Qwen3.7-Plus 上线：多模态智能体基座成形

模型上新

阿里云今日发布 Qwen3.7-Plus，主打多模态推理与视觉智能体能力，百炼 API 已开放调用。这是继 5 月 20 日 Qwen3.7-Max 之后，千问 3.7 系列的第二款重要成员，补齐了从编程智能体到视觉智能体的能力版图。

今天，阿里把 Qwen3.7-Plus 推上了百炼 API。距离 Qwen3.7-Max 在阿里云峰会首秀刚过去十来天，3.7 系列的第二只靴子落地——这次主打的是多模态智能体基座。

如果说 5 月 20 日发布的 Qwen3.7-Max 把焦点放在「35 小时自主完成超长程任务、1000+ 次工具调用、芯片内核自我进化」这种重度编程智能体场景，那么今天的 Plus 版本要解决的是另一个问题：当智能体需要看懂屏幕、看懂世界、看懂视频流的时候，谁来做底座。

Qwen3.7-Plus 在百炼控制台的模型卡片

这次升级到底升了什么

从官方放出的口径和社区拿到 API 之后的反馈，可以拆成三层：

第一层是多模态。 Qwen3-VL-Plus 这一脉的视觉理解能力被进一步整合进 3.7 的主干，思考模式和非思考模式做了融合——这点其实从 3.5 Omni 那一代就在迭代，但之前 VL 和主线模型之间总是有一道缝。3.7-Plus 把这道缝补上了，意味着你不用再为「这个请求要走 VL 模型还是走推理模型」做路由决策，一个 endpoint 全包。

第二层是智能体原生。 3.7 系列从设计阶段就是冲着 Agentic 时代去的，工具调用的稳定性、长上下文下的状态保持、多步规划的鲁棒性，这些是 Max 版本已经验证过的。Plus 继承了这套训练范式，但成本和延迟更适合做规模化部署。Max 适合做"大脑"——一次任务跑几个小时也认了；Plus 适合做"手脚"——高频、并发、要快。

第三层是视觉智能体。 这是最值得关注的一点。过去做 GUI Agent、Computer Use、视频理解 Agent，开发者要么用 Claude 的 Computer Use，要么自己拼 VL + 推理模型。Qwen3.7-Plus 把视觉感知、空间推理、动作规划合到一个模型里，对标的就是 Anthropic 在做的事，但价格会便宜一个量级。

跟 Max 怎么分工

阿里这次的产品线划分思路其实越来越清晰了。我用一张表把 3.7 系列目前的定位摆一摆：

版本 定位 典型场景 上下文
Qwen3.7-Max 旗舰 / 复杂任务大脑 长程编程智能体、芯片优化、科研自动化 长上下文，重推理
Qwen3.7-Plus 多模态 / 通用智能体 视觉 Agent、办公自动化、RAG、客服 平衡型
Qwen3.7（待发） 轻量 / 高并发 端侧、边缘、批处理 优先成本

这个分层和 OpenAI 的 o3 / GPT-5 / mini，Anthropic 的 Opus / Sonnet / Haiku 是同构的。阿里这一代终于把"我要哪个模型"这件事讲清楚了——之前 Qwen 系列版本号一多就容易让人迷糊，VL、Coder、Omni、Max、Plus、Flash 一堆后缀，开发者得查表才知道选哪个。

实测一下手感

百炼 API 端今天上午就能调到了，社区里已经有几位开发者跑了基本的视觉理解测试。一个比较有代表性的反馈是：给一张包含复杂表格 + 手写批注 + 印章的扫描件，让它结构化输出，3.7-Plus 的表现比 3.6-Plus 那一代有明显进步，尤其是在「手写体识别 + 上下文关联」这种过去要靠专门 OCR 链路才能搞定的任务上。

另一个让我比较惊讶的点是视频理解的时序推理。给一段 30 秒的操作录屏，让它描述每一步动作并预测下一步意图，3.7-Plus 给出的不是简单的逐帧描述，而是带因果链的——"用户在第 12 秒尝试点击但失败了，因为按钮处于 disabled 状态，所以接下来很可能会去找设置入口"。这种 reasoning 已经接近 GUI Agent 落地所需的水平了。

当然也不全是好消息。在纯文本的复杂推理上，Plus 不如 Max——这本来就是设计取舍。如果你的场景是数学竞赛级别的题目或者需要长链路代码生成，Plus 不是最优解。

在 Arena 上的位置

3.7-Max 发布时阿里就放过数据：在 Arena 全球大模型盲测总榜上超过 Kimi-K2.6、DeepSeek-v4-pro、GLM-5.1，与 GPT、Claude、Gemini 最强模型接近，国产第一。

这个表述其实挺克制——"接近"两个字说明阿里自己也清楚还有差距，但差距已经不是代际级的了。从 Qwen2 到 Qwen3.7，两年多时间，国产闭源旗舰和全球第一梯队的距离从「望尘莫及」缩短到「触手可及」，这是过去 18 个月最大的行业变化之一。

Plus 版本因为定位不同，没有去刷总榜，但在多模态相关的几个细分榜单（MMMU、MathVista、VideoMME 这一类）上，按照阿里给出的内部测试数据，已经追上了 Gemini 2.5 Pro 的水平。第三方复现还需要一些时间。

Qwen3.7-Plus 多模态能力雷达图对比

价格和接入

阿里这次延续了 3.7-Max 发布时的策略——6 月 22 日之前推理后付费 5 折。这个力度对开发者很友好，相当于鼓励大家在窗口期跑通业务再决定要不要长期用。

百炼平台上调用方式和之前的 Qwen 系列保持一致，model 字段换成 qwen3.7-plus 就行。OpenAI 格式兼容层也已经更新，原本接 GPT-4o 的代码改个 base_url 和 model 名就能切。

对于已经用上 OpenAI Hub 这类聚合平台的团队，Qwen3.7-Plus 也在第一时间接入了，国内直连不用绕，一个 Key 同时调 Qwen3.7、GPT-5、Claude、Gemini 这些做 A/B 对比会方便一些——尤其是在选型阶段，跑同一套 prompt 看哪家效果好、成本低，比看 benchmark 数字靠谱得多。

这件事的产业含义

往大了看，阿里这一代 3.7 系列的发布节奏其实很有意思：

  • 5 月 20 日： Max 发布，配套发布"芯-云-模型-推理"全栈技术体系。
  • 5 月下旬： 周边模型陆续上线，Qwen3.5-LiveTranslate、Wan2.7-Image、Wan2.7-R2V、Qwen3-TTS-Flash 等等。
  • 6 月 1 日： Plus 上线，补齐多模态智能体。

这套打法不是「我们发布了一个新模型」，而是「我们发布了一整套智能体时代的基础设施」。模型只是中间一层，下面有自研芯片和云，上面有 Agent 开发平台和应用模板。阿里在用做云的方式做 AI——不卖模型，卖能力栈。

这条路 OpenAI 走得很拧巴（卡在硬件和云依赖上），Anthropic 走不动（没有自己的云），Google 走得最顺（TPU + GCP + Gemini + Workspace），阿里现在走的是 Google 的路线，但本地化做得更彻底。

给开发者的建议

如果你正在做以下方向的产品，今天可以开始评估 Qwen3.7-Plus：

  1. GUI 自动化 / RPA 智能体 —— 视觉理解 + 工具调用是核心，Plus 是国内目前最对路的选择。
  2. 多模态 RAG —— PDF、扫描件、表格、图文混排文档的解析与问答，Plus 的 OCR-free 理解能力够用。
  3. 视频内容理解 / 短视频审核 —— 时序推理能力进步明显。
  4. 客服 / 对话机器人 —— 如果业务里有用户上传图片的场景（截图报障、商品咨询），Plus 比纯文本模型 + 独立 VL 模型的组合更省心。

反过来，如果你的场景是纯重度推理（代码生成、数学、科研），直接上 Max；纯文本高并发（摘要、翻译、分类），可以等 6 月晚些时候的 Qwen3.7 标准版或者 Flash 版本。

3.7 系列还没出完。按照阿里近一年的节奏，Coder 版本、Omni 版本大概率也在路上。这盘棋阿里下得有耐心。

参考来源