千问3.7来了，这次多模态要“干活”

阿里巴巴千问系列又有大动作。近日，千问3.7家族的新成员——Qwen3.7-Plus正式亮相。

这款模型定位为“多模态交互混合智能体基座”，是千问团队在视觉-语言方向上的一次全面升级。消息一出，阿里美股盘前上涨超6%，港股收涨6.6%，市场用真金白银投了信任票。

两大旗舰，分工明确

Qwen3.7系列分为两大旗舰：

• 万亿级MoE纯文本大模型Qwen3.7-Max，主打深度推理。
• Qwen3.7-Plus采用35B稠密参数架构，聚焦多模态全链路的落地执行。

简而言之，Max负责“想得深”，Plus负责“做得全”，两者互补配合。

核心能力：单模型完成“看、想、写、做、验”全闭环

Qwen3.7-Plus原生融合了文本、图片、截图、短视频、网页五种输入形态，打通了GUI可视化界面与CLI命令行的双操作环境。

它与市面上只做图文问答的普通多模态模型不同——目标不是“解析信息”，而是“根据视觉内容拆解任务、调用工具、写代码、自主操作并纠错”。这是一个面向企业开发和行业数字化的工程级大模型。

性能提升明显，多项指标跃升

与上一代Qwen3.6-Plus相比，Qwen3.7-Plus性能提升显著。

视觉推理方面

在纯视觉推理BabyVision评测中，得分从37.4跃升至64.7，超越Gemini 3.1-Pro，泛化能力实现质的飞跃。

在SimpleVQA、MMSearchPlus、MMBC等搜索增强知识问答评测中，性能得分较前代最高提升2倍多，大多优于Claude-Opus-4.6 Max。

智能体能力方面

在Skillbench通用Agent评测中，得分较上代提升10.2分。Terminal Bench 2.0和SciCode编程评测中提升约9分，能力直逼Claude-Opus-4.6 Max。数学推理Apex评测中，得分接近上代的3倍。

综合排名方面

在全球权威视觉模型榜单Vision Arena中，阿里凭借Qwen3.7-Plus跻身全球前五、中国第一。其纯文本能力已接近同系列旗舰Qwen3.7-Max，是Plus级别中综合能力最强的选手。

最亮眼的突破：GUI屏幕智能操控

Qwen3.7-Plus最具突破性的能力是GUI屏幕智能操控。

在ScreenSpot Pro屏幕理解评测中，它拿下79分，超越了GPT-5.4和Gemini 3.1 Pro。模型可精准识别各类软件、App、网页中的按钮、输入框、弹窗等界面控件，并自主规划操作步骤。

在OSWorld和AndroidWorld真机测试中，它能无需人工干预，独立完成电商下单、后台数据导出等复杂长周期任务。

视觉转代码

只需上传UI设计稿、产品截图或参考视频，模型就能一键生成SVG图标、前端网页代码或交互式程序源码。

实际测试中，Qwen3.7-Plus曾连续11小时无人值守，从零完成一款英语单词学习App的全栈开发，累计生成代码超过10000行。它还能1:1复刻macOS原生的Stocks股票应用，从需求拆解、代码编写、BUG调试到项目打包全部自主完成，并顺利通过10项核心功能验证测试。

多维度视觉深度推理

模型支持128K超长上下文，可一次性解析整本图文手册或完整源码工程。幻觉率低至22.9%，处于全球前沿行列。

集成代码解释器后，能处理“找不同”、“解华容道”等视觉谜题。接入搜索增强后，甚至可精准分析模糊的专业机械图纸。

视频与驾驶场景理解

模型能够识别视频中的事件、动作、时序和语义关系，为自动驾驶、具身智能等真实世界应用打下基础。

上线与定价

目前，Qwen3.7-Plus已在阿里云百炼平台上线，支持OpenAI兼容API与Anthropic协议调用。定价为：输入0.4美元/百万Token，输出1.6美元/百万Token。

模型具备跨框架泛化能力，无论通过Claude Code、OpenClaw还是Qwen Code部署，性能表现都很稳定。

从“对话”走向“干活”

Agentic时代已经到来。Qwen3.7-Plus不仅能看懂图片、理解视频、操作界面，还能生成代码并直接交付成果。

这标志着国产多模态AI已经从“实验室参数竞赛”正式迈入产业落地实用的阶段。