阿里让Qwen3.7-Max模拟创业，一年“营收”1400万

阿里出了个新的Agent基座模型，来得有点猝不及防。

就是Qwen3.7-Max，预览版在Arena上测了没两天，正式版就跟出来了。

它在Arena全球大模型盲测总榜上拿下国产第一，推理核心评测全面超过Claude Opus-4.6。

Qwen3.7-Max不仅能在使用不同的Harness时保持一致的优异表现，更是把长程自主执行能力拉满，持续数十小时还不掉线。

为了证明这一点，阿里让它在一个长期监控任务自主运行了80多个小时，其间执行了上万次调用。

Qwen3.7-Max的API，即将通过阿里云百炼上线。

连续自主运行86小时

Qwen3.7-Max主打的是Agent能力，核心是长程自主执行，持续数十小时、跨越上千次工具调用还不掉线。

它可以在从未见过的硬件上优化推理算子，拿到一块训练数据中未提及的芯片，没有文档、没有参考实现，Qwen3.7-Max也能从零开始干出结果。

在阿里自研的平头哥真武M890芯片上，仅凭借一个任务描述、一份SGLang现有实现和一个评估脚本，Qwen3.7-Max就完成了任务。

它先读懂现有实现，然后开始写kernel、编译、跑性能测试、分析瓶颈、再改。

这个循环持续了大约35小时，完成了432次kernel评估、1158次工具调用。

中途遇到编译错误它自己诊断，碰到正确性bug它自己修，性能卡住了就重新设计架构。

在运行超过30小时之后，它仍在发现新的有效优化点，并主动发起了一次关键的架构重设计。

最终相对SGLang Triton官方参考实现取得了10倍加速。

把这个任务交给其他国产模型，最高的加速比达到只有7.3倍，甚至有几个模型因为连续五轮没有发出任何工具调用，判断自己无法继续推进，主动停下来了。

它也可以模拟经营一家公司，跨越数百轮决策还不乱套。

在一个模拟创业公司完整经营周期的基准测试YC-Bench里，它经营一家公司整整“一年”，任务横跨员工管理、合同筛选、识别恶意客户，还要在人力成本持续攀升的情况下守住盈利底线。

Qwen3.7-Max最终营收2.08M美元，是Qwen3.6-Plus（1.05M）的两倍、Qwen3.5-Plus（352K）的近六倍，累计完成237项任务。

它中途还展现出了策略进化，主动探索客户、识别并拉黑恶意陷阱、从危机中自主恢复，最终收敛到稳定的执行节奏。

它还可以接入真实的训练流程里充当监控，自己发现问题、自己写规则、自己验证。

接入SWE的RL训练监控之后，Qwen3.7-Max自主运行了86小时，这段时间内执行了超过一万次调用。

它自主拉取训练轨迹并回放，归纳候选作弊模式，对检测规则进行验证、反例挖掘和迭代优化，最终新增13条启发式规则，识别了1618个作弊案例。

跨框架的表现同样稳定。

把Qwen3.7-Max放到Claude Code、OpenClaw、Qwen Code里跑同一个任务，结果都是一致的。

这说明它不只是学到了某个特定框架的使用习惯，更拥有了解决任务本身的能力。

除了计算机中的框架，它甚至可以通过工具调用操控机器狗，在物理环境中执行规划、记忆和决策，驱动四足机器人在真实空间里行进，整个交互过程持续长达20分钟。

推理超过Claude Opus-4.6

Agent能力之外，Qwen3.7-Max的通用能力同样扛打。

文本类任务重，它的预览版本在Arena拿下国产第一，整体性能已经逼近GPT、Claude、Gemini的顶配版本。

这个位置，基本反映了它在真实使用场景里的综合表现。

推理是最亮眼的部分。

在GPQA Diamond、HLE、HMMT 2026 Feb这几个公认难度最高的基准上，它全面超过了Claude Opus-4.6。

其中HLE是目前学术界公认最难的综合推理测试之一，题目由各领域顶尖专家出题，设计初衷就是让现有模型答不上来。

Qwen3.7-Max在上面拿到41.4，Opus-4.6是40.0。

它在数学竞赛方向同样强势，IMOAnswerBench上拿到90.0，Apex上拿到44.5，两项均超过DeepSeek V4 Pro。

编程方面同样拿得出手。

Terminal Bench 2.0-Terminus是一个模拟真实终端开发环境的编程智能体基准，Qwen3.7-Max得分69.7，超过DS-V4-Pro Max的67.9和Opus-4.6的65.4。

SWE系列覆盖真实软件工程任务，Pro、Multilingual、Verified三个子榜上，Qwen3.7-Max均处于当前第一梯队。

前端生成方面，给一条prompt，它可以直接输出带Three.js 3D场景、Canvas动画或动态SVG的完整页面。

用Three.js创建一个实时交互的3D粒子系统网页。要求：1.通过摄像头检测手掌张合控制粒子群的收缩与扩散，当手掌张开时例子扩散，当手掌握紧时例子收缩为一个球；2.当手势为1时，粒子组成文字（hello, world），当手势为2时组成文字 （I’am Qwen）；3.粒子需实时响应手势变化；4.文字应有3D旋转效果；5. 用html实现

指令遵循、多语言、长文本方面，Qwen3.7-Max也都跟得上。

IFBench衡量的是模型对复杂指令的精准执行能力，Qwen3.7-Max拿到79.1，超过DeepSeek V4 Pro的77.0。

长文本理解MRCR-v2 128k上它拿到90.4，超过Opus-4.6的84.0，在需要从超长上下文中精准定位信息的任务上表现稳定。

多语言评测WMT24++覆盖55种语言，MAXIFE覆盖23种语言设置，在两个Bencmark中Qwen3.7-Max也均处于领先位置。

跨框架Agent能力这样炼成

Qwen3.7-Max能练出这些能力，背后有一套方法论，核心是训练环境的扩展方式。

阿里把每个训练实例拆解成三个相互独立的组件，包括任务、运行框架和验证器。

三者可以自由重组，同一个任务可以低成本地和不同类型、不同版本的框架及验证器组合，这让训练规模的扩展变得更高效。

更关键的是，模型在训练时会在多变的框架配置下处理同一批任务，被迫学习真正解决问题的策略，而不是记住某个特定框架的使用习惯。

除了组建之外，另一个关键是训练环境全部来自真实场景，不使用合成替代品。

评测时使用的，也全是训练中从未出现过的领域外环境。

这种设定意味着模型在测试时面对的永远是陌生的组合，它能答对，靠的只能是真实的泛化能力。

阿里观察到一个规律：任意基准子集上的性能增益高度一致，可以可靠地预测其他基准的相对增益。

换句话说，能力的提升是整体性的，通过观察它在A测试上进步了多少，基本可以准确预测它在B测试上会进步多少。

这说明环境扩展带来的不是针对某几个评测的过拟合，是模型在更底层的任务理解和执行能力上的真实提升。

这套方法也解释了为什么Qwen3.7-Max在跨框架场景下表现如此稳定。

它在训练时从未针对Claude Code、OpenClaw或Qwen Code做过专项优化，但放到这些框架里跑，结果依然一致。

正是因为训练过程中模型始终面对的是任务和框架的随机组合，它才没有机会走捷径，只能把解决问题的能力真正内化下来。

参考链接：

https://qwen.ai/blog?id=qwen3.7