克雷西 发自 凹非寺量子位 | 公众号 QbitAI阿里出了个新的Agent基座模型来得有点猝不及防。就是Qwen3.7-Max预览版在Arena上测了没两天正式版就跟出来了。它在Arena全球大模型盲测总榜上拿下国产第一推理核心评测全面超过Claude Opus-4.6。Qwen3.7-Max不仅能在使用不同的Harness时保持一致的优异表现更是把长程自主执行能力拉满持续数十小时还不掉线。为了证明这一点阿里让它在一个长期监控任务自主运行了80多个小时其间执行了上万次调用。Qwen3.7-Max的API即将通过阿里云百炼上线。连续自主运行86小时Qwen3.7-Max主打的是Agent能力核心是长程自主执行持续数十小时、跨越上千次工具调用还不掉线。它可以在从未见过的硬件上优化推理算子拿到一块训练数据中未提及的芯片没有文档、没有参考实现Qwen3.7-Max也能从零开始干出结果。在阿里自研的平头哥真武M890芯片上仅凭借一个任务描述、一份SGLang现有实现和一个评估脚本Qwen3.7-Max就完成了任务。它先读懂现有实现然后开始写kernel、编译、跑性能测试、分析瓶颈、再改。这个循环持续了大约35小时完成了432次kernel评估、1158次工具调用。中途遇到编译错误它自己诊断碰到正确性bug它自己修性能卡住了就重新设计架构。在运行超过30小时之后它仍在发现新的有效优化点并主动发起了一次关键的架构重设计。最终相对SGLang Triton官方参考实现取得了10倍加速。把这个任务交给其他国产模型最高的加速比达到只有7.3倍甚至有几个模型因为连续五轮没有发出任何工具调用判断自己无法继续推进主动停下来了。它也可以模拟经营一家公司跨越数百轮决策还不乱套。在一个模拟创业公司完整经营周期的基准测试YC-Bench里它经营一家公司整整“一年”任务横跨员工管理、合同筛选、识别恶意客户还要在人力成本持续攀升的情况下守住盈利底线。Qwen3.7-Max最终营收2.08M美元是Qwen3.6-Plus1.05M的两倍、Qwen3.5-Plus352K的近六倍累计完成237项任务。它中途还展现出了策略进化主动探索客户、识别并拉黑恶意陷阱、从危机中自主恢复最终收敛到稳定的执行节奏。它还可以接入真实的训练流程里充当监控自己发现问题、自己写规则、自己验证。接入SWE的RL训练监控之后Qwen3.7-Max自主运行了86小时这段时间内执行了超过一万次调用。它自主拉取训练轨迹并回放归纳候选作弊模式对检测规则进行验证、反例挖掘和迭代优化最终新增13条启发式规则识别了1618个作弊案例。跨框架的表现同样稳定。把Qwen3.7-Max放到Claude Code、OpenClaw、Qwen Code里跑同一个任务结果都是一致的。这说明它不只是学到了某个特定框架的使用习惯更拥有了解决任务本身的能力。除了计算机中的框架它甚至可以通过工具调用操控机器狗在物理环境中执行规划、记忆和决策驱动四足机器人在真实空间里行进整个交互过程持续长达20分钟。推理超过Claude Opus-4.6Agent能力之外Qwen3.7-Max的通用能力同样扛打。文本类任务重它的预览版本在Arena拿下国产第一整体性能已经逼近GPT、Claude、Gemini的顶配版本。这个位置基本反映了它在真实使用场景里的综合表现。推理是最亮眼的部分。在GPQA Diamond、HLE、HMMT 2026 Feb这几个公认难度最高的基准上它全面超过了Claude Opus-4.6。其中HLE是目前学术界公认最难的综合推理测试之一题目由各领域顶尖专家出题设计初衷就是让现有模型答不上来。Qwen3.7-Max在上面拿到41.4Opus-4.6是40.0。它在数学竞赛方向同样强势IMOAnswerBench上拿到90.0Apex上拿到44.5两项均超过DeepSeek V4 Pro。编程方面同样拿得出手。Terminal Bench 2.0-Terminus是一个模拟真实终端开发环境的编程智能体基准Qwen3.7-Max得分69.7超过DS-V4-Pro Max的67.9和Opus-4.6的65.4。SWE系列覆盖真实软件工程任务Pro、Multilingual、Verified三个子榜上Qwen3.7-Max均处于当前第一梯队。前端生成方面给一条prompt它可以直接输出带Three.js 3D场景、Canvas动画或动态SVG的完整页面。用Three.js创建一个实时交互的3D粒子系统网页。要求1.通过摄像头检测手掌张合控制粒子群的收缩与扩散当手掌张开时例子扩散当手掌握紧时例子收缩为一个球2.当手势为1时粒子组成文字hello, world当手势为2时组成文字 I’am Qwen3.粒子需实时响应手势变化4.文字应有3D旋转效果5. 用html实现指令遵循、多语言、长文本方面Qwen3.7-Max也都跟得上。IFBench衡量的是模型对复杂指令的精准执行能力Qwen3.7-Max拿到79.1超过DeepSeek V4 Pro的77.0。长文本理解MRCR-v2 128k上它拿到90.4超过Opus-4.6的84.0在需要从超长上下文中精准定位信息的任务上表现稳定。多语言评测WMT24覆盖55种语言MAXIFE覆盖23种语言设置在两个Bencmark中Qwen3.7-Max也均处于领先位置。跨框架Agent能力这样炼成Qwen3.7-Max能练出这些能力背后有一套方法论核心是训练环境的扩展方式。阿里把每个训练实例拆解成三个相互独立的组件包括任务、运行框架和验证器。三者可以自由重组同一个任务可以低成本地和不同类型、不同版本的框架及验证器组合这让训练规模的扩展变得更高效。更关键的是模型在训练时会在多变的框架配置下处理同一批任务被迫学习真正解决问题的策略而不是记住某个特定框架的使用习惯。除了组建之外另一个关键是训练环境全部来自真实场景不使用合成替代品。评测时使用的也全是训练中从未出现过的领域外环境。这种设定意味着模型在测试时面对的永远是陌生的组合它能答对靠的只能是真实的泛化能力。阿里观察到一个规律任意基准子集上的性能增益高度一致可以可靠地预测其他基准的相对增益。换句话说能力的提升是整体性的通过观察它在A测试上进步了多少基本可以准确预测它在B测试上会进步多少。这说明环境扩展带来的不是针对某几个评测的过拟合是模型在更底层的任务理解和执行能力上的真实提升。这套方法也解释了为什么Qwen3.7-Max在跨框架场景下表现如此稳定。它在训练时从未针对Claude Code、OpenClaw或Qwen Code做过专项优化但放到这些框架里跑结果依然一致。正是因为训练过程中模型始终面对的是任务和框架的随机组合它才没有机会走捷径只能把解决问题的能力真正内化下来。参考链接https://qwen.ai/blog?idqwen3.7一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法—完—专属AI产品从业者的实名社群只聊AI产品最落地的真问题扫码添加小助手发送「姓名公司职位」申请入群进群后你将直接获得 最新最专业的AI产品信息及分析 不定期发放的热门产品内测码 内部专属内容与专业讨论 点亮星标 科技前沿进展每日见
阿里让Qwen3.7-Max模拟创业，一年“营收”1400万
克雷西 发自 凹非寺量子位 | 公众号 QbitAI阿里出了个新的Agent基座模型来得有点猝不及防。就是Qwen3.7-Max预览版在Arena上测了没两天正式版就跟出来了。它在Arena全球大模型盲测总榜上拿下国产第一推理核心评测全面超过Claude Opus-4.6。Qwen3.7-Max不仅能在使用不同的Harness时保持一致的优异表现更是把长程自主执行能力拉满持续数十小时还不掉线。为了证明这一点阿里让它在一个长期监控任务自主运行了80多个小时其间执行了上万次调用。Qwen3.7-Max的API即将通过阿里云百炼上线。连续自主运行86小时Qwen3.7-Max主打的是Agent能力核心是长程自主执行持续数十小时、跨越上千次工具调用还不掉线。它可以在从未见过的硬件上优化推理算子拿到一块训练数据中未提及的芯片没有文档、没有参考实现Qwen3.7-Max也能从零开始干出结果。在阿里自研的平头哥真武M890芯片上仅凭借一个任务描述、一份SGLang现有实现和一个评估脚本Qwen3.7-Max就完成了任务。它先读懂现有实现然后开始写kernel、编译、跑性能测试、分析瓶颈、再改。这个循环持续了大约35小时完成了432次kernel评估、1158次工具调用。中途遇到编译错误它自己诊断碰到正确性bug它自己修性能卡住了就重新设计架构。在运行超过30小时之后它仍在发现新的有效优化点并主动发起了一次关键的架构重设计。最终相对SGLang Triton官方参考实现取得了10倍加速。把这个任务交给其他国产模型最高的加速比达到只有7.3倍甚至有几个模型因为连续五轮没有发出任何工具调用判断自己无法继续推进主动停下来了。它也可以模拟经营一家公司跨越数百轮决策还不乱套。在一个模拟创业公司完整经营周期的基准测试YC-Bench里它经营一家公司整整“一年”任务横跨员工管理、合同筛选、识别恶意客户还要在人力成本持续攀升的情况下守住盈利底线。Qwen3.7-Max最终营收2.08M美元是Qwen3.6-Plus1.05M的两倍、Qwen3.5-Plus352K的近六倍累计完成237项任务。它中途还展现出了策略进化主动探索客户、识别并拉黑恶意陷阱、从危机中自主恢复最终收敛到稳定的执行节奏。它还可以接入真实的训练流程里充当监控自己发现问题、自己写规则、自己验证。接入SWE的RL训练监控之后Qwen3.7-Max自主运行了86小时这段时间内执行了超过一万次调用。它自主拉取训练轨迹并回放归纳候选作弊模式对检测规则进行验证、反例挖掘和迭代优化最终新增13条启发式规则识别了1618个作弊案例。跨框架的表现同样稳定。把Qwen3.7-Max放到Claude Code、OpenClaw、Qwen Code里跑同一个任务结果都是一致的。这说明它不只是学到了某个特定框架的使用习惯更拥有了解决任务本身的能力。除了计算机中的框架它甚至可以通过工具调用操控机器狗在物理环境中执行规划、记忆和决策驱动四足机器人在真实空间里行进整个交互过程持续长达20分钟。推理超过Claude Opus-4.6Agent能力之外Qwen3.7-Max的通用能力同样扛打。文本类任务重它的预览版本在Arena拿下国产第一整体性能已经逼近GPT、Claude、Gemini的顶配版本。这个位置基本反映了它在真实使用场景里的综合表现。推理是最亮眼的部分。在GPQA Diamond、HLE、HMMT 2026 Feb这几个公认难度最高的基准上它全面超过了Claude Opus-4.6。其中HLE是目前学术界公认最难的综合推理测试之一题目由各领域顶尖专家出题设计初衷就是让现有模型答不上来。Qwen3.7-Max在上面拿到41.4Opus-4.6是40.0。它在数学竞赛方向同样强势IMOAnswerBench上拿到90.0Apex上拿到44.5两项均超过DeepSeek V4 Pro。编程方面同样拿得出手。Terminal Bench 2.0-Terminus是一个模拟真实终端开发环境的编程智能体基准Qwen3.7-Max得分69.7超过DS-V4-Pro Max的67.9和Opus-4.6的65.4。SWE系列覆盖真实软件工程任务Pro、Multilingual、Verified三个子榜上Qwen3.7-Max均处于当前第一梯队。前端生成方面给一条prompt它可以直接输出带Three.js 3D场景、Canvas动画或动态SVG的完整页面。用Three.js创建一个实时交互的3D粒子系统网页。要求1.通过摄像头检测手掌张合控制粒子群的收缩与扩散当手掌张开时例子扩散当手掌握紧时例子收缩为一个球2.当手势为1时粒子组成文字hello, world当手势为2时组成文字 I’am Qwen3.粒子需实时响应手势变化4.文字应有3D旋转效果5. 用html实现指令遵循、多语言、长文本方面Qwen3.7-Max也都跟得上。IFBench衡量的是模型对复杂指令的精准执行能力Qwen3.7-Max拿到79.1超过DeepSeek V4 Pro的77.0。长文本理解MRCR-v2 128k上它拿到90.4超过Opus-4.6的84.0在需要从超长上下文中精准定位信息的任务上表现稳定。多语言评测WMT24覆盖55种语言MAXIFE覆盖23种语言设置在两个Bencmark中Qwen3.7-Max也均处于领先位置。跨框架Agent能力这样炼成Qwen3.7-Max能练出这些能力背后有一套方法论核心是训练环境的扩展方式。阿里把每个训练实例拆解成三个相互独立的组件包括任务、运行框架和验证器。三者可以自由重组同一个任务可以低成本地和不同类型、不同版本的框架及验证器组合这让训练规模的扩展变得更高效。更关键的是模型在训练时会在多变的框架配置下处理同一批任务被迫学习真正解决问题的策略而不是记住某个特定框架的使用习惯。除了组建之外另一个关键是训练环境全部来自真实场景不使用合成替代品。评测时使用的也全是训练中从未出现过的领域外环境。这种设定意味着模型在测试时面对的永远是陌生的组合它能答对靠的只能是真实的泛化能力。阿里观察到一个规律任意基准子集上的性能增益高度一致可以可靠地预测其他基准的相对增益。换句话说能力的提升是整体性的通过观察它在A测试上进步了多少基本可以准确预测它在B测试上会进步多少。这说明环境扩展带来的不是针对某几个评测的过拟合是模型在更底层的任务理解和执行能力上的真实提升。这套方法也解释了为什么Qwen3.7-Max在跨框架场景下表现如此稳定。它在训练时从未针对Claude Code、OpenClaw或Qwen Code做过专项优化但放到这些框架里跑结果依然一致。正是因为训练过程中模型始终面对的是任务和框架的随机组合它才没有机会走捷径只能把解决问题的能力真正内化下来。参考链接https://qwen.ai/blog?idqwen3.7一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法—完—专属AI产品从业者的实名社群只聊AI产品最落地的真问题扫码添加小助手发送「姓名公司职位」申请入群进群后你将直接获得 最新最专业的AI产品信息及分析 不定期发放的热门产品内测码 内部专属内容与专业讨论 点亮星标 科技前沿进展每日见
