Qwen3.7-Max来了：国产大模型的天花板，被它又抬高了一截

5月20日，阿里在阿里云峰会上正式发布了 Qwen3.7-Max。说实话，看完发布内容之后我的感受就一个字：猛。

这次不是挤牙膏，是直接上硬菜。

先看成绩

在 Arena 全球大模型盲测总榜上，Qwen3.7-Max 排名全球第13——也是前十五里唯一一个中国模型。排在它前面的是 GPT、Claude、Gemini 这几个老牌强者。换句话说，国产大模型的天花板，这次又被阿里自己给捅破了。

细分领域同样能打：

• 数学：全球第7
• 编程：全球第10
• 软件/IT：全球第9
• 专家提示：全球第9

在 GPQA Diamond、HLE 等高难度推理基准上，Qwen3.7-Max 直接超越了 Claude Opus 4.6 及所有国产模型。指令遵循 IFBench 得分 79.1 分创下新高，多语言翻译 WMT24++ 同样领先。

这已经不是"局部领先"了，是真的在往全面全能的方向走。

最让我震撼的，是那个35小时的任务

发布会里有个细节把我看傻了。

在一个模型从未接触过的全新硬件平台——平头哥真武 M890 芯片上，Qwen3.7-Max 从零开始，自主完成了推理内核优化任务。

注意是从未接触过的平台，没有性能分析数据，没有硬件文档，没有任何示例参考。就靠一个空白工作空间，持续编程 35 小时，独立进行了 432 次内核评估、1158 次工具调用，最终优化后的推理内核较官方参考实现取得了 10 倍加速。

而且测试轨迹显示，模型在独立运行超过 30 小时后仍能发现有效优化点，甚至主动发起了一次关键的架构重设计。

这意味着什么？意味着这个模型已经不只是个"答题机器"了，它开始具备真正的长程自主工作能力。35小时不崩溃、不迷路、还能持续迭代——这对真实世界的 AI 应用场景意义重大。

Agent 时代，它是为数不多认真设计过的模型

这两年行业里谈 Agent 的越来越多，但真正从模型层面为 Agent 场景从头设计的，其实并不多。

Qwen3.7-Max 这次在 MCP-Atlas、MCP-Mark、Skillbench 等现实能力测试中表现优异，超越了 GLM-5.1、Kimi-K2.6 等国内竞品。在 Terminal Bench 2.0-Terminus 上得分 69.7，超过 DeepSeek-v4-pro-Max 和 Claude-Opus 4.6。

而且它展现了跨框架泛化能力——在 Claude Code、OpenClaw、Qwen Code 等不同开发框架下均能稳定发挥。这意味着什么？企业不用担心被某个框架绑定，模型拿过去能直接用。

办公自动化基准 SpreadSheetBench-v1 上斩获 87 分，处于顶尖水平。对于企业级自动化办公场景来说，这个分数非常有说服力。

迭代速度本身，就是一种实力

还有一个点值得关注：阿里这次大模型迭代明显提速了。

从 Qwen3.5 到 Qwen3.6 再到 Qwen3.7，三个月内连续三个大版本，而且基本节奏是 Preview 版本先上社区测试、开发者先用，正式版再跟进。

这种"快速实验、高频交付"的节奏，说明背后的工程能力、数据基建和训练效率都已经非常成熟了。不是靠堆时间堆出来的，是真真实实的工业化研发体系在支撑。

写在最后

国产大模型这几年走得很不容易，从早期的"追赶"到现在的"局部超越"，每一步都是硬仗。

Qwen3.7-Max 这次让我看到了一个信号：国产模型不仅能跟，而且正在定义新的竞争维度——不只是刷榜，是真正在做长程 Agent 能力的工程落地。

35小时自主完成一个从未接触过的硬件平台的内核优化，这个能力边界之前没有人划定过。Qwen3.7-Max 划了一条线。

下一步，我更期待看到它在真实企业场景里的表现。毕竟论文里的 10 倍加速很耀眼，但真正的考验永远是线上的稳定性和可用性。

国产大模型，加油。

配图：Arena 全球大模型盲测榜单 | 图片来源：阿里云官方