新智元报道
Code Arena 最新放榜，Qwen3.7-Max 以 1541 分冲进全球第四，成为前五中唯一的非 Claude 模型。编程，中国模型第一次杀到这个位置。
就在今天，Code Arena 最新榜单出炉！
Qwen3.7-Max 以 1541 分闯入全球前四，一举超越了 GPT-5.5、Gemini 3.5 Flash 等一众顶尖模型。
排在它前面的，只剩 Claude Opus 4.7 和 Opus 4.6。
换句话说，在全球编程模型的竞技场上，阿里是唯一杀进这张牌桌的中国厂商，仅次于 Anthropic，位列第二。
Qwen3.7-Max 闯入全球前五
唯一非 Claude 模型
其实在 Code Arena 放榜之前，Qwen3.7-Max 在海外开发者圈子里已经杀出了名声。
Atomic Chat 做了一场硬碰硬的对比，让 Opus 4.7、GPT-5.5 和 Qwen3.7-Max 同台竞技，任务是写一个能自我训练的俄罗斯方块 AI。
结果，Qwen3.7-Max 不仅只用$1.32 的 token 成本就把 Opus 4.7 和 GPT-5.5 都超越了，而且性能还提升了 56%。
另一位海外开发者选择让 Qwen3.7-Max 构建了一个宇宙的 3D 模型，效果足以用震撼形容。
在「3D 像素风微缩宝塔模型」的生成任务中，Qwen3.7-Max 的输出速度和质量同样全面胜出。
开发者 Paul Couvert 更是盛赞，Qwen3.7-Max 接入 Hermes Agent 和 OpenCode 之后，基本可以替掉 GPT-5.5 和 Opus 4.7。
编程，太能打了
不过跑分再高，不如真刀真枪拉出来练练。
我们给 Qwen3.7-Max 安排了一场硬核的「赛车游戏」挑战。
一段详细的 Prompt 丢进去，不一会儿功夫，Qwen3.7-Max 直出一个可玩的 HTML 的文件。
第一版有个小 bug，A/D转向键左右搞反了。
但经过第二轮简单对话微调，一个体验完整的 3D 赛车游戏就跑了起来。
打开的瞬间，说实话，有点被惊到了。
4 车同台，3 圈环形赛道竞速，赛道上散落着 100 多枚金币，碰到障碍物会减速、失控。
赛后成绩面板，排名、用时、金币数、最快单圈，一项不缺。
但真正让人意外的，是两个只有 Qwen3.7-Max 做到的细节。
一个是开始界面。四个模型横向测完，只有它给游戏做了一个正经的开始页面，点「Start」才进入比赛。其他三家全是打开即跑，连个标题画面都没有。
另一个是音效。Prompt 最后附了一条要求，加上发动机轰鸣和吃金币的音效。 四个模型里，也只有它把这个 bonus 吃进去了，引擎声和金币叮咚都安排上了。
再看看其他选手的表现。
Gemini 3.5 Flash 的画面明显单薄了一档，缺少那种呼之欲出的立体感。
UI 布局也有问题，仪表盘信息分散在屏幕四角，视觉焦点一盘散沙。
相比之下，Qwen3.7-Max 的处理方式是把关键指标集中到画面中央，更符合玩家视线的自然落点。
Claude Opus 4.6 的效果，有点让人一言难尽了。
不仅赛道上金币少得可怜，而且 3 辆 AI 赛车几乎同步行驶，毫无随机性，像复制粘贴出来的。
最后是 GPT-5.5。
可以看到，画面质感确实比前两家强了不少，操作起来也更流畅。
但不知道为什么，金币被做成了黄色的「甜甜圈」……
造型倒是小事。关键是，Gemini、Claude、ChatGPT 三家都修了好几轮 bug 才跑通全部功能。
只有 Qwen3.7-Max 首轮生成就基本可玩。
跑分接近，实测不虚，价格只有几分之一。剩下的结论，等开发者用脚投票就行了。
Agent 时代的「基座」模型
Qwen3.7-Max 之所以能在最卷的编程擂台上打出如此水平，答案就藏在它的产品定位里。
几天前，阿里发布 Qwen3.7-Max 的时候，给了它一个非常特殊的标签：Agent 基座模型。
它生来，就是为长时间自主执行任务设计的模型。
内测数据显示，在一次自主编程任务中，Qwen3.7-Max 连续运行 35 个小时，执行 1158 次工具调用。
最终生成的代码相较于 Triton 参考实现，达到了惊人的 10 倍几何平均加速。
更令人震撼的是它的「持久战」能力——
在推演进行到第 30 个小时之后，模型依然保持敏锐，持续挖掘出新的优化空间。
全程零上下文退化、零指令漂移、零死循环！
不得不说，这件事的难点不在 1000 次工具调用本身。MCP 协议铺开之后，调 1000 次工具不算稀奇。
难点在于，35 小时的连贯推理。
绝大多数模型跑长任务时会崩盘：要么上下文越积越乱，前半段定的目标到后面忘得干干净净；要么进入死循环，反复尝试同一个失败的方案。
Qwen3.7-Max 把「持续做对事」这件事，做出来了。
核心技术揭秘
Qwen3.7-Max 这波编程跃升，我们理解核心可能与两个训练方法的升级有关。
第一个是，环境扩展。
Qwen3.7-Max 在做编程训练时，每个任务会被拆成三个独立维度，任务本身、执行框架、验证方式，三者自由组合。
同一道题，有时候在 Claude Code 的框架里做，有时候在 OpenClaw 里做，有时候换一种验证方式。
效果就像一个实习生被轮岗到了所有项目组。它被迫学会的是解决问题的通用策略，不是「在某个特定框架里怎么取巧」。
这解释了一个反直觉的现象，Qwen3.7-Max 在 Claude Code、OpenClaw、Qwen Code 这几个框架里的表现都很稳，没有出现「在自家框架里很强、换一个就拉胯」的情况。
第二个升级是，长程自主执行。
在训练中，团队引入了「动态累积生存博弈」框架。
也就是，让模型在持续变化的模拟环境中做超过一千步的连续决策，自己建立假设、根据反馈调整策略，而且不能因为跑太久就「上下文腐化」。
这里有一个直观的数据，YC-Bench 模拟创业公司经营一整年，Qwen3.7-Max 做到了 208 万美元营收，是上一代（105 万）的两倍。
更关键的是，它展现出了策略进化，中期遇到危机能自主调整方向，识别并拉黑恶意客户，最终收敛到稳定的执行循环。
这就是 35 小时 kernel 优化案例的底层支撑，也是为什么在 Kernel Bench L3 上，Qwen3.7-Max 能让 96% 的场景跑出加速效果。
而编程还只是第一个战场。这套长程推理加工具调用的底子，指向的是一个更大的野心——通用 Agent 基座。
编程决赛，多了一个搅局者
Code Arena 上线至今，考的从来都是硬活，多步推理、工具编排、完整项目交付，全是 Agent 级的真刀真枪。
今天，Qwen3.7-Max 凭借着 1541 分的成绩楔进了第四的位置，卡在 Opus 4.6 Thinking 和 Opus 4.6 之间。
在这条 Claude 统治了大半年的赛道上，它给出了自己的回答，中国模型不只是追赶者，也可以是定义者。
全球编程模型的竞赛，已经不再是硅谷的独角戏了。
参考资料：
