文章目录
- Qwen3.7-Max 技术解析：Agent 时代阿里旗舰大模型的架构原理与能力全景
-
- 一、引言
- 二、Qwen 系列发展脉络：从 7B 出道到 Agent 旗舰
-
- 2.1 纵向演进时间线
- 2.2 架构演进的三次跃升
- 2.3 关键决策背后的逻辑
- 三、Qwen3.7-Max 核心技术解析
-
- 3.1 整体架构（已知部分）
- 3.2 Extended Thinking（扩展思维模式）
- 3.3 Agent-First 设计哲学
- 3.4 速度与成本
- 四、Benchmark 深度解析
-
- 4.1 综合排名
- 4.2 专项能力拆解
- 4.3 一个值得注意的退步：AA-Omniscience
- 五、横向竞品对比
-
- 5.1 全球顶级模型对比
- 5.2 Agent 专项深度对比
- 5.3 国产模型对比
- 5.4 生态位分析
- 六、真武 M890 芯片：模型 + 算力的一体化布局
- 七、局限与争议
- 八、总结
Qwen3.7-Max 技术解析：Agent 时代阿里旗舰大模型的架构原理与能力全景
亲爱的朋友们，创作不容易，若对您有帮助的话，请点赞收藏加关注哦，您的关注是我持续创作的动力，谢谢大家！有问题请私信或联系邮箱：jasonai.fn@gmail.com
一、引言
2026 年 5 月 19 日，阿里云在云栖大会前一天悄然上线 Qwen3.7-Max 的 API，次日在大会正式官宣。与同日发布的自研 AI 芯片「真武 M890」一同亮相，这次发布被外界解读为阿里在"算力 + 模型"一体化上的战略布局信号。
这是 Qwen 系列在前负责人林俊旸离职后的首个大版本旗舰模型——他离开时留下一句话："Qwen 的兄弟们，按原来安排继续干，没问题的。"而事实证明，3.5、3.7 两代版本的迭代速度比此前更快。
区别于 GPT-5.5 的全能路线，或 Claude Opus 4.7 的代码+推理深度导向，Qwen3.7-Max 的核心定位是：以 Agent 为中心的长程自主执行——在连续数千步工具调用中保持稳定，在 35 小时不间断运行里不出轨，在 1M token 超长上下文中不失焦。本文将从发展历程、技术架构、核心能力、Benchmark 解析和竞品对比五个维度，对 Qwen3.7-Max 进行深度技术解析。
二、Qwen 系列发展脉络：从 7B 出道到 Agent 旗舰
2.1 纵向演进时间线
Qwen 系列自 2023 年底首次开源至今，经历了三次大的技术代际跃升：
| Qwen-7B/14B | 2023年9月 | 首次开源，性能超 LLaMA-2 同尺寸 | Dense Transformer |
| Qwen1.5 | 2024年2月 | 扩充尺寸谱系（0.5B～110B），GQA 引入 | Dense，GQA |
| Qwen2 | 2024年6月 | 首个 MoE 尝试（57B-A14B），128K 上下文，27种语言 | Dense + MoE 初探 |
| Qwen2.5 | 2024年9月 | 代码/数学专项强化，18T token 训练数据 | Dense，专项增强 |
| Qwen3 | 2025年4月 | 混合 MoE 主线，Thinking/Non-Thinking 双模式，36T token，119种语言 | 混合 MoE |
| Qwen3.5 | 2025年末 | 多模态 MoE 进入正轨，Omni 系列发布 | MoE + 多模态融合 |
| Qwen3.6 Max Preview | 2026年初 | 旗舰闭源路线确立，256K 上下文，AA 指数 51.8 | 推理增强 |
| Qwen3.7-Max | 2026年5月 | 1M 上下文，Agent-first 设计，AA 指数 57 | 推理 + Agent |
2.2 架构演进的三次跃升
第一跃升（2024年）：Dense → MoE
Qwen2 引入 57B-A14B MoE，用 14B 激活参数模拟 57B 规模效果
第二跃升（2025年）：MoE → 混合推理
Qwen3 引入 Thinking/Non-Thinking 双模，依据任务复杂度切换推理深度
MoE 激活参数比约为 10%，大幅降低推理成本
第三跃升（2026年）：推理 → Agent-first
Qwen3.7-Max 将长程 Agent 能力列为首要设计目标
1M token 上下文 + 1000+ 连续工具调用 + 35小时不间断运行
2.3 关键决策背后的逻辑
为什么 Qwen3 全面转向 MoE？
2025 年初，各家大模型的训练成本进入"边际收益递减"区间——Dense 模型的规模继续堆参数，推理成本等比上升，但性能提升有限。MoE 以"稀疏激活"的方式打破这一约束：235B 总参数模型只激活约 22B，推理成本接近中型 Dense 模型，但知识容量接近超大型 Dense 模型。这是 Qwen3 押注 MoE 路线的根本原因。
为什么 Qwen3.7-Max 选择闭源？
从 Qwen3.5 开始，阿里拆分了开源旗舰（供社区使用）和闭源旗舰（Max 系列）两条线。闭源旗舰有两个动机：一是商业化路径，二是防止能力扩散至竞争对手——这与 OpenAI 的 GPT 闭源路线和 Anthropic 的 Claude 战略一脉相承。
三、Qwen3.7-Max 核心技术解析
3.1 整体架构（已知部分）
阿里未披露 Qwen3.7-Max 的具体参数量和专家配置，但根据官方描述和外部测试，可以还原其关键设计：
┌─────────────────────────────────────────────────────┐
│ 用户层（User Interface） │
│ Qwen Studio · API · Claude Code · OpenClaw │
├─────────────────────────────────────────────────────┤
│ Agent 执行层（Agent Runtime） │
│ 工具调用 · MCP · 多智能体编排 · 1000+ 步连续执行 │
├─────────────────────────────────────────────────────┤
│ 推理层（Reasoning Engine） │
│ Extended Thinking · Chain-of-Thought · 自我纠错 │
├─────────────────────────────────────────────────────┤
│ 模型核心（Model Core） │
│ 闭源 MoE/Dense 推理模型 · 1M Token 上下文 │
├─────────────────────────────────────────────────────┤
│ 训练层（Training Infrastructure） │
│ 多样化 Agent 环境 · 分离 task/harness/verifier │
└─────────────────────────────────────────────────────┘
3.2 Extended Thinking（扩展思维模式）
Qwen3.7-Max 的推理机制核心是 Extended Thinking：在生成最终答案之前，模型先生成一段内部"思考链"——规划、验证、纠错，再提交答案。
| Extended Thinking（开启） | 复杂推理、数学、代码调试、多步规划 | 高质量输出，token 消耗大（约 97M token/次评测） |
| Non-Thinking（关闭） | 简单问答、实时对话、低延迟场景 | 快速响应，成本低 |
在 Artificial Analysis 评测中，Qwen3.7-Max 生成了约 9700 万 tokens 的输出——是同类推理模型均值（2400万）的 4 倍以上。这说明它在思考链上"花了更多时间想"，也解释了其在复杂推理项目上的高分。
3.3 Agent-First 设计哲学
Qwen3.7-Max 的官方定位是"为 Agent 时代构建的基础模型"，而非通用聊天模型。其 Agent 能力由三个核心设计支撑：
① 长程稳定性：1000+ 连续工具调用
大多数 LLM 在连续工具调用超过数十步后会出现目标漂移（goal drift）或上下文混乱。Qwen3.7-Max 在内部测试中完成了超过 1000 次工具调用的内核优化任务，持续运行 35 小时不出现降解。
② 1M Token 超长上下文
从 Qwen3.6 Max Preview 的 256K 直接跳到 1024K（100万 token），是本次升级最显著的硬指标。对应场景包括：
| 大型代码库分析 | 一次性摄入整个仓库，无需分块 |
| 超长文档处理 | 完整读取数百页技术文档 |
| 多轮 Agent 执行 | 工具调用历史、中间结果、错误日志全部保留在 context 内 |
| 跨文件代码修改 | 追踪跨越数百个文件的依赖关系 |
③ 训练环境多样化
Qwen3.7-Max 采用了一种特殊的训练方法：在多样化 Agent 环境中训练，将任务（task）、执行框架（harness）和验证器（verifier）分离设计，使模型学习到跨框架的通用问题解决能力，而非某个特定 Agent 框架的使用习惯。
3.4 速度与成本
| 输出速度 | 200.8 tokens/s（全球第4） | – |
| 首 Token 延迟 | 2.51 秒 | 2.81 秒（更优） |
| 输入价格 | $2.50 / 1M tokens | $1.55（略高） |
| 输出价格 | $7.50 / 1M tokens | 优于均值 |
| 缓存输入 | $0.25 / 1M tokens（折扣 90%） | – |
200+ tokens/s 的输出速度在推理模型中属第一梯队——大多数扩展思维模型为了质量牺牲了速度，Qwen3.7-Max 在两者之间取得了较好平衡。
四、Benchmark 深度解析
4.1 综合排名
| Artificial Analysis Intelligence Index | 57分，全球第7（148模型） | 综合 10 项评测 |
| Chatbot Arena（文本） | 全球第13，中国模型第1 | 用户偏好投票 |
| 上一代对比（Qwen3.6 Max Preview） | +5.2分（51.8→57.0） | 单代提升幅度大 |
4.2 专项能力拆解
Agent 编程能力（最强项）：
| SWE-Bench Pro | 60.6 | 真实 GitHub Issue 修复率 |
| SWE-Verified | 80.4 | 验证集代码修复 |
| Terminal-Bench 2.0 | 69.7 | 终端环境自主任务完成率 |
| MCP-Atlas | 76.4 | MCP 协议工具调用任务 |
| Kernel Bench L3 | 1.98x 中位加速 | 内核优化能力，96% 胜率 |
科学推理（显著提升项）：
| GPQA Diamond | 92.4 | +9.7 百分点（CritPt 科学） |
| HMMT 2026 Feb | 97.1 | 高难度数学竞赛 |
| IMOAnswerBench | 90.0 | 国际数学奥林匹克 |
| HLE（Humanity’s Last Exam） | 41.4 | +9.2 百分点 |
多语言能力：
| WMT24++ | 85.8 |
| MAXIFE | 89.2 |
| SpreadSheetBench-v1 | 87.0 |
4.3 一个值得注意的退步：AA-Omniscience
在事实知识测试 AA-Omniscience 上，Qwen3.7-Max 的原始准确率下降了 7.6 个百分点，但幻觉率同步下降了 21.3 个百分点——模型的尝试率从 67.3% 降至 48.0%。
这说明模型学会了"不确定时选择不作答"，而非"胡乱作答"。对于知识密集型应用（如问答系统），这是一个需要注意的权衡：你得到的是更诚实的 AI，但它知道的"显性知识"更少了。
五、横向竞品对比
5.1 全球顶级模型对比
| GPT-5.5 | 60.2 | 未公开 | 未公开 | 未公开 |
| Claude Opus 4.7 | 57.3 | ~62（估） | 91.3 | $15 |
| Gemini 3.1 Pro Preview | 57.2 | 未公开 | 未公开 | ~$10 |
| Qwen3.7-Max | 57.0 | 60.6 | 92.4 | $7.50 |
| Gemini 3.5 Flash | 55.3 | 未公开 | 未公开 | ~$1.5 |
Qwen3.7-Max 在综合指数上与 Claude Opus 4.7、Gemini 3.1 Pro Preview 形成三强鼎立，同时输出价格是 Claude Opus 4.7 的一半——这是最核心的商业竞争力。
5.2 Agent 专项深度对比
| Agent 定位 | Agent-first 旗舰 | 编程+推理深度 | 全能旗舰 |
| 连续工具调用 | 1000+ 步，35小时 | 未公开 | 未公开 |
| 上下文长度 | 1M tokens | 200K tokens | 128K tokens |
| MCP 支持 | 原生（MCP-Atlas 76.4） | 原生 | 有限支持 |
| SWE-Bench Pro | 60.6 | ~62 | 未公开 |
| 输出速度 | 200 t/s（第4） | ~120 t/s | ~80 t/s |
| 输出定价 | $7.50/1M | $15/1M | $未公开 |
5.3 国产模型对比
| Qwen3.7-Max | Agent 旗舰 | 第13（中国第1） | Agent 执行、长上下文 |
| DeepSeek-R2 | 推理旗舰 | 前20 | 数学、逻辑推理 |
| 豆包 Pro | 多模态全能 | 前30 | 语音、视觉 |
| Kimi k2 | 长上下文 | 前25 | 超长文档理解 |
Qwen3.7-Max 是目前 Arena 文本榜前 15 名中唯一的中国模型，在竞争最激烈的全球旗舰赛道上占据了一席之地。
5.4 生态位分析
高价格 + 高能力
↑
│ GPT-5.5
│ Claude Opus 4.7
│ Gemini 3.1 Pro ← Qwen3.7-Max（价格更低）
│
低价格 ──────────────────────────────→ 低能力
│
│ Gemini 3.5 Flash（速度/成本优先）
↓
Qwen3.7-Max 的生态位是：旗舰级能力 + 中高端定价。它挤压的是愿意为顶级能力付费、但对价格敏感的企业用户——这部分用户原本是 Claude Opus 或 GPT-5.5 的核心客户。
六、真武 M890 芯片：模型 + 算力的一体化布局
Qwen3.7-Max 的发布与阿里自研 AI 芯片「真武 M890」同台亮相，这不是巧合。
在内部测试中，Qwen3.7-Max 在 M890 平台上自主完成了超过 1000 次工具调用和代码迭代修改，将 Extend Attention 内核的推理速度提升了约 10 倍。这个 Demo 同时展示了两件事：
对阿里而言，“自己的模型跑在自己的芯片上做自动化优化”，是一个完整的"国产自主可控 AI 栈"叙事——在地缘政治背景下，这个故事的商业价值不亚于技术本身。
七、局限与争议
| 参数不透明 | 闭源模型，无法验证架构细节与参数量 |
| Agent 数据自验证 | 1000+ 工具调用、10x 速度提升均来自阿里内部，无第三方复现 |
| 知识密度退步 | AA-Omniscience 准确率下降 7.6%，知识型任务需谨慎 |
| 无多模态能力 | 仅支持文本输入，不支持图像，落后于 GPT-4o 和 Gemini 系列 |
| 数据截止时间不明 | 官方未公布训练数据截止时间节点 |
| 国内访问限制 | 部分 API 接入通道在非阿里云场景下有限制 |
八、总结
| 定位 | Agent-first 旗舰，为长程自主执行而生，而非通用聊天模型 |
| 核心创新 | 1M Token 上下文 + 1000+ 连续工具调用 + 35小时不间断运行稳定性 |
| 推理机制 | Extended Thinking 模式，平均生成 97M token 思考链，推理深度领先 |
| 基准成绩 | AI 指数全球第7，Arena 文本第13（中国第1），GPQA Diamond 92.4 |
| 竞争优势 | 旗舰级能力 + Claude Opus 4.7 一半的价格 + 200 t/s 高输出速度 |
| 核心局限 | 纯文本模型、部分 Benchmark 自测未第三方验证、知识密度有退步 |
| 战略意义 | 与真武 M890 芯片协同，构建"国产模型+国产算力"一体化叙事 |
Qwen3.7-Max 代表了中国大模型赛道的一次真正意义上的旗舰级突破：它不再是"中国最好的模型"，而是在全球前十的竞争维度上正面挑战 Claude 和 GPT。其 Agent-first 的定位选取了 2026 年最关键的竞争赛道——当 AI 应用从"对话"走向"自主执行"，谁的 Agent 最稳定、上下文最长、工具调用最可靠，谁就掌握企业级应用的入口。
参考资料：
