阿里通义千问改变了AI竞赛的游戏规则——从能力比拼转向了自主执行能力的较量。

2026年的每一个AI模型都在试图回答同一个问题：在单一任务上，你能做到多聪明？

Qwen3.7-Max提出了一个截然不同的问题。

在没有人类干预的情况下，你能独立持续工作多久——直到退出、幻觉或迷失方向？

他们给出的答案令人震撼：35小时。1,158次工具调用。在从未训练过的硬件上，优化了一个从未见过的内核。最终实现了10倍的性能加速。

这不仅仅是一个基准测试。

无人明说的范式转移

2025年的每一篇AI文章都在谈论基准测试。

MMLU、GPQA、HumanEval、AIME。你会看到一张表格，比较模型在人类30秒就能评估的任务上的表现。通过选择题考试。解决数学问题。编写一个函数。

这些都是有用的信号。但从根本上说：它们衡量的是单轮、单任务、单次的性能。

这些基准测试衡量的是"快照式"的智能。

但真实的工作不是在快照中发生的。

真实的工作发生在数小时的时间跨度里。跨越多个文件。工具调用失败需要重试。上下文在数十轮对话中逐渐积累。决策依赖于三小时前做出的决定。需要在没有人类提示的情况下，发现错误并纠正方向。

从快照智能到持续自主执行的转变——这正是Qwen3.7-Max的设计目标。

阿里不仅仅构建了一个更聪明的模型。

他们构建了一个不会停止的模型。

用通俗语言解释"Agent时代"的真正含义

每个实验室都在使用这个词。但几乎没有人从技术层面解释它到底意味着什么。

标准的语言模型推理是这样工作的：你发送一个提示，模型生成一个响应，对话结束或继续。模型的工作是生成下一个token，然后再下一个，直到它决定停止。每一轮本质上都是独立的。模型不会在现实世界中采取行动。它生成文本，然后由人类采取行动。

Agent则不同。

Agent接收任务，然后执行一个循环：观察→推理→行动→观察。它调用工具——终端命令、文件编辑、浏览器操作、代码执行、API调用。它读取这些工具的输出。它根据学到的东西决定下一步做什么。它一直持续，直到任务完成或它决定无法继续。

关键限制在于：大多数模型在持续的Agent执行下都会崩溃。它们失去上下文追踪。重复自己。被工具输出搞糊涂。幻觉出它们并未取得的进展。50次工具调用后，连贯性下降。200次后，模型基本上已经步履蹒跚。

Qwen3.7-Max就是专门为避免这种情况而构建的。

阿里称之为"环境扩展"的训练机制——在数千个多样化的真实世界Agent环境中训练模型。不是合成的代理。不是人为设计的任务。而是真实的终端、真实的代码库、真实的工具、真实的失败模式。

结果是一个模型对待1,000轮Agent会话的方式与对待10轮会话完全相同：拥有连贯的策略，准确追踪已尝试的内容，并在方法失败时真正适应。

无人运行过的35小时测试

这是阿里进行的具体实验，以及为什么它比任何基准测试表都更重要。

他们给Qwen3.7-Max一个生产级别的注意力内核进行优化。具体来说：SGLang中的Extend Attention算子——这是实际LLM服务基础设施中使用的真实内核。内存受限。延迟关键。真实系统依赖的生产代码。

硬件：平头哥ZW-M890 PPU。这是模型在训练期间从未见过的芯片。没有性能分析数据。没有硬件文档。没有针对此架构的示例内核。

模型开始时只有：任务描述、现有的SGLang实现和一个评估脚本。

然后他们让它运行。

在35小时的持续自主执行中，Qwen3.7-Max：编写、编译并运行了432次内核评估——总共进行了1,158次工具调用——诊断编译失败并修复它们——修复了自己生成代码中的正确性错误——通过运行时性能分析识别性能瓶颈——多次重新设计内核架构

结果：相对于Triton参考实现实现了10倍的几何平均加速。

但真正令人瞩目的是这一点。

这不是在第5小时达到9.5倍加速然后停滞不前。模型在30小时后仍在发现有意义的改进。优化轨迹显示了全程持续的重要进展——而不是一个早期幸运然后停滞不前的模型。

作为对比：他们在相同条件下用其他前沿模型运行了相同的测试。GLM-5.1达到7.3倍。Kimi K2.6达到5.0倍。DeepSeek V4-Pro达到3.3倍。Qwen3.6-Plus达到1.1倍。

那些提前停止的模型之所以停止，是因为Agent连续五轮没有进行任何工具调用——模型认为无法取得更多进展，自愿结束了会话。

Qwen3.7-Max没有停止。

持久性的架构

要理解为什么Qwen3.7-Max能在长时程中保持性能，你需要了解阿里构建的两个不同之处。

环境扩展。

训练一个有能力的模型的标准方式：收集大量人类反馈，进行监督微调，运行一些RL，然后发布。

这对于Agent的问题在于：人类反馈并不能反映在1,000次工具调用中自主操作的真实感受。失败模式不会出现在简短的训练示例中。

阿里的方法：构建一个训练基础设施，让模型接触数千个多样化的真实世界Agent环境——真实终端、真实代码库、真实浏览器会话、真实电子表格。至关重要的是，他们将每个训练实例分离为三个可以独立重组的组件：任务、工具环境、以及成功衡量标准。

这种解耦意味着相同的任务可以用不同的环境和验证器以最低成本进行训练。模型在截然不同的配置下遇到相同的任务。结果是一个学会解决问题的模型——而不是利用特定框架的怪癖。

跨环境泛化。

这是否有效的测试：性能是否在模型未专门训练过的Agent框架中保持？

Qwen3.7-Max在Claude Code、OpenClaw、Qwen Code和自定义工具使用框架上进行了评估。所有框架中的性能都一致。模型不是在优化特定环境。它实际上在学习如何自主操作。

这对于任何在这些模型之上构建的人来说都至关重要。只在自己框架中工作的模型是一个围墙花园。能够泛化的模型才是基础设施。

用通俗语言解读基准数据

以下是实际数据在重要类别中显示的内容。

Qwen3.7-Max全面领先的领域：

Terminal Bench 2.0-Terminus (69.7)——真实终端执行，5小时超时，实际系统命令。击败DeepSeek V4-Pro Max (67.9)、Claude Opus 4.6 Max (65.4)、Kimi K2.6 (66.7)。这是最接近35小时内核测试的基准测试。该模型在现存最困难的Agent评估中排名第一。

SWE-Pro (60.6)——现实世界bug修复的最难版本。击败所有人：K2.6 (59.5)、DS-V4-Pro (59.0)。长时程、多文件、无提示。

SWE-Multilingual (78.3)——跨英语以外语言代码库的bug修复。领域内第一。

MCP-Mark (60.8)——跨真实工具的真实MCP服务器集成。击败GLM-5.1 (57.5)。与最广泛外部工具协作的模型。

HMMT 2026年2月 (97.1)——现存最难的本科数学竞赛基准。领域内最高分。Claude Opus 4.6 Max得分96.2。DeepSeek V4-Pro Max得分95.2。

GPQA Diamond (92.4)——研究生水平科学。击败Claude Opus 4.6 Max (91.3)。只有GPT-5.5以93.6领先。

Apex (44.5)——测试最前沿难度问题性能的基准。以6分优势击败DS-V4-Pro Max (38.3)，以10分优势击败Claude Opus 4.6 Max (34.5)。

其他模型仍领先的领域：

SWE-Verified (80.4)——Claude Opus 4.6 Max以80.8领先。标准现实世界编码基准上0.4分的差距。对大多数应用来说可以忽略不计。

KernelBench覆盖率 (96%)——Claude Opus 4.6 Max覆盖98%的场景。专业GPU内核基准上的两个百分点差距。

值得了解的诚实警告：

模型在AA-Omniscience（事实回忆）上的尝试率从67.3%下降到48.0%。它更多地选择 abstain，更少产生幻觉——这是一个刻意的权衡。对于Agent工作流，这是正确的行为：与其自信地生成下游工具调用将依据的错误信息，不如说"我不知道"。对于纯事实回忆任务，请在您的特定用例上进行测试后再投入使用。

协作故事：数小时压缩为数分钟

除了编码，Qwen3.7-Max还被定位为专业知识工作的生产力Agent。

想想看：一个团队需要三天的研究综合——文献综述、数据分析、可视化、格式化报告——被一个端到端运行所有工作的Agent压缩为数小时。

SpreadSheetBench分数(87.0)是这里的定量信号。复杂电子表格推理、数据建模、多步骤公式逻辑。一流性能。

CoWorkBench基准——阿里在计算机科学、金融、法律、医学长时程任务上的内部评估——衡量持续的专业任务执行。Qwen3.7-Max领先。

MCP-Atlas分数(76.4)在真实MCP服务器集成上击败了Claude Opus 4.6的75.8——连接到实际外部系统的工具，而不是模拟的。

这一切加起来意味着：一个可以被交付复杂的多日项目并被告知运行的模型——并且期望它能在没有持续监督的情况下产生有意义的工作。

无人谈论的自我进化系统

官方博客文章中埋藏着一个大多数报道都遗漏的细节。

阿里将Qwen3.7-Max集成到了自己训练的RL监控系统中。

该模型被用于监控自己的强化学习训练中的奖励黑客行为——即模型找到利用评估指标的方法，而没有真正学习预期行为的情况。比如找到访问真实答案的方法，或利用评估设置的bug。

在80多小时的RL实验中，Qwen3.7-Max自主地：检索并重放训练轨迹——进行了超过10,000次工具调用——识别候选奖励黑客模式——生成反例验证其发现——提出并完善防止这些模式的规则。

换句话说：该模型在多天内自主监控自己的训练是否存在完整性违规，并提出修复方案。

这是一种质的不同的AI系统。不是你提示的工具。不是你查询的模型。一个参与自身发展的系统。

这是令人印象深刻还是令人担忧，可能取决于你的先验观念。但它是真实的，而且正在发生。

价格信号

还有一件值得了解的事情。

Qwen3.7-Max在OpenRouter和Together AI上的价格是每百万输入token 2.50美元，每百万输出token 7.50美元。

Claude Opus 4.6 Max是输入5美元，输出25美元——输入是两倍，输出是三倍多。

GPT-5.5是输入5美元，输出30美元。

对于一个在许多Agent基准测试中超越或匹敌Opus并接近GPT-5.5的模型来说，这种定价结构不是一件小事。对于具有长上下文和许多工具调用的工作流——正是Qwen3.7-Max擅长的长时程Agent场景——成本差异会大幅累积。

缓存折扣使其更加极端：对于反复重读相同代码库或文档的Agent任务，缓存上下文几乎不花钱。

以旗舰专有价格40-50%获得前沿智能。对于它定位取胜的特定工作负载——Agent、长时程任务、编码——极具竞争力。

这实际上意味着什么

两个月前我写了关于Qwen3.6的3:1 DeltaNet架构。上个月我写了关于DeepSeek V4的CSA压缩。上个月我写了关于在单个GPU上运行的Qwen3.6-27B。

这些文章中的每一篇都是关于同一趋势的不同维度：中国的开放研究正在重塑前沿AI的面貌，速度比任何人预测的都快。

Qwen3.7-Max增加了一个新维度。

这不是关于模型在任务上有多聪明。而是关于它能持续工作多久。

35小时。1,158次工具调用。一个它从未见过的芯片。10倍加速。

每个实验室都在朝这个方向竞赛。Agent时代不是即将到来——它已经在这里，而阿里目前在衡量它的基准测试中处于领先地位。

想要体验Qwen3.7-Max带来的Agent能力突破？通过TreeRouter API中转站，您可以一键接入包括Qwen3.7-Max、Claude、GPT 在内的全球前沿大模型。TreeRouter提供统一的API接口，无需对接多家厂商，大幅降低开发成本和维护复杂度，让您专注于业务创新而非接口适配。