三個月內，三款旗艦。

作者丨吳海明

編輯丨馬曉寧 梁丙鑒

5 月 20 日，阿里云峰會上，通義千問團隊正式發布 Qwen3.7-Max。

這已經是三個月內的第三個旗艦版本了。3 月 20 日 Qwen3.5-Max-Preview 問世，4 月 20 日的 Qwen3.6-Max-Preview，再到這次的 Qwen3.7-Max 正式版，每 30 天一款旗艦模型的迭代速度，放眼全球大模型廠商，幾乎無人能出其右。

榜單數據證明了千問最近的火線更新不是灌水之作。在 Artificial Analysis Intelligence Index v4.0 上，Qwen3.7-Max 以 56.6 分位列全球第 5。在它之前的分別是GPT-5.5（60.2）、Claude Opus 4.7（57.3）、Gemini 3.1 Pro Preview（57.2）和 GPT-5.4（56.8）。而值得關注的是，一個月前的 Qwen3.6 Max Preview 在這份測試中的表現還只有 51.8 分。30 天漲 4.8 分，在這個分數段，遠遠不是靠微調就能做到的事情。

此外根據官方放出的跑分結果，Qwen3.7-Max 在數項權威評測中也位居前列。

? 編程智能體：Qwen3.7-Max 在 Terminal Bench 2.0-Terminus 得分 69.7，超過了 DeepSeek-v4-pro-Max、Claude-Opus4.6 等一眾頂尖模型；

?通用智能體：在 MCP-Atlas、MCP-Mark、Skillbench 等現實能力測試中力壓 GLM5.1、Kimi-K2.6 等國產模型，較前代提升顯著，并且在 Kernel Bench L3上展示了強大的 GPU 內核優化能力；

?推理能力：在 GPQA Diamond、HLE、HMMT 2026 Feb、IMOAnswerBench 等推理核心測評中均超越了 Claude-Opus4.6 及所有國產模型，拿下國產模型新 SOTA 的寶座；

?通用能力與多語言：在指令遵循 IFBench 評測中得分 79.1 分，突破新高，在多語言理解和翻譯的WMT24++、MAXIFE評測中領先；

在這份長長的成績單中，有兩個能力維度上的表現格外亮眼。

一是推理。Qwen3.7-Max 在 GPQA Diamond 上拿下了 92.4 的分數，作為對比的是 Claude Opus 4.6 的 91.3。對這兩款頂尖模型而言，三分之差已經不是擠牙膏式的性能提升。更亮眼的是，Qwen3.7-Max 在數學推理（Apex Math Reasoning）上領先 Opus 近三成，這是國產模型首次在“硬推理”上躋身全球第一梯隊。

二是編程 Agent 能力。在 SWE-bench 系列測試中，Qwen3.7-Max 超過 Claude Opus 4.6-Max 和 Kimi-K2.6，Terminal Bench 2.0 較前代提升 6.9pp，這背后是從寫代碼，到理解 issue、定位 bug、編寫修復 patch，從編程助手到編程智能體的關鍵跨越。

看懂了這份成績單，就會明白這屆阿里云峰會描繪了如何宏大的一副愿景。還記得峰會上那個 35 小時的 Demo 嗎？Qwen3.7-Max 在平頭哥真武 M890 芯片，一個訓練時從未見過的國產硬件平臺上，自主完成了推理內核優化，速度提升 10 倍。

這個 Demo 的戰略意義遠超技術本身，它指向一個更大的命題。遷移成本為模型公司帶來的工程停滯和精度風險，是 CUDA 生態最深的護城河之一。但如果 Qwen3.7-Max 已經摸到了自主針對國產芯片編寫優化軟件棧的性能閾值，那么前者的生態壁壘便幾乎不復存在。

01

核心成績單：超強的推理和編程能力

“全球第五、國產第一”的成績已經足夠醒目，這一躍升背后是 Qwen3.7-Max 在推理、數學、代碼、Agent 執行幾條關鍵能力線上的同時抬升。換言之，Qwen3.7-Max 今天的排名不是靠著在某個單項上把分數刷高，而是在大模型從 Chatbot 走向 Agent 的核心賽道上，補齊了最難的幾塊拼圖。

之前已經提到，Qwen3.7-Max 是國產模型第一次躋身“硬推理”的前列。

GPQA Diamond 是當前衡量大模型高難科學推理能力的重要基準之一，涵蓋物理、化學、生物等研究生級別問題。相比普通知識問答，它更考驗模型的多步邏輯推演能力、跨學科知識整合能力、對干擾項的識別能力、在不確定條件下保持推理一致性的能力。

能在這一項目上拿到 92.4 分，意味著 Qwen3.7-Max 不只是依靠中文能力、應用場景或工程調優獲得優勢，而是在全球最難的一類推理測試中，開始和最強閉源模型正面競爭。

在更難的 Humanity’s Last Exam 上，Qwen3.7-Max 同樣沒有掉隊。

這個榜單考察的是“推理 + 知識”的綜合硬度，題目覆蓋范圍更廣、知識顆粒度更細，也更難通過單一能力刷分。圖中，Qwen3.7-Max 拿到 38%，位列全球頭部陣營，排在它前面的選手包括 Gemini 3.1 Pro、GPT-5.5、GPT-5.4、Gemini 3.5 Flash、Claude Opus 4.7 等少數幾款旗艦模型。

這同樣可以視為 Qwen3.7-Max 綜合能力全面走向成熟的例證。表面的測試單項之下，仍然能劃分出諸多原子能力，對于 HLE 而言它們可能是長鏈推理、跨學科知識、多步分析、隱含條件理解和高噪聲問題。HLE 高分成績的含金量也在于此，諸多原子能力的結合考察，徹底堵死了 RL 刷題、專項優化和模板化 COT 的“刷分三板斧”。

全球旗艦的競爭，在這種維度的測試上才有說服力。

推理能力決定模型能不能“想明白”，編程 Agent 能力則決定模型能不能“把活干完”。在這一點上，Qwen3.7-Max 也沒有讓人失望。

編程 Agent 的差距，首先體現在 Terminal Bench 2.0-Terminus。這項測試考察的不是“寫一個函數”類型的單項任務，而是在終端里完成包括查文件、跑命令、讀報錯、改代碼、再驗證的連續操作。Qwen3.7-Max 拿到69.7 分，已經能夠說明它和真實開發者工作方式之間更近一步的距離。

而即使在競爭最激烈的 SWE-Verified 上，Qwen3.7-Max 也拿到了 80.4，與 Opus-4.6 Max 的 80.8、DS-V4-Pro Max 的 80.6 幾乎持平。前者在 Claude Code 和 Codex 用戶圈中有著出名的穩定口碑，后者更是公認的性價比之王。BenchMark 上這樣的名次格局，意味著 Qwen3.7-Max 已經在 軟件工程 Agent 第一梯隊中站住了腳跟。

更細分的代碼任務里，Qwen3.7-Max 在 SciCode 上拿到 53.5，超過 K2.6 Thinking 和 Opus-4.6 Max。這說明它在科學計算代碼、復雜邏輯實現上也具備較強穩定性。

前端和可視化任務同樣值得注意。QwenSVG 達到 1608，為該組最高；QwenWebDev 為 1568，處于第一梯隊。

這些指標共同拼出了一副完整的 Qwen3.7-Max 能力圖景。比起僅僅補全代碼，它更加傲人的是開始具備了完整的工程執行能力，這意味著理解需求、定位 bug、修改代碼、運行測試、提交 patch，這些過去屬于工程師的連續動作，正在被模型逐步接管。

這也解釋了，它為什么適合被放進 Claude Code 這樣的 Agent CLI 中實測。真正的編程智能體，看的不是單次生成有多漂亮，而是能否在一個真實項目里，把問題一路解決到最后。那么Qwen3.7-Max 水平到底如何，我們為它設計了一些任務。

02

邏輯推理實測：

玻璃過門與數學公式完形

我們在 Claude Code 環境下接入 Qwen3.7-Max，實測也圍繞著推理和 Coding 能力展開。

首先是一個很經典的玻璃過門問題。

題目：

代碼塊

6米長4.5寬的玻璃能否通過高4米寬3米的門？請給出推理過程

Qwen3.7-Max 的回答如下：

面對這道經典空間推理題， 這個問題的陷阱在于，不能簡單比較玻璃邊長和門的寬高。Qwen3.7-Max 給出的結論是“可以”，并很快抓住關鍵：門洞對角線為 5 米，玻璃的 4.5 米寬度可以沿門洞對角線方向放置，而 6 米長度則沿門的縱深方向逐步穿過。

更重要的是，它沒有停留在“4.5 米小于 5 米”的粗略判斷，而是繼續做了投影驗證。模型將 4.5 米線段居中放在門洞對角線方向上，計算出其水平方向半投影為 1.35 米，小于門寬一半的 1.5 米；豎直方向半投影為 1.8 米，小于門高一半的 2 米。也就是說，這塊玻璃在門平面上的截面能夠完整落入門框內，且上下左右都有余量。

Qwen3.7-Max 沒有被“6 米和 4.5 米都大于門寬高”的直覺誤導，把問題轉化成三維穿過路徑和二維截面約束。它先找到關鍵幾何關系，再做邊界驗證，最后解釋 6 米長度為何不構成限制。對一款推理模型來說，這遠比單純答對更重要。它說明模型具備把現實問題結構化、拆解約束并完成可驗證推理的能力。

另外一項測試是數學公式完形，這類題目也被廣泛用于考驗模型的推理能力。

題目：


代碼塊

在數字3、7、5之間添加適當的數學符號（不改變數字順序），使得等式 `3 7 5 = 8` 成立。

Qwen3.7-Max 給出的答案是 3! + 7 - 5 = 8。這個解法的關鍵在于引入階乘符號，將 3 轉換為 6，再通過簡單加減得到結果：6 + 7 - 5 = 8。

重要的是過程，Qwen3.7-Max 并不是直接猜出答案，而是先嘗試排除只使用加減乘除的情況。它枚舉了 3、7、5 之間兩處符號的基礎組合，并進一步考慮括號變體，判斷純四則運算無法得到 8。隨后，模型才轉向更高階的數學符號，找到階乘這個突破口。

Qwen3.7-Max 的回答顯示，它能夠先在常規解空間中驗證不可行，再擴展到非常規符號空間。這種思考方式，非常接近人類。而事實上，這類能力對于 Agent 同樣重要。當常規路徑走不通時，模型能否主動擴大搜索范圍，往往決定任務能不能繼續推進。

03

Coding 實測：從數據可視化到 3D 建模

Coding 能力測試的部分，我們選擇讓 Qwen3.7-Max 完成一項數據分析可視化開發。

題目：

代碼塊

1 請從零開發一個本地數據可視化網頁工具，用戶上傳 Excel 文件后，自動讀取數據并展示表格預覽。


2 工具需要自動識別數值列，生成柱狀圖、折線圖和餅圖，并支持選擇不同字段進行可視化。


3 頁面要簡潔美觀，普通用戶打開瀏覽器即可使用，不依賴后端。


4 請給出完整文件結構、全部代碼和運行方法。


5 最后說明這個工具測試了 Agent 的哪些能力。

在這道題中，我們給 Qwen3.7-Max 的任務是從零開發一個本地數據可視化網頁工具。要求并不只是寫一個頁面，而是要完成 Excel 上傳、數據解析、表格預覽、數值列識別、圖表生成、字段切換、無后端運行等一整套功能。Qwen3.7-Max 最終生成了一個四文件項目：index.html、style.css、app.js 和 README.md，并明確給出運行方式，既可以直接雙擊 index.html，也可以通過python3 -m http.server 8080在本地啟動。

從生成結果看，它選擇了比較合理的前端技術路線，用 SheetJS 解析 Excel，用 Chart.js 渲染圖表，通過 CDN 引入第三方庫，避免后端依賴。代碼結構也比較完整，index.html 負責頁面骨架，style.css 負責響應式布局和視覺樣式，app.js 承擔文件讀取、數據轉換、狀態管理和圖表配置。

很像是專業開發者的一處表現是，模型還補充了 README，以說明功能清單和使用方法，這讓整體結果更像一個可交付的小型前端項目，而不是一段孤立的 demo 代碼。

打開網頁，上傳區設計簡潔，支持拖拽或點擊選擇 .xlsx、.xls、.csv 文件。上傳 Excel 后，工具可以讀取數據并生成預覽表格，識別出行數、列數和數值字段；在測試文件中，它展示了 13196 行、11 列數據，并識別出 9 個數值列。頁面下方還能根據選擇的 X 軸和 Y 軸字段生成可視化圖表，支持柱狀圖、折線圖和餅圖切換。

這個測試真正考察的是 Agent 的工程閉環能力。Qwen3.7-Max 需要先拆解需求，再完成庫選型、文件組織、前端交互、數據處理、圖表渲染和運行說明。這些需求讓任務更接近真實開發流程，寫對代碼是最基本的要求，模型還要保證多個文件之間能協同工作，最終讓普通用戶在瀏覽器中直接使用。因此 Qwen3.7-Max 在這個任務中，實質上已經表現出了一定的端到端產品開發能力。

同樣是可視化，下面的 Coding 任務從數據工具變成了 3D 戶型圖。

題目：

代碼塊

以北京為背景，為我創建一個120平方的3D戶型圖，要求有3個臥室、1個廚房、2個衛生間、不少于1個陽臺，并標注每個房間的面積。

使用HTML、CSS、JS以及Three.JS。只給我一個可以運行并查看這個戶型圖的HTML文件。

我們要求 Qwen3.7-Max 生成一個北京背景下的 120 平方三居室戶型圖，并且只能交付一個可運行的 HTML 文件。模型最終生成了 floorplan.html，共 691 行代碼，內置 HTML、CSS、JS 和 Three.js 邏輯，雙擊即可在瀏覽器中打開，不需要額外工程配置。

從交付結果可以看到，頁面呈現了一個完整的 3D 戶型模型。房間布局包含 3 個臥室、1 個廚房、2 個衛生間、南北陽臺、客廳/餐廳、走廊、儲物間和玄關，基本元素滿足題目要求。此外每個區域都有獨立顏色區分，并在左側圖例中對應展示房間名稱和面積，模型中懸浮標簽也同步標注了面積，沒有出現房間名稱、面積與圖例不一致的問題。

令人驚喜的是，Qwen3.7-Max 沒有止步于生成一個靜態模型，而是加入了 OrbitControls，支持鼠標拖拽旋轉和滾輪縮放。用戶可以從俯視圖切換到透視視圖，也可以圍繞戶型 360 度查看墻體、房間分布和家具擺放，基本不存在單一視角遮擋信息的問題。

更細節的是，模型還提供了“顯示/隱藏屋頂”和“顯示/隱藏標注”按鈕。隱藏屋頂后，可以直接觀察室內空間；打開標注后，房間面積信息會以浮動標簽形式固定在對應房間上方。即使在旋轉視角后，標簽仍能跟隨場景顯示，避免了 3D 模型常見的“看得見房間、對不上信息”的問題。

從 Agent 能力看，這道題的復雜程度已經遠遠超過普通的前端頁面。它要求模型同時完成空間布局、三維建模、交互控制、中文標注、視覺風格和單文件封裝。而 Qwen3.7-Max 的表現說明，把抽象需求轉換成可交互、可驗證的 3D 產品原型，也已經進入了它的能力范圍。

縱觀四組測試，會發現 Qwen3.7-Max 的一個突出特點在于，它并沒有把推理和編程當成兩件事來做。推理題中，它展示了對約束條件的識別和路徑搜索能力；編程題中，這種能力進一步轉化成了需求拆解和工程實現。也就是說，推理能力為編程能力提供了“方向感”，編程能力則讓推理結果變成了可體驗、可運行、可驗證的產品形態。

這正是當前大模型競爭中越來越被看重的能力組合。下一階段的模型不會只拼參數規模或 benchmark 分數，而是復雜任務中穩定性和閉環能力的競爭。尤其在企業場景中，用戶并不關心模型是否能講出漂亮的推理過程，而是關心它能不能把需求做成結果，能不能減少人工反復溝通，能不能在出現邊界條件時繼續推進。

這也是當前大模型從 Chatbot 走向 Agent 時，最關鍵的一道分水嶺。

04

旗艦模型，走下流水線

當然，這目前仍然只是對未來技術脈絡的展望。四道測試題只能說明 Qwen3.7-Max 在典型推理和原型開發任務中表現出了較強能力，并不等于它已經完全具備生產級 Agent 的所有條件。真實業務環境會更加復雜，包括長上下文中的狀態保持、多輪修改中的一致性、代碼安全、性能優化、依賴沖突、團隊工程規范等，都需要更長時間和更嚴苛場景來驗證。

但是同樣把 Qwen3.7-Max 放進更宏觀的技術脈絡，無法忽視的事實在于，這已經是阿里在三個月內發布的第三款旗艦模型。或許比起 Qwen3.7-Max 此刻做到了什么，更值得關注的問題是，阿里憑什么能以如此頻率更新旗艦模型，以及這種迭代節奏對于整個大模型行業又意味著什么。

代際突破長期以來都是大模型行業的主流敘事，特別是從 GPT-3 到 GPT-4 的躍遷之后，頂尖模型的每一次更新，都承載了開啟下一代模型范式革命的期待。也因此，模型發布呈現出周期長、訓練成本高的特征。可以說，這一時期的模型是更接近科研成果的實驗室產物。

在這一背景下，千問的月更節奏就顯得耐人尋味。三個月內接連問世的 Qwen3.5、3.6、3.7，是否意味著阿里正在將大模型研發從十年磨一劍的科研項目，變成以月為單位迭代的流水線工程？

如果這一轉向是真實發生的，其意義就遠不止于 BenchMark 上的幾分提升。高頻迭代靠的不僅是算力，如果沒有成熟的基礎設施支撐，不可能做到在 30 天更新一個旗艦版本的情況下，仍然保持模型性能的持續提升，并且有大規模的可用 API。這背后必然有一個覆蓋數據清洗、訓練調度、自動評測、后訓練、推理部署等全套工程能力，能夠持續訓練、微調、上線旗艦模型的工業化生產體系。

這比 Qwen3.7-Max 本身更值得關注。

隨著數據處理、強化學習、合成數據和 MoE 架構逐漸成熟，模型能力的提升開始從實驗室里的偶發突破，轉向連續優化的結果。而當大模型行業進入這一工程時代，更穩定的訓練、更快的迭代和更低的成本成為新的競爭焦點，此時高頻的版本更新就是最有力的市場信號。

從 Qwen3.5 到 3.7，千問呈現的一種可能是，未來阿里在模型層的競爭力或許并不來自于某一代全球最強模型，而是能以最低的成本、最快的速度，穩定產出一流模型。留給千問的問題是，這種能力是可持續的嗎？

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。