阿里发布 Qwen 3.7 Plus：主打多模态 Agent，连续 11 小时自主写 App

平时让 AI 写代码，最折磨人的往往是这种节奏：跑通一段，蹦出个报错就停下来等你贴终端日志；丢给它一张界面截图，它连按钮该点哪都说不清楚。

阿里 Qwen 团队发布了多模态模型 Qwen 3.7 Plus。这一次，它不再只想跟你聊天，而是把视觉感知、代码生成、终端操作和界面点击全都塞进了同一个 Agent 循环里。

连续干 11 个小时，自己写 App 自己测

为了展示自主工作能力，Qwen 团队做了一个相当硬核的演示：让 Qwen 3.7 Plus 从零开始做一款英语单词背诵 App。

在这个任务里，模型一口气连续跑了 11 个小时，期间经历了 1000 多次 Agent 链条调用，最终输出了超过 10000 行代码。

关键在于它不需要人一步步盯着。从写需求文档、生成代码、本地安装，到编写测试用例、自己盯着 GUI 界面做点击测试、跑并行场景，甚至连版本管理都是它自己独立完成的。

另一个测试更直观。它在桌面端直接操作 macOS 原生「股市」应用，自己解析界面结构，然后用 SwiftUI 完整重写了一遍，甚至顺手接上了外部实时股票 API，自己跑了十项功能测试。

在浏览器里，配合官方的「Qwen for Chrome」插件，给它授权后它能直接接管云控制台，自动比价并下单买下最划算的虚拟服务器，配置好镜像和安全组，连后续的扩容运维也能一并包揽。

偏科高手：屏幕操作登顶，硬核推理有短板

从官方公布的评测数据来看，Qwen 3.7 Plus 是个特点极为鲜明的「偏科生」。

它最擅长的是操作界面。在 AndroidWorld 和 ScreenSpot Pro 这类专门考察屏幕理解与点击的基准测试中，它的表现明显压过了 GPT-5.4、Opus 4.6 Max 以及 Gemini 3.1 Pro。

但在严肃的多模态科学推理上，它并没有全面胜出。比如在 MedXpertQA-MM 这类医疗科学测试中，它依然落后于 Gemini 3.1 Pro 和 GPT-5.4。

纯文本能力方面，团队称其与顶尖梯队持平。此外它还支持视频理解和驾驶场景分析，阿里显然打算让它覆盖端侧和自动驾驶场景。

更有意思的是它的生态打法。Qwen 3.7 Plus 原生支持 Anthropic 的 API 协议，这意味着你可以无缝把它接到 Claude Code、OpenClaw 或者阿里自家的 Qwen Code 里。

API 还提供了一个叫 preserve_thinking 的功能，能在多轮对话中保留前面的推理思路，团队特别建议在长时间的 Agent 任务中开启。

不过，这款模型并没有开源权重，只在阿里云百炼提供商业 API。价格定得极低：每百万输入 token 收费 0.40 美元，输出收 2.40 美元，大概只有自家 Qwen 3.7 Max 的几分之一，甚至不到海外旗舰模型的一个零头。

为什么重要

我们认为，阿里这次走了一步非常精明的实用主义路线。

以前跑长链条的 Agent，开发者最头疼的就是费用。一次任务调用成百上千次，用海外顶级模型跑几个小时，账单往往几百美元就出去了。Qwen 3.7 Plus 把价格压到每百万输入 0.40 美元，还直接兼容 Anthropic API，说白了就是明摆着给 Claude Code 的重度用户递上了一个便宜好用的替代品。

它不再去硬卷那些虚无缥缈的通用跑分，而是把技能点全点在「看懂屏幕」和「动手干活」上。对于需要自动化操作软件、做批量测试或管理云资源的团队来说，它现在就值得拉进生产流水线里试试水。

但也要清醒看到它的局限。它更像一个手脚麻利、执行力强的高级实习生，而不是架构师。在面对复杂的科学推理或底层架构设计时，它依然不如顶尖闭源模型靠谱。

阿里的策略看起来很明确：既然全能答题难分胜负，那就先把能帮你点屏幕、写脚本、省真金白银的 Agent 做到极致。