智东西
作者杨京丽
编辑李水青
智东西 6 月 2 日消息，今天，阿里通义千问发布多模态智能体模型 Qwen3.7-Plus。相比传统“看图说话”式多模态模型，Qwen3.7-Plus 在识别图像的基础上，进一步打通界面感知、工具调用、代码生成和任务交付，让 AI 从“读懂世界”，走向“动手完成任务”。
智东西第一时间体验并结合官方案例发现，Qwen3.7-Plus 在视觉推理、图片搜索、工具调用等方面展现出不少亮点。不过实测中，复杂页面仍会出现图片文字乱码、交互失效、3D 预览黑屏等问题，最终结果仍需要人工检查和调试。
此前，5 月 20 日，阿里发布 Qwen3.7 系列旗舰模型 Qwen3.7-Max。在第三方机构 Artificial Analysis 公布的全球大模型总榜中，Qwen3.7-Max 的 Artificial Analysis Intelligence Index 目前得分为 57，与 GPT-5.5(medium)、Claude Opus 4.7(max)、Gemini 3.1 Pro Preview 等海外模型分数接近，领先 Kimi K2.6、Mimo-V2.5-Pro 等国产模型，位列国产模型第一。
▲Artificial Analysis 全球大模型榜单（图源：Artificial Analysis）
今天发布的 Qwen3.7-Plus 补齐 Qwen3.7 系列的视觉识别能力，现已在阿里云百炼平台上线，支持 OpenAI 兼容 API 与 Anthropic 协议。开发者可以直接调用 API 完成多模态交互、智能体任务和视觉编程等场景，也可以通过 Claude Code、OpenClaw 或 Qwen Code 直接调用，无需修改原有 Prompt 或工具链。同时，Qwen Studio 也已开放 Qwen3.7-Plus 在线体验。
API 地址：
Qwen Studio 体验地址：
https://chat.qwen.ai/?models=qwen3.7-plus
一、融合视觉、语言和 Agent 能力，多项测试得分超 GPT-5.4 和 Gemini 3.1 Pro
Qwen3.7-Plus 是在 Qwen3.7 文本与 Agent 能力基础上，进一步融合视觉与语言能力形成的多模态智能体模型。
Qwen3.7-Plus 不仅能看懂图形界面、文档和真实场景，还能直接上手操作，调用命令行、自主编写代码、验证运行结果。另外，千问还将 GUI 操作、CLI 调用、代码生成和自我验证放进同一个智能体循环中，形成“看、想、写、做、验”的端到端闭环。
基准测试中，Qwen3.7-Plus 在多模态推理、视觉 Agent 与编程以及通用视觉理解方面都有不错的表现。
▲Qwen3.7-Plus 在 12 项核心基准测试中的综合表现（图源：通义实验室）
在多模态推理方面，Qwen3.7-Plus 在 BabyVision 中得分 70.4/64.7，领先 Gemini 3.1 Pro 的 55.9 和 GPT-5.4（xhigh）的 53.1；MathVision 得分 90.3，与 GPT-5.4（xhigh）的 91 分得分接近，高于 Gemini-3.1 Pro 的 87.4 和 Qwen3.6-Plus 的 88.0。
在视觉 Agent 与编程方面，Qwen3.7-Plus 在 ScreenSpot Pro 中得分 79.0，超过 GPT-5.4（xhigh）的 67.4、Gemini 3.1 Pro 的 68.1；AndroidWorld 得分 81.0，高于 Gemini-3.1 Pro 的 70.7。
在通用视觉理解方面，Qwen3.7-Plus 在 RealWorldQA 中得分 86.9，高于 Qwen3.6-Plus 的 85.4 和 GPT-5.4（xhigh）的 83.8；OCR-Bench-V2 英文和中文测试分别取得 70.7 和 67.1，说明其在开放世界视觉问答、真实场景解析和 OCR 能力上具备优势。
智东西第一时间体验了 Qwen3.7-Plus 的网页生成和视觉编程能力。
我们先让 Qwen3.7-Plus 完成一个防晒产品网页前端设计。模型生成的页面结构较完整，包含产品介绍、核心优势、明星产品等模块，也生成了配套产品图片。不过体验中我们也发现，生成图片中的部分文字出现乱码，页面交互功能未能正常使用，说明其在静态页面搭建上完成度较高，但图片中文字渲染和前端交互细节仍需人工调试。
▲Qwen3.7-Plus 生成的网页
后面，我们又让 Qwen3.7-Plus 生成“骑自行车的鹈鹕”3D 像素艺术作品。我们先使用快速模式，比较有意思的是，Qwen3.7-Plus 没有一开始直接生成 HTML 代码，而是先生成了一张图片，画面中已经呈现出鹈鹕骑车、树木、道路和春日场景等元素。随后，模型补充生成了 HTML 代码。不过在预览时，页面中只有标题和黑色画布，3D 主体未能正常渲染。
▲快速模式下，Qwen3.7-Plus 的 3D 鹈鹕任务执行情况
任务失败后，我们改用思考模式重新生成同一任务，效果明显更稳定。5 分钟后，Qwen3.7-Plus 按照要求生成可运行的 HTML，画面中可以看到夜空背景、像素化鹈鹕、自行车、草地平台和动态氛围效果，可以拖拽旋转。相比快速模式，思考模式下的代码完整性和可预览效果更好，已经能生成一个可运行、可交互的网页作品。
▲思考模式下，Qwen3.7-Plus 生成的 3D 像素艺术作品
整体看，Qwen3.7-Plus 在视觉创意转代码方面具备较强可用性，但复杂前端和 3D 场景仍存在一定不稳定性，需要通过思考模式、多轮迭代或人工修正来提升交付质量。
二、稳定运行 11 小时写完 App，还能复刻 macOS Stocks 应用
为了验证 Qwen3.7-Plus 的实际落地能力，通义千问基于该模型构建了智能体系统 Hybrid-Agent，并让其独立完成一款类似多邻国、百词斩的英语单词学习 App 的完整研发流程。
官方测试中，Hybrid-Agent 连续稳定运行超过 11 小时，累计生成代码超 10000 行，触发工具调用超 1000 次。整个流程覆盖需求文档生成、代码编写、自动部署、测试用例创建、GUI 自动化测试、多场景并行测试、产品说明更新和版本迭代等环节。
▲Qwen3.7-Plus 设计的英语单词学习 App（图源：通义实验室）
最终，Qwen3.7-Plus 完成了 App 的全流程设计，具备单词本、单词消消乐、每日单词背诵、限时挑战等功能，用户可以根据需求设置每日速记目标，提醒时间等。整个 App 的设计均由 Qwen3.7-Plus 独立完成，体现出模型在真实任务场景下，具备成熟的编程能力、工具调用能力和视觉设计能力。
在桌面应用场景中，千问官方让 Qwen3.7-Plus 复刻 macOS 原生 Stocks 股市应用。
复刻过程中，Qwen3.7-Plus 能够自主交互原生应用，理解其 UI 布局和功能细节，再基于交互记录生成 SwiftUI 源码，并接入 LongBridge 真实行情 API 获取实时市场数据，系统能够自动完成编译构建，并复刻应用。
▲模型自主复刻 App（图源：通义实验室）
Qwen3.7-Plus 自主执行了 10 项功能验证测试，包括实时行情加载、股票选择与切换、多周期视图切换、搜索过滤、详细数据面板展示等，最终全部通过。交付结果复现了原生 Stocks 的暗色主题、分栏布局、实时行情数据和完整交互体验。案例充分展示出，多模态智能体在观察真实软件、理解交互逻辑、生成应用代码、验证功能结果等方面，具备不错的迁移能力。
三、找不同、查病害、画路线，看完图还能搜索、执行
视觉能力上，Qwen3.7-Plus 不仅能识别图像，看完图像后，还能继续解决问题。
在找不同、华容道、迷宫、拼图等需要推理的视觉任务中，Qwen3.7-Plus 会先提取图像中的几何结构与空间约束，将视觉问题转化为可计算逻辑，随后调用代码解释器，编写并执行求解程序，形成视觉感知、空间建模、代码求解和结果校验的自动化流程。
在官方的找不同案例中，Qwen3.7-Plus 能够加载图片，调整大小匹配左右两张图片，并形成不同点地图，后续进行思考分析。通过代码解释器，仔细核对坐标及图像，在差异图中标注差异中心点，经过多次比对与反复思考，最终找出 5 处不同点，准确完成找不同任务。
▲Qwen3.7-Plus 完成找不同任务（图源：通义实验室）
在搜索增强视觉问答场景中，当问题超出图像本身，Qwen3.7-Plus 可以从单图、多图或视频中提取关键实体与上下文线索，再联网检索外部知识，将视觉证据与实时信息交叉验证。这一能力适用于多类开放世界问题，例如识别陌生地标、追溯事件背景、分析复杂商品参数等。
针对判断植物疾病的案例，Qwen3.7-Plus 先观察叶片上的棕褐色斑块、黄化区域和病斑边缘形态，初步分析其可能对应的病害类型。
随后，模型调用网页搜索，查找相似图片和相关资料，并把搜索结果与图片中的细节进行对照。经过 7 次检索后，Qwen3.7-Plus 综合图像观察、搜索资料和特征对比，给出最终判断，并整理成表格，列出病斑颜色、纹理、形状和叶片变化等关键信息。
▲Qwen3.7-Plus 判断植物疾病（图源：通义实验室）
此外，Qwen3.7-Plus 还可以把视觉输入直接转化为代码。对于图标、插画、动效或网页参考图，模型可以把画面中的形状、颜色、布局关系转成 SVG 或前端代码。
▲Qwen3.7-Plus 根据参考图复刻并输出代码（图源：通义实验室）
在网页设计场景中，Qwen3.7-Plus 可基于参考图、视频素材或设计意图，组织页面布局、编写前端代码、处理交互动效，并调用工具补全缺失素材，从而生成可以运行的交互式网页原型。
▲Qwen3.7-Plus 设计的网页（图源：通义实验室）
在更接近真实场景的任务中，Qwen3.7-Plus 也能处理复杂图表。以地铁线路图为例，模型可以在密集交错的线路中定位起点和终点，识别不同线路的颜色和换乘关系，并规划出完整路线。它会沿线路逐站追踪，在需要换乘的位置切换线路，最终给出从出发站到目的站的完整乘车路径。
▲Qwen3.7-Plus 根据新加坡地铁线路图规划路线（图源：通义实验室）
四、浏览器智能助手可自动比价下单，完成网页多步操作
除上述能力外，通义还基于 Qwen3.7-Plus 构建了浏览器智能助手，并通过Qwen for Chrome 插件提供体验。
用户安装插件后，可以在浏览器侧边栏中直接与 Qwen 对话，授权后切换至Agent 模式。在该模式下，Qwen 可以感知当前网页内容、理解任务意图、规划操作步骤，并在真实浏览器环境中自动执行点击、输入、跳转、配置和验证，完成页面感知、任务规划、GUI 自动化执行的闭环。
在 ECS 采购自动化案例中，面对非技术用户提出的“采购一台最便宜的云服务器”需求，Agent 会登录云控制台，自动比价、选型、配置镜像与安全组并确认订单。遇到缺货或价格波动时，模型会调整策略，直到任务完成。
▲浏览器智能助手根据用户需求购买服务器（图源：通义实验室）
结语：多模态模型逐步胜任真实任务场景
从上述案例中，可以看出 Qwen3.7-Plus 具备较强的视觉理解、编程、任务执行等能力。多模态模型具备识别图像、理解视频、回答问题的能力，同时还能够继续完成操作应用、调用工具、生成代码和验证结果等后续步骤。
这也意味着，多模态模型的竞争重点正在从“看得准”转向“做得成”。对于开发者和企业来说，真正重要的是，模型能够在真实工具链和业务流程中持续执行，并交付一个可运行、可验证的结果。随着模型同时具备视觉理解、工具调用、代码生成和自我验证能力，AI 能承担的工作将逐步进入软件开发、办公自动化、浏览器操作、数据处理等更具体的执行场景。
