6月2日消息阿里 Qwen 团队发布 Qwen3.7-Plus，这是 Qwen3.7 系列中的多模态智能体模型。与同系列纯文本旗舰 Qwen3.7-Max 形成互补，Qwen3.7-Plus 主打视觉-语言统一理解，将 GUI 交互、屏幕阅读、代码生成和端到端移动 App 导航等 Agent 能力整合进一个模型。该模型已通过 Alibaba Cloud Model Studio 正式上线，定价具有竞争力。
Qwen3.7 系列的双子架构：Max 做推理，Plus 做多模态
Qwen3.7 系列延续了阿里此前"Max + Plus"的双旗舰策略。5 月 20 日阿里云峰会上，Qwen3.7-Max 以纯文本推理旗舰身份率先亮相，主打 100 万 token 上下文窗口、35 小时连续自主执行和超过 1000 次工具调用，在 Terminal-Bench 2.0 上拿到 69.7 分，SWE-Bench Pro 得分 60.6，Artificial Analysis 智能指数 56.6（全球第五、中国模型第一）。
Qwen3.7-Plus 则是多模态那一面。它在 LM Arena Vision 排行榜上排名全球第 16，使阿里在视觉能力上位列全球第 5 实验室。与 Max 的纯文本定位不同，Plus 支持图像输入，能理解截图、UI 界面、文档页面等视觉内容，并在此基础上执行推理和操作。
这种分工在实际使用中非常清晰：如果你做代码推理、数学证明、长文本分析，选 Max；如果你做 GUI 自动化、移动端操控、截图理解、视觉问答，选 Plus。
核心能力：从"看懂屏幕"到"替你操作手机"
Qwen3.7-Plus 的能力定位不是一般意义上的"多模态聊天"，而是面向 Agent 场景的视觉-操作统一模型。官方强调了几个关键能力方向：
GUI 与 CLI 混合交互。 模型可以同时理解图形界面和命令行界面，在两种交互模式之间自由切换。这意味着它不仅能看懂一张 App 截图上的按钮和文字，还能生成相应的操作指令或代码来完成任务。
屏幕阅读与 UI 理解。 Qwen3.7-Plus 继承了 Qwen3.6-Plus 在文档理解（OmniDocBench 91.2）和 UI 理解方面的积累，并进一步强化了从屏幕截图中提取结构化信息的能力。
端到端移动 App 导航。 这是最受关注的能力之一。模型可以接收手机屏幕截图作为输入，理解当前界面状态，规划操作路径，并输出下一步应该点击哪里、滑动到哪里。阿里此前发布的 Mobile-Agent-v3 和 GUI-Owl 框架为这一能力提供了技术基础。
截图重建 App。 给模型一张 App 界面截图，它可以生成还原该界面的前端代码。这个能力在前端开发、产品原型制作和设计稿转代码等场景中有直接应用价值。
在 Terminal-Bench 2.0 上，Qwen3.7-Plus 拿到约 70.3 分。作为参考，同系列的 Qwen3.7-Max 得分 69.7，前代 Qwen3.6-Plus 得分 61.6。这一跃升说明 Plus 在保持多模态能力的同时，Agent 执行能力也在快速追赶甚至超越纯文本旗舰。
怎么用：API 接入与定价
Qwen3.7-Plus 已通过 Alibaba Cloud Model Studio 正式上线。接入方式与此前 Qwen 模型一致，支持 OpenAI 兼容 API 格式，也支持 Anthropic API 协议，这意味着开发者可以用现有的 OpenAI Python SDK 或 Claude Code 直接对接，只需更改 endpoint 和 API key。 定价方面，阿里尚未单独公布 Qwen3.7-Plus 的详细价格。参考同系列 Qwen3.7-Max 的定价（输入 $2.50/百万 token，输出 $7.50/百万 token，缓存输入仅 $0.25/百万 token），Plus 版本大概率会延续阿里一贯的性价比策略——在同等能力水平下，价格显著低于 Claude Opus 4.7（输入 $15/百万 token）和 GPT-5.5（输入 $10/百万 token）。 新用户在新加坡区域可获得每个模型 100 万 token 的免费额度，这不是总额而是每个模型各自独立。此外，chat.qwen.ai 提供有限的免费预览访问。
与竞品对比：多模态 Agent 赛道的卡位战
Qwen3.7-Plus 的竞争对手不是传统的聊天模型，而是同样瞄准 Agent 场景的多模态模型：
Claude Opus 4.7/4.8 是当前综合能力最强的选项，Intelligence Index 57.3+，编码和推理表现一流，但不以 GUI Agent 为核心卖点，且价格是 Qwen 的 6 倍以上。
GPT-5.5 在推理和多模态理解上位于顶尖水平（Intelligence Index 60.2），但同样没有将"替用户操作 GUI"作为主推方向，且定价偏高。
Gemini 3.5 Flash 原生支持多模态，推理速度快（输出 token 速度约为 Qwen 的 4 倍），Intelligence Index 55.3，但在 Agent 自主执行稳定性上不如 Qwen 系列。 Qwen3.6-Plus（前代） 在 Terminal-Bench 2.0 上得分 61.6，OmniDocBench 91.2，MMMU 86.0。Qwen3.7-Plus 在 Agent 执行能力上提升约 14%，视觉理解能力也有进一步增强。
Qwen3.7-Plus 的差异化在于：它可能是当前为数不多将"多模态感知 + GUI 操控 + 移动端导航"作为核心能力来优化的前沿模型。多数竞品把多模态当作"附加能力"，Qwen3.7-Plus 把它当作"主业"。
仍需关注的局限
第一，基准分数出自厂商发布，独立验证尚不充分。 Terminal-Bench 2.0 约 70.3 分的数据来源于官方公布，截至目前第三方基准测试机构（如 Artificial Analysis）尚未发布 Qwen3.7-Plus 的独立评测结果。此前 Qwen3.7-Max 的部分对比基线使用的是 Claude Opus 4.6 而非最新的 4.7/4.8，直接对标时需注意版本差异。在选型决策中，建议等待独立评测或在自己的工作负载上实测。
第二，闭源 API-only，无法自部署。 与 Qwen3.7-Max 一样，Qwen3.7-Plus 是闭源模型，不提供权重下载，只能通过 Alibaba Cloud Model Studio API 访问。这意味着对数据主权有严格要求的企业（尤其是需要数据留在美国或欧洲辖区的场景）可能面临合规限制。参考 Qwen3.6 的节奏（旗舰 API 上线后 3-4 周推出开源中等规模版本），开源变体预计 6-7 月会跟进，但不确定是否包含完整的多模态 Agent 能力。
第三，GUI Agent 能力的实际稳定性尚待验证。 移动端 App 导航、截图重建等能力在 demo 场景下表现亮眼，但在真实业务环境中面临界面多样性、异常状态处理、跨 App 工作流串联等复杂情况。阿里此前的 Mobile-Agent-v3 框架在学术基准上表现突出，但从学术基准到生产可用之间仍有距离，实际部署效果需要开发者在具体场景中验证。
对普通用户和开发者意味着什么
对于普通 AI 工具用户，Qwen3.7-Plus 的发布信号是清晰的：2026 年 AI 模型的竞争焦点正在从"谁聊天更聪明"转向"谁能替我做更多事"。一个能看懂你的手机屏幕、理解你当前在做什么、并帮你规划下一步操作的 AI，比一个只能回答问题的 AI 有更大的想象空间。
对于开发者，Qwen3.7-Plus 提供了一个成本可控的多模态 Agent 基座。如果你在构建 RPA 自动化、移动端测试、GUI 辅助操作等应用，这个模型值得纳入评估列表。API 兼容 OpenAI 和 Anthropic 协议意味着接入成本很低，阿里的定价策略也让长时间运行的 Agent 工作流在经济上可行。
但需要保持清醒的是：Agent 能力仍处于快速迭代期，今天的领先者可能在下个月就被超越。选型时更重要的是架构的可替换性——确保你的系统能低成本切换底层模型。
AI 速览
