Alibaba Releases Qwen3.7-Plus: Outperforms GPT-5.4 in Screen Understanding, Independently Develops App in 11 Hours, Integrating "See, Think, Write, Act"!

“一个模型，能看、能想、能写代码、能行动。” 阿里官方介绍，Qwen3.7-Plus 构建的 Hybrid-Agent 系统，曾连续稳定运行 11 小时以上，自动完成一款英语单词学习 App 的完整研发闭环，还自主复刻了一款股票行情应用。模型屏幕理解得分 79，超过 GPT-5.4 和 Gemini-3.1 Pro。

MiniMax M3 模型昨日刚炸场，阿里千问又发布了一个强到可怕的新 “怪物”。

6 月 2 日，阿里云通义千问团队在 X 平台正式宣布发布Qwen3.7-Plus。这是一个多模态 Agent 模型，官方表述是 “将视觉与语言统一为一体化智能体基座”。

团队用一句话来概括了它的产品定位：“一个模型，能看、能想、能写代码、能行动。”

用 Qwen3.7-Plus 做 App、复刻股票应用不在话下。千问官方博客披露，基于 Qwen3.7-Plus 构建的 Hybrid-Agent 系统，曾连续稳定运行 11 小时以上，自动完成一款英语单词学习 App 的完整研发闭环。Hybrid-Agent 系统还自主完成了 macOS 原生 Stocks 股市应用的高保真复刻。而模型屏幕理解得分 79，也超过 GPT-5.4 和 Gemini-3.1 Pro。

而千问这次发布的时间点颇为微妙。就在前一天，MiniMax 刚刚推出新一代旗舰开源模型 M3，宣称同时实现顶尖编程能力、1M 超长上下文与原生多模态。两家在同一周内密集发布，国内大模型开源竞赛愈发白热化。

Qwen3.7-Plus 的定价为：输入$0.4/百万 token，输出$1.6/百万 token。

“看、想、写、做” 打通了：一个模型看屏幕、写代码、操作 App

Qwen3.7-Plus 的核心看点，是把视觉理解和任务执行真正连在了一起。

官方博客描述，这个模型能"感知真实世界场景、读取屏幕并操作 GUI、基于视觉参考生成代码、端到端导航移动应用"，并在单一智能体循环中无缝融合 GUI 与 CLI 交互。

这里有两个关键词：GUI 和 CLI。GUI 就是图形界面，比如网页按钮、手机 App 菜单、桌面软件窗口。CLI 就是命令行，比如工程师用来安装依赖、运行测试、部署服务的黑色窗口。

简单说：它不只是"看懂图片"，而是能看懂你的手机屏幕或电脑界面，然后自己点击、输入、跳转，把任务做完。

比如，它可以读取屏幕，理解手机 App 或网页界面里哪个按钮该点；也可以看一张设计图，然后生成 SVG、网页或前端原型；还可以在命令行里跑代码、看报错、再改代码。

连续跑 11 小时，开发一个英语单词学习 App

关于 Qwen3.7-Plus 具体能做什么：官方给了几个很产品化的演示。

Qwen 官方博客称，基于 Qwen3.7-Plus 构建的 Hybrid-Agent 系统，连续稳定运行 11 小时以上，自动完成一款英语单词学习 App 的研发闭环。

细节包括：生成代码超过 10000 行，触发 Agent 调用超过 1000 次，覆盖需求文档生成、代码自动编写、自动化安装部署、测试用例创建、GUI 自动化测试、多场景并行测试、产品说明自动更新和版本迭代。

这个案例的关键点不在于 “写了多少代码”，而在于链路够长。一个真实软件任务往往不是一次生成代码就结束，还要安装、运行、测试、改 Bug、再验证。官方演示想强调的正是这种长流程能力。

复刻炒股 APP，还接入真实行情 API

另一个官方案例是，直接做一个炒股 APP。

Qwen 官方博客称，Hybrid-Agent 系统自主完成了 macOS 原生 Stocks 股市应用的高保真复刻。流程包括：交互原生应用并理解 UI 布局和功能细节，基于交互记录生成 SwiftUI 源码，接入 LongBridge 真实行情 API 获取实时市场数据，自动编译构建并启动复刻应用。

模型自主执行了 10 项功能验证测试，内容包括实时行情加载、股票选择与切换、多周期视图切换、搜索过滤和详细数据面板展示等，且全部通过。

这个演示更直观：模型不是只生成一个静态页面，而是要理解行情 App 的结构、数据源和交互逻辑，再把它做成一个可以运行的桌面应用。

看图写代码：图像/视频转 SVG，也能生成网页原型

Qwen 官方博客称，Qwen3.7-Plus 可以将图像、视频、UI 截图和设计参考转化为可执行代码，覆盖 SVG 复现到完整网页生成。

在图像/视频转 SVG 任务中，模型需要识别几何结构、颜色、布局、层级关系和动态变化，再用代码表达出来。对于图标、插画、动效、图形设计和信息可视化，这类能力的产品价值在于：把 “看见的参考图” 变成 “可编辑的代码资产”。

在网页设计任务中，模型不仅要复现页面风格，还要组织布局、写前端代码、处理交互逻辑，并把多模态素材整合进最终页面。

同时，Qwen3.7-Plus 可以作为视觉 Agent，把视觉理解和工具使用结合起来，解决找不同、补图块、华容道、走迷宫、拼拼图等任务。

这里的流程不是 “看一眼给答案”。模型会先理解图像结构和约束，再把视觉问题转成可计算的问题表示，然后自主编写并执行代码进行求解、搜索或验证。

跑分怎么看：屏幕理解跑赢 GPT-5.4，但不是所有项目都第一

在多模态基准测试上，Qwen3.7-Plus 有几个数字值得关注：

屏幕理解和移动端操控：ScreenSpot Pro 得分 79.0，高于 GPT-5.4（67.4）和 Gemini 3.1 Pro（68.1）；AndroidWorld 得分 81.0，同样超过 Gemini 3.1 Pro（70.7）和 Opus-4.6 Max（62.0）。

数学视觉推理：MathVision 得分 90.3，接近 GPT-5.4 的 91.0，超过 Gemini 3.1 Pro 的 87.4。

搜索增强视觉问答：SimpleVQA 得分 81.7，WorldVQA 得分 61.1，在这一赛道上与 Opus-4.6 Max 基本持平。

图表识别：CharXiv(RQ) 得分 85.9，为所有参与对比模型中最高。

纯文本能力方面，官方表示 Qwen3.7-Plus"整体接近 Max 级别模型"。

在 Terminal Bench 2.0 上得分 70.3，超过 Opus-4.6 Max（65.4）、K2.6 Thinking（66.7）和 DeepSeek-V4-Pro Max（67.9）。

在 Deep-Planning（复杂多步规划）上得分 62.3，同样领先同级别模型。

不过也有弱项。

在 SWE-Verified（真实软件工程任务）上得分 77.7，低于 Opus-4.6 Max（80.8）和 DeepSeek-V4-Pro Max（80.6）；在 HLE（极难推理）上得分 34.7，低于 GPT-5.4（40.0）。

网友怎么看？

Qwen 官方账号 @Alibaba_Qwen 于 6 月 2 日凌晨 1:54 发布公告，配合 Demo 视频展示了多模态混合 Agent 的操作过程。截至发文，该推文阅读量已达 20 万。

X 网友表示，Qwen3.7-Plus 模型不仅要面对各种屏幕，还要操作各类工具，并应对杂乱的工作流程。

还有网友表示，Qwen 这次的打法很清晰，就是往 Agent 和 GUI 操控上押注，这个方向现在是对的。

多个网友表示，Qwen 将 “看、想、写、做” 集成于一个模型，实在太方便了。简直是 “集成了一套员工系统！”

相关评论中，不少技术用户关注的重点集中在两个方向：

一是 ScreenSpot Pro 的 79 分——这被不少人认为是"GUI Agent 能否真正商用"的关键门槛指标，Qwen3.7-Plus 目前是参测模型中的最高分；

二是 Kernel Bench L3 的 98%——这个指标衡量的是模型优化 GPU 计算核心的能力，98% 意味着几乎所有问题都能产出超越 PyTorch 默认编译器的方案。有用户指出，这个方向以前几乎是专业工程师的"禁区"。

与 MiniMax M3 的横向对比

两款模型几乎同期发布，定位有所不同。

MiniMax M3 主打开源，技术报告和模型权重承诺在 10 天内公开，核心差异化是 1M 超长上下文（M3 在 1M 上下文下每 token 计算量只有上代的 1/20）和极强的长线程 Agent 能力（147 次 benchmark 提交、1959 次工具调用完成 FP8 矩阵乘优化）。

MiniMax 团队让 M3 独立复现一篇 ICLR 2025 获奖论文。该任务需要看懂图文、曲线、数据和公式，也需要长上下文装入论文、代码和实验日志，还需要编程和 Agent 能力完成复现。M3 自主运行接近 12 小时，最终跑通核心实验。

Qwen3.7-Plus 目前仅提供 API 调用，不开源权重，核心差异化是多模态与 GUI 操作能力的深度整合，以及对主流开发框架的即插即用兼容性。

两者在编程 Agent 能力上存在直接竞争，但侧重点不同：M3 更强调长上下文下的自主科研和代码优化能力，Qwen3.7-Plus 更强调视觉感知与界面操作的端到端闭环。