2026 年 9 月，两件和长视频理解相关的事撞到一起：9 月 15 日 iOS 27 与 macOS 27 正式版推送，WWDC26 发布会的内容进入可用期；9 月 17 日，Qwen 团队发布新一代原生全模态模型 Qwen3.8-Omni-Flash，音频输入降价超过 98%。跑分和官方演示不缺，拿一条真实长片完整跑一遍的工程记录很少。
工程视角的问题很直接：76 分钟带音轨的长片，能不能一口气看懂，链路放进命令行工具里跑不跑得通？
我完整走了一遍。链路四层：体积预处理 → 全片目录与时间戳 → 图文笔记与截图点位 → 按戳抽帧验证。全程理解类任务只用一条命令：bl omni。以下是实测记录。
场景：一条需要「预处理 + 理解 + 定位 + 取证」的长视频链路
长视频理解的工程特征和短素材完全不同：素材先过体积关，76 分钟高码率片子 907MB 直传，上传链路在约 5 分钟处断掉，报 Request timed out（exit 5）；输出要能定位，时间戳是引用的前提；结论要能取证，抽帧核对才算落地；场景要能降级，音频模式行不行。
先交代一个机制：Agent 不会因为普通提问就调用 bl，路由规则写在 skill 里，点名模型才走 CLI。所有分析都从同一句话开始：
用百炼的 qwen3.8-omni-flash 看看这段视频讲了什么。这是 WWDC26 发布会的完整录像。
907MB 那次的解法是一行 ffmpeg：压到 360p、140MB，重传后 2 分 05 秒跑通全片；转码约三分钟，不花钱，教训沉淀成一条规则：
分析长视频前，先把素材转码压到 200MB 以内再传；超过 500MB 的片子，先截前 10 分钟试跑，确认内容识别正常，再跑全片。
能力一：全片目录与分钟级时间戳
76 分钟切成 14 段，2 分 05 秒返回约 5000 字，每段带分钟级时间范围：00:00 开场致辞、02:45 总览与 macOS 命名，一路排到 74:10 的片尾音乐短片，连出场说唱歌手 Erick the Architect 都认对了。macOS 27 命名「Golden Gate」的桥段、台上的黄色嬉皮面包车，细节全对上。
这段输出的工程价值在时间戳：有分钟级坐标，目录就是索引。儿童保护那段标了 16:40 到 27:20，Siri AI 从 33:10 起，想引用哪一幕直接按坐标回看。
bl omni --model qwen3.8-omni-flash \
--video wwdc26-keynote-360p.mp4 \
--message "这是一段 76 分钟的发布会完整录像，请把整场发布会按时间顺序梳理成一份内容目录" \
--text-only
三个参数里有两个容易踩：--model 必须显式点名，缺省走的是上代 qwen3.5-omni-plus；--text-only 跳过默认的语音回复合成，分析场景只要文字。
顺带试了一组提炼：8 条重点、2 分半返回，排序把「天天会碰到的」放前面。
能力二：图文笔记与截图点位，抽帧 5/5 全对
加码任务：整理成 10 节图文笔记，最后列出最值得截图的 5 个时刻。2 分 51 秒返回。它给点位，我负责抽帧核对：
- 04:47，黄色嬉皮面包车停在公园小径旁，Golden Gate 命名揭晓前一幕；
- 07:44，Liquid Glass 透明度滑杆，左端 Ultra Clear；
- 29:37，Apple Foundation Models 与 Google Gemini 两张神经网络图融合；
- 40:41，Siri 为「巴西 vs 摩洛哥」观赛派对生成的菜单，feijoada、tagine 在列；
- 65:55，Spatial Reframing 重构照片，裁掉的边缘由生成模型补全。
按时间戳换算成秒（04:47 是 287 秒）逐张抽帧：
ffmpeg -ss 287 -i wwdc26-keynote-540p.mp4 -frames:v 1 0447.png
五张逐一核对：面包车颜色、滑杆位置、两家模型名并排、菜单菜品，5/5 一处不差。这个闭环把「看片」变「查片」：模型给坐标，帧图当证据，验证成本一条 ffmpeg 命令。精度边界：坐标到分钟级，秒级定位还得自己抽帧确认。
能力三：音频-only 对照与场景分工
音轨单独提出来（71MB）跑同样的总结任务，4 分 21 秒返回。口播信息覆盖得挺全：儿童安全细节、现场例子、地区限制都在。丢的是画面梗：黄色面包车、透明度滑杆、模型合作图一个没提；输出里还有转录痕迹，专有名词中英混排，它真的只是在「听」。
场景线由此划出：会议纪要、访谈、播客、课程录音这类信息都在「讲」里的，音频模式够用；发布会、产品演示、带画面教学的，走视频。
关键发现：一个机制，一个边界
机制在账单里：长视频在模型侧走抽帧采样，上限 2048 帧，超过约 17 分钟自动摊薄，一小时约 1.7 秒取一帧；音频按秒计费（每秒 7 个 token）。这就是单次两分钱的根源。
边界在验真上：同一份素材，问「讲了什么」又稳又准；换个问法问「这是不是真的」，它把官方录像判成「第三方（很可能 AI 生成）的概念视频」，六条依据头头是道：版本号 27「从未被苹果公布」、Liquid Glass 是 2025 年 6 月发布的、画面「过于干净」被当成 AI 痕迹（实际是 360p 压缩伪影）。补一句前提更正后当场改判，自析原因是世界知识截止：训练语料里的世界还没有 WWDC26，新内容全被归入「虚构」。
内容分析靠视听，事实校验靠世界知识，而世界知识有截止日期。
成本与额度
实测账：跑实验前后各查一次用量取差值，六次全片分析（目录、提炼、笔记、验真、机理、音频）合计 0.14 元；单次 76 分钟全片分析，三分钟、两分钱上下。核账命令：
bl usage stats --model qwen3.8-omni-flash --days 2
放回官方降价线：上代同系模型的音频输入是 53 元每百万 token，现在的 Omni-Flash 是 0.8 元。一整场发布会看完，两分钱。
小结
四层链路可以迁移到其他长音视频场景：会议录音、课程录像、访谈素材、发布会回放。要点是分工清楚：预处理给本地 ffmpeg，理解与定位给模型，取证独立出来。三条规则已写进 Agent 的规则文件，下次丢长素材，它会先转码再上传。
补一个边界：这套链路适合「素材长、需要定位、结论要核对」的任务；几分钟的短素材或单问题单答案，直接一问一答就够。
实测于 2026-09。环境：CLI 安装、API Key 签发。成本数据以自己账号
bl usage stats为准。
