์ที่กรองเคสปกติ 90% และระดับ API ที่รองรับเคสยาวเป็นชั่วโมง และยอมรับว่าตอนนี้คุณต้องดูแลรูปแบบพรอมป์สองแบบ นโยบายการสุ่มสองชุด และขอบเขตที่ชัดเจนมากหนึ่งข้อว่ามีเฟรมใดบ้างที่ได้รับอนุญาตให้ข้ามขอบเขตนั้น