arXiv 上出现一篇题为《Qwen3.8-Omni: Towards Native Omni-Modal Agents》的论文，收录分类为「模型」。从标题看，这是 Qwen 系列在全模态方向上的又一次推进，值得注意的关键词有两个：「原生（Native）」与「智能体（Agents）」。
「Omni-Modal」通常指模型在单一架构内同时处理文本、图像、音频、视频等多种模态的输入输出，而不是用多个独立模型拼接成流水线。标题中的「Native」进一步强调这种能力是模型内生的，而非依赖外挂编码器或调度层临时组合。落到实际使用上，这关系到跨模态信息能否在同一表示空间内对齐，进而影响语音对话、视频理解、图文混合推理等场景的稳定性与响应延迟，也是衡量一个模型是否真正「全模态」的核心分界。
「Agents」则指向另一层目标：模型不再只做多模态问答，而要作为智能体的基座，在环境中感知、决策并调用工具。全模态输入叠加智能体能力，意味着模型可以直接接收真实世界的音频与视频流，再据此执行任务。这也是当前多模态研究从「看懂」走向「做事」的一条主线，而把这两件事放进同一个模型标题里，本身就说明了研究取向。
需要说明的是，目前可获取的公开信息仅为论文标题与「模型」这一分类，摘要等正文内容尚未提供，模型规模、训练数据、评测结果以及是否开源都无法确认。对于关注 Qwen 系列演进路线的开发者，这篇论文可以放进待读列表，但具体结论仍需以论文正文为准。
论文链接：https://arxiv.org/abs/2609.25611