Qwen3.7-Max，我覺得應該叫Ultra，很強

印象里，Qwen模型，一向是盲測表現更好的。

蒙上眼睛，不說別的，只看效果；真實環境里，拋開先入為主的偏見，是騾子是馬拉出來溜溜。

阿里最近發了新模型，Qwen3.7-Max。

在Arena全球大模型盲測總榜上，Qwen3.7-Max排到了全球第五，國產第一。

超過Kimi-K2.6，超過DeepSeek-v4-pro，超過GLM-5.1。和GPT、Claude、Gemini那幾位的差距也很小。

盲測這個東西，水分相對少。

模型叫什么名字、誰家出的，評測者看不到，純粹靠回答質量打分。

能在這種榜單上沖到這個位置，說明真有點東西。

連夜把Qwen3.7-Max接進了我的測試環境，給大家說說感受。

https://chat.qwen.ai/

01修了幾個真Bug，編程能力很頂

這幾年做AI應用開發，從GPT-3.5時代一路用過來，見過太多模型在宣傳文案里封神，一上真實項目就露怯。

所以我評測模型的方式很簡單：丟給它真實的爛攤子。

看看遇到Bug的時候，能不能搞得定。

我直接把最近遇到的問題拿了過來。

是一個開源項目里，擱置了兩周的一個Issue，關于Python異步任務內存泄漏的問題。

Qwen3.7-Max跑第一輪的時候，我沒有太高預期。

但它給出的異步泄漏診斷出乎我意料地準。

它沒有泛泛地說用weakref或者gc.collect，而是直接指出了問題可能出現在某個具體的事件循環上下文里，協程對象沒有被正確銷毀。

我按照它的建議加了兩個補丁，bug消失了，內存曲線穩住了。

第二個是遇到的React白屏問題，我自己排查了好久，找人幫忙也沒搞定。

那個Bug其實挺惡心，涉及到useEffect的依賴數組和子組件渲染時序的交織問題。

我見過Claude Opus 4.7給出的解決方案，偏重理論推導。

Qwen3.7-Max的解法更工程化，它甚至建議我在某個關鍵位置加一段防御性代碼，在特定條件下重繪。

這個手法很老練，像是寫了8年前端的老手會用的招數。

代碼質量不錯，unsafe塊用得也很克制。

我翻了翻它的測評數據，指標都非常好，和實際測試的效果也是匹配的：

在編程智能體方面，Qwen3.7-Max在Terminal Bench 2.0-Terminus得分69.7，超過了DeepSeek-v4-pro-Max、Claude-Opus4.6等一眾模型；

在MCP-Atlas、MCP-Mark、Skillbench等現實能力測試里，超越GLM5.1、Kimi-K2.6等，創下國產新高；

推理能力上，Qwen3.7-Max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；在多語言理解和翻譯的WMT24++、MAXIFE評測中領先。

這個數據結構很有意思。

Claude在英文為主的代碼倉庫上依然強，但Qwen在多語言尤其是中英文混合的代碼場景里已經反超。

我的實際體驗也印證了這一點，在處理國內某些混雜著中文注釋、拼音變量名、英文文檔的技術棧時，Qwen3.7-Max的適應性的確更好。

02推理能力這件事，奧數題和人類考試都測過了

編程能力的提升往往伴隨推理能力的增強。

這兩個能力在底層是相通的，都需要模型具備長鏈路的邏輯推導和工具調用能力。

Qwen3.7-Max在數學推理HMMT 2026 Feb評測里拿了98.0分，超過了Kimi-K2.6。

在IMOAnswerBench這個奧數級別評測里是90.5分，超過了DeepSeek-V4-Pro-Max。

還有一個更硬核的測試叫人類最后的考試HLE，涵蓋數學、物理、化學等多學科的高難度問題，它也超過了Claude Opus 4.7。

我用自己的方式驗證了一下。我找了一道2025年全國高中數學聯賽的幾何題，還找了一道北大物理學院某次作業里的熱力學問題。這兩道題都挺偏，不太可能在訓練數據里高頻出現。

Qwen3.7-Max做幾何題的時候，輔助線選得不錯，三步推下來思路清晰。

最終也能得出正確答案。

物理題它完成得更好，從狀態方程推導到熵變計算，整個過程邏輯閉環。

思考過程很嚴謹全面，雖然多了一些相關但不必要的內容，但勝在算無遺漏。

相比之下，我之前測過的Kimi-K2.6在這道物理題上卡在了中間步驟，DeepSeek-v4-pro計算過程正確但最后答案單位寫錯了。

就推理的完整度和細節把握來說，Qwen3.7-Max是目前國產模型里我體驗過的最強者。

這背后其實有一個技術點值得說。

Qwen3.7-Max是面向智能體Agent全新設計的架構。

傳統大模型擅長對話和單輪問答，但Agent需要多步推理、工具調用、結果驗證、錯誤修正。

這個鏈條越長，對模型的要求越高。

Qwen3.7-Max能處理超長程的智能體復雜任務，說明它在記憶保持、狀態跟蹤、目標維持這些底層能力上確實做了針對性優化。

03從做網站到優化內核，都不在話下

嘗試了一下用Qwen3.7-Max畫網站、做表格，效果比之前更上了個臺階。

我讓模擬科研網站，做一個動態的神經網絡監測結構，數值要實時變化、可調整。

之前的Qwen以及其他模型，能把表面功夫做到位，但交互細節會欠缺。

今天做的版本，明顯比其他模型更好了。

動態呈現，數據和邏輯的嚴謹性，都比較令人滿意。

做表格，當然效果也不錯。

可視化追蹤看板，完成度也非常高。

能夠把跨行業的數據，具體的計算公式和新數據處理辦法，在一個看板上都搞明白。

用代碼能力和數學能力為基礎，在應用中去解決這些場景化的問題，可以說都是更強的技術能力的下方。

阿里給Qwen3.7-Max布置了一個極端任務。

他們在平頭哥真武M890芯片上，一個模型訓練時從未接觸過的全新硬件平臺，要求Qwen3.7-Max自主完成推理內核的優化。

起始條件非常苛刻：沒有任何性能分析數據，沒有硬件文檔，沒有新架構的示例內核。只有一個空白工作空間，里面有一段任務描述、一個SGLang Triton參考實現和評測腳本。

Qwen3.7-Max從零開始，持續編程了35個小時。

它獨立進行了432次內核評估，1158次工具調用，完全自主地完成了編寫、編譯、性能分析與迭代改進的全流程。

最終優化后的推理內核，比官方的SGLang Triton參考實現快了10倍。

測試軌跡里有個細節特別打動我。

在運行超過30小時后，模型仍然發現了有效的優化點，甚至主動發起了一次架構重設計。

說明它不是在執行一個預設的固定腳本，而是在整個過程中持續保持目標感，不斷尋找改進空間。

這種長周期自主迭代能力，放在真實開發環境里，很有價值了。

比如現在接手的遺留系統可能需要重構，涉及幾百個文件，前后要改兩星期。傳統做法是你自己寫方案，拆解成多個小任務，讓AI分別完成，你來串聯。

但如果模型能像Qwen3.7-Max這樣，給你干滿35個小時，自己調試、自己跑測試、自己發現問題再優化，那你基本上只需要最后驗收就行了。

當然這里也有局限性。35小時連續運行，API調用成本不低。

而且這個任務雖然復雜，但目標相對明確，就是優化推理內核。

真實世界的需求往往更模糊，需要來回溝通確認。

但從技術演進的方向看，這條路是對的。模型正在從回答問題走向解決問題，從輔助工具走向自主執行者。

04千問的加速度

過去三個月，千問旗艦模型迭代了三個大版本。

3月20日Qwen3.5-Max-Preview亮相，4月20日Qwen3.6-Max-Preview登場，5月20日Qwen3.7-Max正式發布。

中小模型的表現，也值得說說。

開源的Qwen3.6-27B和Qwen3.6-35B-A3B，在HuggingFace上登頂全球開源大模型榜首。

Unsloth的創始人5月13日還在社交媒體上，展示了他基于千問的魔改成果，說明這個模型的潛力和可塑性得到了社區認可。

我自己的服務器上跑的是Qwen3.6-27B的量化版本，顯存占用大概14GB，在一塊消費級顯卡上就能跑。

代碼補全、輕量級Agent任務都夠用，響應速度也快。

這種以小勝大的路線，對中小開發者和企業來說意義更大，不是每個人都有幾十張A100。

調用量數據，也能說明問題。

Qwen3.6-Plus在OpenRouter平臺上的日調用量突破了1.4萬億Token，打破了平臺單日單模型調用量的全球紀錄。

只覺得，似乎從硅谷到歐洲，從中東到東南亞，都在買中國模型的Token。

注意到一個變化。

半年前參加技術會議，大家討論的都是Claude和GPT。

現在同一個圈子，千問、Kimi也成為了高頻詞。

在編程場景里，Claude依然是標桿，但千問在很多細分任務上已經不輸甚至反超。

尤其是在中文為主的技術文檔和代碼混合場景里，國產模型的天然優勢開始顯現。

阿里幾個月前成立了ATH，打通芯片、云、模型、應用幾個層面。

這也是我比較期待的，因為大模型的研發從來不單單是算法問題，它也需要芯片層的算子優化，需要云基礎設施的調度配合，需要應用層的反饋閉環。

把這幾個層次捏在一起，才可能跑出更快的迭代速度和更及時的調整驗證。

05

從最早的規則引擎到深度學習，從CNN到Transformer，每次技術躍遷都會產生新的贏家和輸家。

大模型前兩年，國內外的差距一度拉得很大。

去年這個時候，國產模型在SWE-bench上的分數還在20分上下徘徊，Claude和GPT已經是40分以上。

今年5月，Qwen3.7-Max在部分編程評測中已經能和Claude Opus 4.7掰手腕，在多語言場景甚至領先。

https://qwen.ai/

這次千問3.7的發布，讓我看到幾個清晰的信號。

第一，編程能力已經成為大模型競爭的核心戰場。

第二，Agent是下一個確定性的方向。

第三，全棧協同的體系優勢正在顯現。

接下來的看點，我覺得還是在于生態。

阿里的優勢在于有云、有芯片、有應用場景，現在足夠活躍的第三方開發者生態也在發展。

千問開源策略的持續推進，可能會成為撬動這個生態的支點。

不管是寫代碼、做數據分析，還是日常的信息整理，Qwen3.7-Max驅動的各類應用已經開始落地。

這可能就是LLM x Agent時代最讓人興奮的地方。

技術不再高高在上，它變成了每個人都可以調用的能力。

有一個開放且扎實的底座，叫千問。