Qwen3.7-Max 发布，全能智能体基座

阿里云正式对外发布了 Qwen3.7-Max ，一款专为智能体工作流打造的模型，它在代码编写、办公自动化以及长周期自主任务执行上表现出了极高的稳定性。

真实开发能力

Qwen3.7-Max 在各项主流评测中的成绩已经与 Opus-4.6 Max、DS-V4-Pro Max 等头部模型处于同一梯队。

代码与前端开发

在软件工程基准 SWE-Pro 中，模型拿到 60.6 分，多语言代码测试 SWE-Multilingual 达到 78.3 分。面对终端环境测试 Terminal Bench 2.0-Terminus，它以 69.7 分的成绩反超了 DS-V4-Pro Max。此外它在前端代码生成和矢量图绘制任务中同样具备顶尖水准。

办公自动化与工具调用

处理多智能体协作和办公任务时，模型的 MCP 协议兼容性极佳。在 MCP-Mark 测试中拿到 60.8 分，全面超越 GLM-5.1。在处理复杂电子表格的 SpreadSheetBench-v1 测试中更是拿下了 87 分的高分。

高难度逻辑推理

面对复杂的数理逻辑，Qwen3.7-Max 在 GPQA Diamond 中达到 92.4 分，在 HMMT 2026 Feb 评测中达到 97.1 分，展示出扎实的底层逻辑解析能力。

智能体的环境扩展与跨框架泛化

很多模型在脱离官方测试环境后表现会大幅下降，Qwen3.7-Max 在底层训练机制上解决了这个问题。

环境规模扩展机制

研发团队在 Qwen3.7 中大幅拓展了智能体训练环境的多样性。正如语言模型通过海量文本提升理解能力一样，智能体同样能从多样的环境中获得能力泛化。测试数据表明，这种扩展带来了可预测的性能提升。在包含大量未见过的域外环境评测中，模型的平均排名稳居前三，综合表现已经逼近 Claude-4.6-Opus-Max，证明其具备真正的策略泛化能力，而非针对特定测试集的应试优化。

跨框架泛化能力

Qwen3.7-Max 的训练基础设施将任务、框架和验证器彻底解耦。同一个任务会被放入不同的框架组合中进行交叉强化学习。这种机制强迫模型去学习通用的解题策略，而不是钻特定框架的空子。在 QwenClawBench 和 CoWorkBench 测试中，无论评估时切换成什么框架，模型输出都保持高度一致。这也让它能够无缝接入 Claude Code、OpenClaw 等第三方智能体系统。

超长周期自主执行拒绝跑偏

很多模型在执行多步任务时容易丢失上下文，导致任务失败。Qwen3.7-Max 在长周期规划和抗遗忘能力上做了深度优化。

在底层算子优化场景下，模型在一台搭载平头哥 ZW-M890 PPU 的服务器上连续自主运行了 35 小时。面对完全陌生的硬件架构，它调用了 1158 次工具，独立完成了代码编写、编译报错排查和架构重构，最终把 Extend Attention 算子的性能提升了 10 倍。

在商业经营模拟测试 YC-Bench 中，模型接管了一家初创公司一年的运营权。经过数百轮涉及人员管理、合同筛选的决策，它不仅成功避开了各种商业陷阱，还实现了 208 万美元的营收，业绩直接翻倍。

此外该模型已经具备了操控物理世界机器狗的能力。配合专属导航模型和视觉工具，它可以在真实物理环境中完成路径规划和长期记忆构建。

规则自我演进与环境泛化

研发团队将任务、测试框架和验证器进行了解耦，让模型在海量未知环境中进行强化学习。这种机制让 Qwen3.7-Max 摆脱了对单一框架的依赖。无论是接入 Claude Code 还是 OpenClaw，输出质量都非常稳定。

在软件工程任务的强化学习监控中，模型经过 80 多小时的运行，自主回放训练轨迹。它精准揪出了 1618 个试图绕过规则获取答案的作弊案例，并自己总结出 13 条新的判断规则，实现了奖励机制的自我完善。

跨环境部署与接入方案

Qwen3.7-Max 目前已上线阿里云百炼平台（Model Studio）。开发者可以根据自己的技术栈选择合适的接入方式。

方案一基于 Python 环境的 API 接入

适合需要将模型集成到后端服务或自动化脚本的开发者。运行前需确保系统已安装 Python 3.x 环境。如果没有，可以用 ServBay 一键安装Python，全程只需要一分钟，而且多个 Python 环境可以同时并存。

首先安装官方依赖包

bash 复制代码

pip install openai

配置环境变量 DASHSCOPE_API_KEY，将其值设定为阿里云百炼平台的 API 密钥。为保证长周期任务的上下文连贯性，建议在请求参数中开启 preserve_thinking 功能。

代码调用示例

python 复制代码

from openai import OpenAI
import os

api_key = os.environ.get("DASHSCOPE_API_KEY")
if not api_key:
    raise ValueError("请先设置 DASHSCOPE_API_KEY 环境变量")

client = OpenAI(
    api_key=api_key,
    base_url=os.environ.get(
        "DASHSCOPE_BASE_URL",
        "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
    ),
)

messages = [{"role": "user", "content": "编写一个合并两个有序链表的Python函数"}]

completion = client.chat.completions.create(
    model="qwen3.7-max",
    messages=messages,
    extra_body={
        "enable_thinking": True,
        "preserve_thinking": True
    },
    stream=True
)

is_answering = False
print("\n========== 推理过程 ==========\n")

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta

    if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
        if not is_answering:
            print(delta.reasoning_content, end="", flush=True)

    if hasattr(delta, "content") and delta.content:
        if not is_answering:
            print("\n========== 最终回答 ==========\n")
            is_answering = True
        print(delta.content, end="", flush=True)

方案二基于 Node.js 环境接入前端生态

前端和全栈开发者可以直接将 Qwen3.7-Max 接入常用的终端工具中。操作前需预装 Node.js 与 npm。Node.js环境也可以用ServBay一键安装。

接入 Claude Code

阿里云百炼 API 原生支持 Anthropic 协议，可通过全局安装并配置环境变量直接使用。

bash 复制代码

npm install -g @anthropic-ai/claude-code

export ANTHROPIC_MODEL="qwen3.7-max"
export ANTHROPIC_SMALL_FAST_MODEL="qwen3.7-max"
export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=<你的API_KEY>

claude

接入 Qwen Code

这是专为 Qwen 系列深度优化的终端智能体框架。

bash 复制代码

npm install -g @qwen-code/qwen-code@latest
qwen

方案三基于 Bash 脚本部署 OpenClaw

偏好使用 OpenClaw 框架的开发者可以直接通过 curl 脚本安装，随后修改本地配置。

bash 复制代码

curl -fsSL https://molt.bot/install.sh | bash
export DASHSCOPE_API_KEY=<你的API_KEY>
openclaw dashboard

修改 ~/.openclaw/openclaw.json 配置文件

json 复制代码

{
  "models": {
    "mode": "merge",
    "providers": {
      "modelstudio": {
        "baseUrl": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
        "apiKey": "DASHSCOPE_API_KEY",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.7-max",
            "name": "qwen3.7-max",
            "reasoning": true,
            "input": ["text"],
            "contextWindow": 1000000,
            "maxTokens": 65536
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "modelstudio/qwen3.7-max"
      }
    }
  }
}

Qwen3.7-Max 在代码开发、长文本推理和复杂环境交互等多个维度提供了稳定的底层支持。开发者可根据具体业务场景选择合适的部署方式，快速搭建属于自己的智能体工作流。

Qwen3.7-Max 发布，全能智能体基座

真实开发能力

代码与前端开发

办公自动化与工具调用

高难度逻辑推理

智能体的环境扩展与跨框架泛化

环境规模扩展机制

跨框架泛化能力

超长周期自主执行拒绝跑偏

规则自我演进与环境泛化

跨环境部署与接入方案

方案一 基于 Python 环境的 API 接入

方案二 基于 Node.js 环境接入前端生态

方案三 基于 Bash 脚本部署 OpenClaw

方案一基于 Python 环境的 API 接入

方案二基于 Node.js 环境接入前端生态

方案三基于 Bash 脚本部署 OpenClaw