阿里发布 Qwen3.7-Max：35小时自主优化GPU内核，千步工具调用零失误的新一代智能体旗舰

阿里巴巴正式推出 Qwen3.7-Max，这是面向智能体（Agent）时代的新一代旗舰模型。不同于传统大语言模型仅专注于对话或单次任务生成，Qwen3.7-Max 致力于成为全能的智能体基座，具备在跨越数百乃至数千步的长周期任务中持续自主执行、稳定推理的能力。

• 官方介绍：https://qwen.ai/blog?id=qwen3.7
• API：https://bailian.console.aliyun.com/

目前，Qwen3.7-Max 已通过 阿里云百炼 API 提供服务，并在编程智能体、办公自动化、复杂推理及跨框架泛化等多个维度展现了 SOTA（State-of-the-Art）级别的性能。

核心突破：长程自主执行的稳定性

Qwen3.7-Max 的最大亮点在于其持久的上下文连贯性和复杂的工具调用能力。它不再是“聊完即忘”的助手，而是能够独立规划、执行并修正长达数小时任务的智能伙伴。

实战案例：35小时自主优化 GPU Kernel

在一个极具挑战性的测试中，Qwen3.7-Max 被 tasked 优化 SGLang 中的 Extend Attention 算子，运行在从未见过的平头哥真武 M890 PPU 硬件上。

• 零先验知识：模型没有该硬件的性能分析数据或文档，仅凭任务描述和参考代码起步。
• 超长链路：在连续 35 小时 的执行中，模型完成了 432 次 Kernel 评估，跨越 1,158 次 工具调用。
• 自主迭代：模型自主编写、编译、性能分析、诊断错误并重构架构。
• 最终成果：相比官方 Triton 参考实现，实现了 10.0 倍 的几何平均加速比。且在最后几小时仍在发现实质性改进，证明了其长程优化的有效性。
• 对比优势：远超 GLM 5.1 (7.3x)、Kimi K2.6 (5.0x) 和 DeepSeek V4 Pro (3.3x)。其他模型多因无法继续进展而提前停止。

性能基准：全面领跑主流榜单

Qwen3.7-Max 在多个权威基准测试中取得了领先或持平顶尖水平的成绩：

1. 编程智能体

• SWE-Pro: 60.6
• SWE-Multilingual: 78.3
• Terminal Bench 2.0-Terminus: 69.7（超越 DS-V4-Pro Max 的 67.9）
• SWE-Verified: 80.4（与 Opus-4.6 Max 的 80.8 相当）

2. 通用智能体与办公自动化

• MCP-Mark: 60.8（优于 GLM-5.1 的 57.5）
• Skillsbench: 59.2（优于 K2.6 的 56.2）
• SpreadSheetBench-v1: 87.0（顶尖水平，展现强大的表格处理能力）
• Kernel Bench L3: 96% 的场景能写出有加速的 Kernel，中位数加速比 1.98 倍。

3. 高难度推理

• GPQA Diamond: 92.4（优于 Opus-4.6 的 91.3）
• HMMT 2026 Feb: 97.1（优于 Opus-4.6 的 96.2）
• IMOAnswerBench: 90.0（优于 DS-V4-Pro 的 89.8）

4. 多语言与指令遵循

• WMT24++: 85.8
• IFBench: 79.1（优于 DS-V4-Pro 的 77.0，展示精准的指令遵循）

技术革新：环境扩展与跨框架泛化

Qwen3.7-Max 的强大并非偶然，源于其在训练方法论上的根本性创新。

1. 环境扩展（Environment Scaling）

正如语言模型从多样化文本中获得泛化能力，Qwen3.7 通过大幅扩展智能体训练环境的质量与多样性，实现了能力的真正泛化。

• 可预测的提升：任意基准子集上的性能增益高度一致，证明模型学到的是通用解题策略，而非针对特定基准的过拟合。
• 域外泛化：所有评测基准均为训练中从未出现的全新环境，模型依然表现优异。

2. 跨框架泛化能力

通过解耦任务（Task）、运行框架（Harness）与验证器（Verifier），Qwen3.7-Max 接受了跨框架的强化学习训练。

• 不依赖捷径：模型被迫学习独立于特定框架的通用策略，而非记忆某一种 API 的调用方式。
• 广泛兼容：无论部署在 Claude Code、OpenClaw、Qwen Code 还是其他自定义框架下，均能稳定发挥出色性能。在 QwenClawBench 和 CoWorkBench 评测中，无论评估框架如何变化，性能均保持强劲一致。

应用场景：重塑企业级工作流

Qwen3.7-Max 原生适配主流智能体框架，能够承接高复杂度、高强度的企业级任务：

• 软件工程：支持从前端原型到复杂多文件工程的全流程开发。在 YC-Bench 模拟经营测试中，营收高达 2.08M 美元，是 Qwen3.6-Plus 的 2 倍，展现了跨上下文窗口的策略进化能力（如识别恶意客户、动态调整成本）。
• 办公自动化：通过 MCP 集成和多智能体协作，实现海量信息研读、复杂数据分析及出版级文档生成。以往需团队耗时一至两周的项目，现可由智能体在数小时内完成端到端交付。
• 自我监控与进化：在超过 80 小时的 RL 训练监控实验中，Qwen3.7-Max 自主构建了奖励作弊（Reward Hacking）监测体系，新增 13 条启发式规则，精准识别 1,618 个作弊案例，实现了作为软件工程智能体的持续自我提升。