MiniCPM-V 4.7 对比 Qwen3.8-Omni-Flash：手机端一小时视频，还是一次 100 万 Token 调用

相隔六周发布的两个版本，都声称能解决视频理解问题——而它们在计算应该发生在哪里这一点上，意见几乎再分歧不过。来自 OpenBMB 的 MiniCPM-V 4.7 35B-A3B 可在手机上运行，占用约三GB，厂商报告速度超过每秒 13 个 token，并且每次调用成本为零，因为计算器就在你口袋里。来自 Alibaba 的 Qwen3.8-Omni-Flash 将文本、图像、音频和视频纳入单个一百万个 token 的窗口，每次调用最多可处理整整一小时连续音视频，售价为每百万输入 token 0.15 美元，并宣称音频成本比前代低 98%。一个针对设备优化；另一个针对上下文窗口优化。对于需要处理素材的团队来说，这一差异在任何基准测试之前就决定了架构。 Qwen3.8-Flash 已收录在目录中，价格为每百万输入 token 0.15 美元。 查看可路由的 Qwen 模型 一个密钥，按目录价零加价透传，跨提供商自动故障转移。 像这次发布背后有记录的 AI 故障和智能体事件，收集在 the OrcaRouter AI Incident Archive 其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。

关于像素去向的两种不同押注

{{1}}MiniCPM-V 4.7 35B-A3B 是一款稀疏混合专家视觉语言模型：总参数为 35.2B，每个 token 约激活 3B，采用 Apache-2.0 许可，输入文本、输出文本，并支持图像、多图像和视频输入。它于 2026 年 10 月 6 日和 7 日在 Hugging Face 上线，12 日发布模型卡，10 日合并到上游 llama.cpp。其工程判断是：大多数视觉工作都是例行性的，发生在摄像头所在处，不应离开设备：混合 4x/16x 视觉 token 压缩、专家流式传输，以及一个堆叠了前瞻专家调度、混合精度和推测解码的分支，从而在 iPhone 18 Pro Max 上达到已公布的每秒 20.51 个 token。{{/1}}

Qwen3.8-Omni-Flash 是 A​libaba 的原生全模态模型，于 2026 年 9 月 18 日向 API 客户开放，口号是“全模态感知，智能体交付”。它支持 100 万 token 上下文，最大输入约 991K，最大输出 131K，推理预算最高可达 262K，单次调用最长可处理一小时连续音频或音视频。输入支持文本、图像、音频和视频——包括立体声和四声道空间音频。输出仅为文本。该模型通过 API id qwen3-8-omni-flash 在 A​libaba 的 Qianwen 平台和 Alibaba Cloud Model Studio 上提供服务；模型权重不会发布。

• 运行位置 — MiniCPM-V 4.7 35B-A3B：你的设备、iOS、Android、HarmonyOS，或桌边的 GPU。Qwen3.8-Omni-Flash：阿里巴巴的 API，仅提供托管服务。

• 成本构成 — MiniCPM-V 4.7 35B-A3B：硬件加电费；需下载 21.2 GB 的 Q4_K_M。Qwen3.8-Omni-Flash：每百万输入 token 0.15 美元，缓存 0.016 美元，输出 0.47 美元。

单次调用可处理的媒体内容 — MiniCPM-V 4.7 35B-A3B：受设备内存和采样预算限制，一次仅处理一个提示。Qwen3.8-Omni-Flash：最长可处理一小时的连续音视频。

• 输出——双方都只输出文本。两个模型都不说话。

• 许可证 — Apache-2.0 与不提供权重的托管 API 之对比。

98% 是成本说法；真正的对比在于分钟数。

阿里巴巴的核心卖点是：一小时音频输入的成本比 Qwen3.5-Omni-Plus 低 98%，一小时音视频合计输入的成本低 93%。这个数字是通过对一个两分钟样本计价再乘以三十得出的；其中视频按 720p、每秒一帧采样——这是按生产工作负载报价的一种合理方式，同时也描述了模型被要求查看的内容。每秒一帧足以知道说了什么以及大致发生了什么。但它远不足以检查帧级操作，或捕捉单帧伪影。

对手机端模型做同样的算术，决策的轮廓就清楚了。一小时视频按每秒一帧计算就是 3,600 张图像。在每秒解码 13 到 20 个 token 的设备上，这不是一次调用就能完成的任务；而是一个分批、采样、边处理边总结的任务，代价是在你已有的硬件上耗费数小时的实际时间。通过 A​libaba API，同样的一小时内容，是在百万 token 窗口内的一次调用，按 token 计价，并在端点所需的时间内返回。两者都不是免费的，而且它们不是同一种货币。

分界点在于用量与隐私，而不是准确率。不能让帧数据离开机构的诊所只有一种选择。每月有一千小时的媒体监测团队则有另一种选择，因为把一千小时的内容抽样到手机上是一项硬件采购和排期问题，而一千通一小时的电话则只是一项单项支出。在这两极之间，数字就变得有意思了：Qwen 的价格足够低，审核一百小时只需几百美元而不是几千美元，而正是在这个区间，“直接发给 API”不再显得浪费。

从证据来看，每一个实际上究竟擅长什么

Qwen3.8-Omni-Flash 的发布数据全部以同一个基线——Qwen3.5-Omni-Plus——为参照，在约三十项评测中的平均提升超过 26%。提升最大的是 WildClawBench-MM，达到 71.0，提升 36.5 分；以及 AliMeeting 上的说话人分离，错误率从 88.11 降至 3.35，cpWER 从 89.61 降至 17.18。如此大的提升值得审视，而非喝彩；一篇关于此次发布的中文技术分析将其中很大一部分归因于模型外围的前端与说话人分离工程，而非模型自身的推理能力，并提醒说，该系统给人的印象是专精于听觉，深度视频推理能力较弱。这是批评者的解读，而非复现结果，但这种直觉是对的。所有这些数字都来自 Alibaba 自己，且没有一个经过独立复现。

MiniCPM-V 4.7 的证据则以另一种方式显得更单薄：五张评估图表，没有数值表格，只有两项方向性比较——相比 Qwen3.6 35B-A3B，总体得分更高且推理时间更短；而 1B 版本相比 Qwen3.5 0.8B 有大幅提升。可复现的事实是 config.json 和文件列表中的那些：总参数 35.2B，256 个专家、激活 8 个，最大位置 262,144 个 token，27 层视觉塔，Apache-2.0，以及 21.2 GB 的 Q4_K_M 下载文件。请把吞吐量声明视为厂商在你未曾持有的硬件上测得的数值，把准确率声明视为未经审计——而这正是 OpenBMB 呈现它们的方式。

两者有一个共同点：都没有独立的记分牌。截至撰写本文时，这两个模型都没有出现在任何带有经审计多模态评分的中立第三方排行榜上。因此，用“基准测试”来比较它们，就等于把一个厂商的图表放在另一个厂商的图表旁边，然后把结果称为测量。不要这样做。

智能体采样与固定采样

最有趣的技术差异不在于规模或速度——而在于由谁来决定看什么。

Qwen3.8-Omni-Flash 搭载了 A​libaba 所称的 Agentic Understanding 模式，在该模式下，模型会自行选择需要查看的内容，而不是处理每一帧，并以由粗到细的多轮方式收集证据。在 OmniVideoBench 上，该模式将准确率从 63.4 提升至 67.8，同时将每次查询的 token 数从 145,736 降至 79,117——减少了 45.7%。准确率上升与成本下降同时实现，是该次发布中最有力的主张，也是最直接支撑其 agentic 卖点的一点。

MiniCPM-V 4.7 的对应方案是按每张图像做出的静态选择：默认采用 16 倍压缩，在细节重要时采用 4 倍压缩。模型不会自行决定进一步细看；调用方通过传入不同的设置来决定。对于功耗预算固定的设备而言，这是正确的设计；而对于时长一小时、其中有趣的九十秒又毫无预告的视频来说，这则是错误的设计。

路由问题，诚实陈述

OrcaRouter 并不提供这两个模型中的任何一个。MiniCPM-V 4.7 35B-A3B 是你自行托管的检查点；Qwen3.8-Omni-Flash 运行在 Alibaba 自己的平台上，也不在我们的产品目录中。在这种架构中，路由层的价值在于两者之间的衔接：针对每个请求判断该片段是足够常规、可以交给本地模型，还是足够长、值得发起托管调用，并在托管侧性能下降时进行故障转移。

OrcaRouter 让 200 多个托管模型共用一个密钥，并以 0% 加价按提供商目录价原样传递，因此供应商降价——就像 A​libaba 刚刚在音频上实施的那种——当天就能反映到你的账单上，而不是等到续费时。它还会跨提供商自动故障转移，这对托管的全模态模型比对手机更重要：手机不会宕机，而 API 会。我们的目录中已经有一项可验证的对比：Qwen3.8-Flash，这个全模态变体与之一同构建的多模态模型，可按每百万输入 token 0.15 美元、输出 0.47 美元的价格路由——与 A​libaba 为新全模态模型报出的目录价相同。

用一段话说明选择

当帧数据不能离开设备时，当工作负载是许多次短暂的查看而非少数几次长时间查看时，当离线运行是一项硬性要求时，或者当按次调用成本正是拖垮你单位经济性的元凶时，选择 MiniCPM-V 4.7 35B-A3B。当输入很长、模态混杂——一次调用里同时有音频、视频和幻灯片——而你宁愿按 token 付费也不愿搭建一条采样流水线时，选择 Qwen3.8-Omni-Flash。当你有一个手机层级负责过滤掉那常规的百分之九十、又有一个 API 层级负责承接那些长达一小时的案例时，就两者都用，并接受这样一个现实：你现在要维护两套提示词格式、两套采样策略，以及一条非常清晰的边界——规定哪些帧允许跨过它。