MiniCPM-V 4.7 so với Qwen3.8-Omni-Flash: Một giờ video trên điện thoại của bạn, hay một cuộc gọi 1M token

Hai bản phát hành, cách nhau sáu tuần, cả hai đều tuyên bố giải quyết bài toán hiểu video — và chúng gần như mâu thuẫn hoàn toàn về việc công việc nên diễn ra ở đâu. MiniCPM-V 4.7 35B-A3B của OpenBMB chạy trên điện thoại, trong khoảng ba gigabyte, với tốc độ hơn 13 token mỗi giây theo công bố của nhà cung cấp, và không tốn phí mỗi lần gọi vì máy tính nằm ngay trong túi bạn. Qwen3.8-Omni-Flash của Alibaba đưa văn bản, hình ảnh, âm thanh và video vào một cửa sổ một triệu token duy nhất, tối đa một giờ âm thanh-video liên tục mỗi lần gọi, và được bán với giá 0,15 USD mỗi triệu token đầu vào cùng tuyên bố nổi bật rằng âm thanh rẻ hơn 98% so với phiên bản tiền nhiệm. Một bên tối ưu cho thiết bị; bên kia tối ưu cho cửa sổ ngữ cảnh. Với một nhóm có cảnh quay cần xử lý, khác biệt đó quyết định kiến trúc trước cả bất kỳ bài đánh giá nào. Qwen3.8-Flash có trong danh mục với giá 0,15 USD mỗi triệu token đầu vào. Kiểm tra các mô hình Qwen có thể định tuyến Một khóa, giá niêm yết được chuyển nguyên vẹn với 0% lợi nhuận chênh lệch, tự động chuyển đổi dự phòng giữa các nhà cung cấp. Các sự cố AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như thế này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Hai cách đặt cược khác nhau về việc các pixel sẽ đi về đâu

MiniCPM-V 4.7 35B-A3B là một mô hình ngôn ngữ-thị giác mixture-of-experts thưa: tổng cộng 35,2B tham số, khoảng 3B tham số hoạt động mỗi token, Apache-2.0, đầu vào văn bản và đầu ra văn bản, với đầu vào hình ảnh, nhiều hình ảnh và video. Mô hình được đưa lên Hugging Face vào ngày 6 và 7 tháng 10 năm 2026, có model card vào ngày 12, và được hợp nhất vào upstream llama.cpp vào ngày 10. Canh bạc kỹ thuật nằm ở chỗ phần lớn công việc thị giác là thường nhật, diễn ra ngay tại nơi đặt camera và lẽ ra không bao giờ phải rời khỏi thiết bị: nén token thị giác hỗn hợp 4x/16x, truyền phát expert, và một bản fork xếp chồng lập lịch expert lookahead, độ chính xác hỗn hợp và giải mã suy đoán để đạt tốc độ 20,51 token/giây đã được công bố trên iPhone 18 Pro Max.

Qwen3.8-Omni-Flash là mô hình đa phương thức toàn diện gốc của A​libaba, được mở cho khách hàng API vào ngày 18 tháng 9 năm 2026 với khẩu hiệu "Omni Senses. Agentic Delivery." Ngữ cảnh một triệu token, đầu vào tối đa khoảng 991K, đầu ra tối đa 131K, ngân sách suy luận lên tới 262K và tối đa một giờ âm thanh hoặc âm thanh-video liên tục trong một lần gọi. Đầu vào là văn bản, hình ảnh, âm thanh và video — bao gồm âm thanh không gian stereo và bốn kênh. Đầu ra chỉ là văn bản. Mô hình được cung cấp trên nền tảng Qianwen của A​libaba và A​libaba Cloud Model Studio dưới mã API qwen3-8-omni-flash; trọng số không được phát hành.

• Nơi nó chạy — MiniCPM-V 4.7 35B-A3B: thiết bị của bạn, iOS, Android, HarmonyOS hoặc GPU để bàn. Qwen3.8-Omni-Flash: API của Alibaba, chỉ chạy trên máy chủ.

• Hình thái chi phí — MiniCPM-V 4.7 35B-A3B: phần cứng cộng tiền điện; bản tải xuống Q4_K_M 21,2 GB. Qwen3.8-Omni-Flash: $0.15 mỗi triệu token đầu vào, $0.016 cho token được lưu đệm, $0.47 cho đầu ra.

• Đa phương tiện mỗi lần gọi — MiniCPM-V 4.7 35B-A3B: bị giới hạn bởi bộ nhớ thiết bị và ngân sách lấy mẫu, mỗi lần một prompt. Qwen3.8-Omni-Flash: tối đa một giờ âm thanh-video liên tục.

• Đầu ra — cả hai chỉ là văn bản. Không mô hình nào nói.

• Giấy phép — Apache-2.0 so với API được host không kèm trọng số.

Con số 98% chỉ là một tuyên bố về chi phí; số phút mới là phép so sánh thực sự.

Tiêu đề của Alibaba là một giờ đầu vào âm thanh có chi phí thấp hơn 98% so với trên Qwen3.5-Omni-Plus, và một giờ âm thanh-video kết hợp thấp hơn 93%. Con số đó được tính bằng cách định giá một mẫu hai phút rồi nhân với ba mươi, với video được lấy mẫu ở 720p và một khung hình mỗi giây — một cách hợp lý để báo giá cho khối lượng công việc sản xuất, đồng thời cũng là mô tả về những gì mô hình được yêu cầu nhìn vào. Một khung hình mỗi giây đủ để biết nội dung đã được nói và đại khái chuyện gì đã xảy ra. Nó còn xa mới đủ để kiểm tra các thao tác ở cấp độ khung hình hoặc phát hiện một lỗi tạo tác chỉ trong một khung hình.

Chạy phép tính tương tự với mô hình trên điện thoại và hình dạng của quyết định trở nên rõ ràng. Một giờ video ở tốc độ một khung hình mỗi giây là 3.600 hình ảnh. Trên một thiết bị giải mã ở 13 đến 20 token mỗi giây, đó không phải là công việc gọi một lần; đó là công việc theo lô, lấy mẫu, vừa xử lý vừa tóm tắt, và chi phí là hàng giờ thời gian thực trên phần cứng bạn đã sở hữu. Qua API Alibaba, cùng một giờ đó là một lần gọi trong cửa sổ một triệu token, được định giá bằng token và trả về trong bất kỳ khoảng thời gian nào endpoint cần. Cả hai đều không miễn phí, và chúng không cùng một loại tiền tệ.

Điểm giao thoa là khối lượng và quyền riêng tư, không phải độ chính xác. Một phòng khám không thể để khung hình rời khỏi tòa nhà thì có một lựa chọn. Một đội giám sát truyền thông với một nghìn giờ mỗi tháng thì có lựa chọn còn lại, bởi lấy mẫu một nghìn giờ lên điện thoại là một khoản mua sắm phần cứng và một bài toán lịch trình, trong khi một nghìn cuộc gọi một giờ là một khoản mục chi phí. Giữa hai cực đó, các con số trở nên thú vị: giá Q​wen đủ thấp để một trăm giờ rà soát chỉ tốn vài trăm đô la thay vì vài nghìn đô la, tức là khoảng mà "cứ gửi nó lên API" không còn cảm thấy lãng phí.

Mỗi thứ thực sự giỏi ở điểm nào, xét theo bằng chứng

Các con số công bố của Qwen3.8-Omni-Flash đều so với một mốc cơ sở duy nhất — Qwen3.5-Omni-Plus — và mức cải thiện trung bình trên khoảng ba mươi đánh giá là hơn 26%. Những mức tăng lớn nhất là WildClawBench-MM ở 71,0, tăng 36,5 điểm, và phân tách người nói trên AliMeeting, nơi tỷ lệ lỗi giảm từ 88,11 xuống 3,35 và cpWER từ 89,61 xuống 17,18. Một mức chênh lệch lớn như vậy đáng bị xem xét kỹ hơn là được tán thưởng; một phân tích kỹ thuật tiếng Trung về buổi ra mắt cho rằng phần lớn mức tăng đến từ kỹ thuật tiền xử lý và phân tách người nói được bọc quanh mô hình chứ không phải từ khả năng suy luận của mô hình, và cảnh báo rằng hệ thống có vẻ chuyên về nghe với khả năng suy luận video sâu yếu hơn. Đó là cách đọc của một nhà phê bình, không phải một lần tái lập, nhưng đó là trực giác đúng. Tất cả những con số này là của chính A​libaba và chưa có con số nào được tái lập độc lập.

Bằng chứng của MiniCPM-V 4.7 mỏng hơn theo một cách khác: năm biểu đồ đánh giá, không có bảng số liệu, và hai so sánh định hướng — điểm tổng thể cao hơn trong thời gian suy luận ít hơn so với Qwen3.6 35B-A3B, và mức cải thiện đáng kể so với Qwen3.5 0.8B đối với phiên bản 1B cùng dòng. Những sự thật có thể tái tạo là những gì nằm trong config.json và danh sách tệp: tổng 35.2B, 256 chuyên gia với 8 chuyên gia hoạt động, vị trí tối đa 262,144 token, tháp thị giác 27 lớp, Apache-2.0, và bản tải xuống Q4_K_M 21.2 GB. Hãy đọc các tuyên bố về thông lượng như số đo của nhà cung cấp trên phần cứng bạn chưa từng cầm, và các tuyên bố về độ chính xác như chưa được kiểm toán — đúng như cách OpenBMB trình bày chúng.

Một điểm chung của cả hai: không có bảng điểm độc lập. Tại thời điểm viết bài, không mô hình nào xuất hiện trên một bảng xếp hạng trung lập của bên thứ ba với điểm đa phương thức đã được kiểm toán. Vì vậy, so sánh chúng trên "benchmarks" sẽ có nghĩa là đặt biểu đồ của nhà cung cấp này cạnh biểu đồ của nhà cung cấp khác và gọi kết quả đó là một phép đo. Đừng làm vậy.

Lấy mẫu tác tử so với lấy mẫu cố định

Sự khác biệt kỹ thuật thú vị nhất không nằm ở kích thước hay tốc độ — mà ở chỗ ai là người quyết định sẽ nhìn vào điều gì.

Qwen3.8-Omni-Flash ra mắt thứ mà Alibaba gọi là chế độ Agentic Understanding, trong đó mô hình tự chọn nội dung cần kiểm tra thay vì xử lý mọi khung hình, thu thập bằng chứng theo các vòng từ thô đến mịn. Trên OmniVideoBench, chế độ này nâng độ chính xác từ 63,4 lên 67,8 đồng thời giảm số token mỗi truy vấn từ 145.736 xuống 79.117 — mức giảm 45,7%. Độ chính xác tăng và chi phí giảm cùng lúc là tuyên bố mạnh nhất trong bản phát hành đó, và là tuyên bố hỗ trợ trực tiếp nhất cho định hướng agentic.

Tương đương của MiniCPM-V 4.7 là một lựa chọn tĩnh được đưa ra cho từng ảnh: mặc định nén 16x, 4x khi chi tiết quan trọng. Mô hình không tự quyết định nhìn kỹ hơn; người gọi mới quyết định, bằng cách truyền một cài đặt khác. Đó là thiết kế đúng cho một thiết bị có ngân sách năng lượng cố định và là thiết kế sai cho một video dài một giờ, nơi chín mươi giây thú vị không được báo trước.

Câu hỏi về định tuyến, nói một cách trung thực

OrcaRouter không cung cấp mô hình nào trong hai mô hình này. MiniCPM-V 4.7 35B-A3B là một checkpoint do bạn tự vận hành; Qwen3.8-Omni-Flash chạy trên các nền tảng riêng của A​libaba và cũng không nằm trong danh mục của chúng tôi. Vai trò mà một lớp định tuyến phát huy tốt trong kiến trúc này chính là điểm nối giữa hai bên: quyết định, theo từng yêu cầu, liệu đoạn clip có đủ thông thường để mô hình cục bộ xử lý hay đủ dài để đáng một lệnh gọi tới mô hình được host, và chuyển sang dự phòng khi phía được host suy giảm.

OrcaRouter đặt hơn 200 mô hình được lưu trữ phía sau một khóa duy nhất và chuyển nguyên giá niêm yết của nhà cung cấp với mức chênh lệch 0%, nhờ vậy khi nhà cung cấp cắt giá — kiểu như A​libaba vừa thực hiện với âm thanh — hóa đơn của bạn nhận được ngay trong cùng ngày thay vì đợi đến kỳ gia hạn. Nó cũng tự động chuyển dự phòng giữa các nhà cung cấp, điều này quan trọng hơn với một mô hình omni được lưu trữ so với một chiếc điện thoại: điện thoại không gặp sự cố gián đoạn dịch vụ, còn API thì có. Một so sánh có thể kiểm chứng đã có sẵn trong danh mục của chúng tôi: Qwen3.8-Flash, mô hình đa phương thức mà biến thể omni này được xây dựng song hành, có thể định tuyến với giá 0,15 USD cho mỗi triệu token đầu vào và 0,47 USD cho đầu ra — đúng mức giá niêm yết mà A​libaba báo cho mô hình omni mới.

Lựa chọn, trong một đoạn văn

Chọn MiniCPM-V 4.7 35B-A3B khi các khung hình không thể rời khỏi thiết bị, khi khối lượng công việc là nhiều lượt xem ngắn chứ không phải ít lượt xem dài, khi vận hành ngoại tuyến là yêu cầu bắt buộc, hoặc khi chi phí mỗi lần gọi chính là thứ đang bào mòn hiệu quả kinh tế đơn vị của bạn. Chọn Qwen3.8-Omni-Flash khi đầu vào dài, các phương thức đầu vào bị trộn lẫn — âm thanh, video và slide trong cùng một lần gọi — và bạn thà trả tiền theo token còn hơn tự xây một pipeline lấy mẫu. Chọn cả hai khi bạn có một tầng điện thoại lọc các trường hợp thường nhật chiếm chín mươi phần trăm và một tầng API tiếp nhận các trường hợp kéo dài hàng giờ, đồng thời chấp nhận rằng giờ đây bạn đang duy trì hai định dạng prompt, hai chính sách lấy mẫu, và một ranh giới rất rõ ràng về việc những khung hình nào được phép vượt qua ranh giới đó.