알리바바 Qwen3.8-Omni-Flash — 텍스트·이미지·음성·영상을 1M 토큰으로 처리하는 모델

알리바바 Qwen 팀이 9월 18일 새 모델을 출시했다. Qwen3.8-Omni-Flash. 이름에서 특성이 다 드러난다. "Omni"는 여러 종류의 입력을 동시에 처리한다는 뜻이고, "Flash"는 빠르고 효율적이라는 의미다.

텍스트, 이미지, 오디오, 영상을 모두 받아서 처리한다. 그것도 별도 모듈을 거치는 게 아니라 하나의 모델에서 네이티브로 처리한다. 컨텍스트 윈도우는 100만 토큰이다.

Gemini 1.5와 어떻게 다른가

멀티모달 모델의 기준점은 Google Gemini 1.5다. Qwen3.8-Omni-Flash와 어떻게 다른지 짚어볼 필요가 있다.

가장 큰 차이는 에이전트 영상 처리 효율이다. Qwen 팀의 발표에 따르면 에이전트 영상 작업에서 토큰 사용량이 이전 모델(Qwen3.5-Omni-Plus) 대비 45.7% 감소했다. 같은 영상을 분석하는 데 토큰이 반도 안 든다는 뜻이다. API 비용으로 직결되는 수치다.

30개 이상의 평가 항목에서 Qwen3.5-Omni-Plus 대비 평균 26% 이상 성능 향상을 보였다고 알리바바는 밝혔다.

비교 대상은 전작이지만, 에이전트 영상 처리에서의 토큰 절감은 GPT-4o나 Gemini 1.5와 비교해도 의미 있는 수치로 보인다.

어떤 용도에 적합한가

네이티브 멀티모달이 강점을 보이는 상황이 있다.

영상을 보면서 실시간 설명을 듣고, 텍스트 질문에 답하는 작업. 예를 들어 제조 공정 영상을 보여주면서 "이 단계에서 발생하는 오류 유형을 분류해줘"라고 요청하는 케이스다. 텍스트-이미지만 처리하는 모델은 영상을 프레임으로 쪼개서 각각 처리해야 한다. 네이티브 옴니 모델은 영상 전체를 연속적으로 이해한다.

유통, 물류, 제조 분야에서 이런 용도가 많다. 카메라 영상 + 운영 데이터 + 텍스트 지시를 동시에 처리하는 에이전트에 활용된다.

오픈소스로 출시됐다

Qwen3.8-Omni-Flash는 오픈소스로 공개됐다. HuggingFace와 ModelScope에서 직접 받아서 로컬에서 실행하거나 파인튜닝할 수 있다.

이건 중요한 포인트다. GPT-4o나 Gemini 1.5는 API로만 쓸 수 있는 프로프라이어터리 모델이다. Qwen3.8-Omni-Flash는 직접 배포하고 커스터마이징할 수 있다. 데이터 프라이버시가 중요한 기업이나, API 비용을 최소화하고 싶은 스타트업에게는 의미 있는 선택지다.

한눈에 보기 — 핵심 요약