博客进阶
Qwen3.7-Plus：多模态智能体智能
Qwen3.7-Plus: Multimodal Agent Intelligence
这是 Qwen3.7-Plus 的发布博客，介绍一个将视觉与语言统一到单一智能体基础的多模态模型。博客称其在 Qwen3.7 文本主干基础上升级视觉语言能力，保留编码、工具使用和生产力工作流的智能体能力，可作为多模态交互混合智能体感知现实场景、读屏操作 GUI、依据视觉参考写代码、端到端操作手机应用，并在单一智能体循环中混用 GUI 与 CLI。博客还提到它在 Claude Code、OpenClaw、Qwen Code 等不同框架下表现一致，可通过阿里云百炼平台 API 调用，并给出文本基准测试等内容。
- 分级
- 值得看
- 是否付费
- 免费全文公开可读
- 预估学习时长
- 约 5 分钟按全文字数估算
- 收录时间
- 2026-11-05
中文精读
原文约 1,003 词 · 2 节
Qwen3.7-Plus：多模态智能体能力
- 发布 Qwen3.7-Plus，定位为把视觉与语言统一起来的单一多模态智能体基础模型；它继承 Qwen3.7 的文本主干，在保留编程、工具调用与生产力工作流等智能体能力的同时，全面升级视觉语言能力。
- 核心区别在于“多模态交互式混合智能体”：能感知真实场景、读取屏幕并操作图形界面（GUI）、依据视觉参考写代码、端到端操作手机应用、借助网页知识回答视觉问题，并在同一智能体循环中混合 GUI 与命令行（CLI）交互。
- 作为编程智能体与生产力助手，它可从全模态输入出发完成从前端原型到复杂软件工程、多步工作流自动化的任务，并能跨不同智能体脚手架（scaffold）泛化，在 Claude Code、OpenClaw、Qwen Code 等框架下表现一致。
- 已通过阿里云百炼（Alibaba Cloud Model Studio）开放，提供 API 调用；官方列出的要点为：GUI 与 CLI 统一操作、全模态输入、具备感知/推理/定位与检索增强问答的视觉智能体、跨框架泛化。
- 文本基准对比了 Opus-4.6 Max、K2.6 Thinking、GLM-5.1 Thinking、DeepSeek-V4-Pro Max、Qwen3.6-Plus 与 Qwen3.7-Plus。
- 编程与智能体类中，Terminal Bench 2.0-Terminus 得 70.3（Qwen3.6-Plus 61.6），NL2repo 41.1（34.4），QwenSVG 1588（1432），ClawEval 62.7（57.1），Deep-Planning 62.3（40.9），MCP-Mark 58.7（48.2），QwenWorldBench 62.1（47.6）。
Qwen3.7-Plus：多模态智能体能力（续）
- 部分项目低于对比模型：SWE-Verified 77.7（Qwen3.6-Plus 78.8，Opus-4.6 Max 80.8），HLE 34.7、LiveCodeBench 89.6、GPQA Diamond 90.3，HMMT 2026 Feb 92.9（DeepSeek-V4-Pro Max 95.2）。
- 通用能力上 MRCR-v2 128k 达 91.7、IFBench 79.1，多语言中 PolyMATH 84.0、WMT24++ 84.6。
- 表格脚注给出评测口径：Terminal-Bench 2.0 使用 Harbor/Terminus-2 测试框架，5 小时超时、12 CPU/24 GB 内存，temp=1.0、top_p=0.95、top_k=20、max_tokens=80K、256K 上下文，取 5 次运行均值，每轮开头加 <think> 标记让模型自行决定是否展开思考；
- SWE 系列用内部智能体脚手架（bash + 文件编辑工具）、200K 上下文；SkillsBench 经 OpenCode 在 78 个任务上评测；Kernel Bench L3 报告相对 PyTorch eager 的中位加速比与快于 torch.compile 的比例，单卡 H100 80GB、隔离容器、限制网络与 500 次工具调用，并用 GPT-5.4 (xhigh) 检测作弊行为。