Qwen3.7-Plus - 阿里通义推出的智能体多模态大模型

Qwen3.7-Plus是什么

Qwen3.7-Plus 是通义千问的新一代多模态大模型，把视觉和语言做成了同一套智能体基座。它能感知真实场景、读屏幕、操作 GUI，也能照着视觉参考写代码；移动应用可以端到端导航，视觉问题可以结合网络知识回答，GUI 和 CLI 交互放在同一个智能体循环里跑。它既是编码智能体，也是生产力助手，全模态输入能接住从前端原型到复杂软件工程、再到多步工作流自动化的任务，换个框架用也稳。

Qwen3.7-Plus的主要功能

• 多模态交互混合智能体：图像、视频、屏幕、网页和文本输入统一处理，在 GUI/CLI/工具环境里把复杂任务跑完。
• 视觉智能体：视觉理解、代码解释器、搜索增强三样一起用，做视觉谜题、真实世界问答和复杂推理。
• 视觉编程：从图像或视频直接生成 SVG、网页和交互式前端，视觉参考到代码一步到位。
• GUI 智能体：能看懂移动端和桌面端界面，做控件定位、任务规划和多步操作。
• 真实世界感知与推理：真实场景、文档图表、OCR、视频、驾驶场景都能理解。

Qwen3.7-Plus的技术原理

• 视觉感知与推理融合：在 BabyVision、MathVision、HiPhO 这些难度较高的视觉推理基准上，模型表现都很强，图像细节、空间关系、物理常识和多步逻辑能一起用。BabyVision 上比前代提升明显，这类更接近人类早期视觉认知和空间推理的任务，它的泛化能力更强。
• 视觉到代码的端到端转化：接上代码解释器之后，模型会把视觉问题转成可计算的形式，自己写代码、跑代码来求解、搜索或验证。找不同、补图块、华容道、迷宫、拼图这类任务，它能先认出图里是什么，再做空间建模、路径搜索、状态推演和结果校验。
• GUI 自动化与多步交互：模型能读屏幕内容，找到关键 UI 元素，理解任务意图后完成多步操作。ScreenSpot Pro、OSWorld-Verified 和 AndroidWorld 上的成绩有明显提升，从”看懂界面”走到”操作界面”和”构建界面”。
• 搜索增强的多模态知识问答：模型把视觉输入和外部检索接起来：先从图里抽实体、场景、文字和上下文线索，再去搜，最后把看到的和搜到的合起来给答案。
• 视频理解与驾驶场景感知：短视频和长视频里的事件、动作、时序、语义关系处理得更细；LingoQA、SURDS 和 VLADBench 这些驾驶相关评测中，对动态场景、交通参与者和空间关系的理解也很强。

如何使用Qwen3.7-Plus

• 访问官方平台：通过阿里云百炼或 Qwen Studio官网访问模型服务。
• 选择模型版本：在模型市场里选 Qwen3.7-Plus，按需要配调用参数。
• 输入多模态内容：可以传图像、视频、屏幕截图或网页链接，配合文本指令交互。
• 执行任务：按场景选能力模式（Visual Agent、GUI Agent、Visual Coding 等），感知、推理、执行由模型自己跑完。

Qwen3.7-Plus的核心优势

• 多模态 Agent 自主完成任务：看、想、写、做、验放在同一条智能体工作流里，复杂软件任务从理解到交付可以全程自动跑。
• 跨框架泛化：Claude Code、OpenClaw、Qwen Code 或者其他框架部署都行，表现比较稳定。
• 视觉编程领先：QwenVision2Code 得分 1772.0，接近 GPT-5.4 的 1884.0，比 Claude-Opus-4.6（1518.0）和 Gemini-3.1 Pro（1632.0）都高出不少。
• GUI 操作能力强：ScreenSpot Pro 79.0、AndroidWorld 81.0，界面理解和操作任务上属于第一梯队。
• 长时自主运行：有案例里 Agent 连着跑了 11+ 小时，累计生成代码 10,000+ 行，触发调用 1,000+ 次。

Qwen3.7-Plus的项目地址

• 项目官网：https://qwen.ai/blog?id=qwen3.7-plus

Qwen3.7-Plus的同类竞品对比

对比维度	Qwen3.7-Plus	GPT-5.4
定位	多模态交互混合智能体基座模型	通用多模态大模型
Vision Arena 排名	全球第5 / 中国第一	未进入前7
ScreenSpot Pro (GUI定位)	79.0	67.4
AndroidWorld (移动端操作)	81.0	未测试
QwenVision2Code (视觉编程)	1772.0	1884.0
BabyVision (视觉推理)	70.4/64.7	53.1
RealWorldQA (真实世界问答)	86.9	83.8
Terminal Bench 2.0 (终端编码)	70.3	未测试
SWE-bench 多语言	75.8	77.5
视频理解 VideoMMMU	88.0	89.5
多模态搜索 MMSearchPlus	41.4	19.7
核心优势	GUI操作、视觉推理、长时Agent自主执行、跨框架泛化	视觉编程、视频理解、通用语言任务
适用场景	复杂软件工程自动化、桌面/移动端GUI操作、多模态Agent工作流	通用内容生成、视觉参考转代码、多语言翻译

Qwen3.7-Plus的应用场景

• 智能软件开发：从需求文档、代码编写、测试用例，到 GUI 自动化测试和版本迭代，APP 开发整条链路都覆盖。
• 桌面应用复刻：自己看懂原生应用的 UI 布局和功能细节，生成对应源码、接上真实 API，复刻出来的应用还原度很高。
• 视觉内容生成：把设计参考图变成能跑的 SVG、网页或交互式前端代码，省掉从视觉到代码资产的那道手工活。
• 多模态知识问答：图像、视频加上网络搜索一起用，回答开放世界的视觉问题，比如这是哪儿、事件背景是什么、某个商品的信息。
• 自动驾驶与具身智能：理解动态驾驶场景、交通参与者和空间关系，真实世界的多模态智能体和 embodied 场景可以拿它做底座。