Qwen3.7-Plus：多模态 Agent 的重点变成了执行闭环

Qwen3.7-Plus 这次最值得看的地方，不是又多了一组视觉榜单，而是 Qwen 把视觉理解、代码生成、GUI 操作和工具调用放进同一个 Agent 循环里。官方原文把它称为一个能统一 GUI 与 CLI 操作的多模态交互式混合 Agent，并已通过阿里云 Model Studio 提供 API 调用。1

需要先划一条边界：这篇官方博客不是完整技术报告。它没有展开参数规模、MoE 路由、训练数据或损失函数，披露重点是能力形态、评测结果和应用方式。读者如果想判断它的真实价值，应更多看它在「看屏幕、写代码、调用工具、验证结果」这一整条链路上能不能稳定工作，而不是只盯单点视觉理解分数。

过去一年，多模态模型的叙事经常停在「能看懂图片 / 视频」。Qwen3.7-Plus 想推进一步：模型不只识别屏幕上的内容，还要定位 UI 元素、理解任务意图，并在真实软件环境里点击、输入、运行代码和做验证。官方把这条链路概括为「see, think, write, act, and verify」，也就是看、想、写、执行、检查。1

这会改变它的产品定位。视觉能力不再只是问答入口，而是 Agent 获取环境状态的传感器；代码能力也不只是生成函数，而是让模型能把视觉问题转成可计算任务，再通过脚本搜索、模拟或验证答案。官方在视觉推理示例里提到找不同、补缺块、滑块谜题、迷宫和拼图等任务，解法不是只靠口头推理，而是把视觉结构转成程序可处理的表示后执行代码。1

官方评测表里，Qwen3.7-Plus 在 Terminal-Bench 2.0 上得分 70.3，高于 Qwen3.6-Plus 的 61.6；在 ScreenSpot Pro 上得分 79.0，高于 Qwen3.6-Plus 的 68.2；AndroidWorld 得分 81.0，高于 Qwen3.6-Plus 的 67.2。1 这几项放在一起看，含义比单个榜单更明确：它强化的是「终端执行 + 屏幕定位 + 移动端操作」的组合能力。

还有几组数字值得单独拎出来。视觉推理上，MathVision 得分 90.3，BabyVision 报告为 70.4 / 64.7，CharXiv(RQ) 报告为 85.9 / 84.4；搜索增强视觉问答上，SimpleVQA 为 81.7，WorldVQA 为 61.1，MMSearchPlus 为 41.4。官方说明多模态搜索与知识问答评测均启用了搜索增强，BabyVision 和 CharXiv(RQ) 则同时报告有无 CI 的成绩。1 这些脚注很重要，因为它们提醒读者：有些分数衡量的不是裸模型闭卷能力，而是模型与搜索、评测设置共同形成的系统表现。

Qwen3.7-Plus 的混合 Agent 展示比榜单更能说明方向。官方称，团队基于 Qwen3.7 构建的 Hybrid-Agent 系统连续稳定运行超过 11 小时，自动完成一个英语词汇学习 App 的研发周期；过程中生成超过 10,000 行代码，触发超过 1,000 次 Agent 调用，覆盖需求文档、编码、安装部署、测试用例、GUI 自动化测试、多场景并行测试、产品文档更新和版本演进。1

这类展示的价值在于暴露了模型要进入软件交付时必须跨过的门槛：任务很长，环境会反馈错误，UI 状态会变化，代码要能编译，测试要能跑。只会写一段漂亮代码的模型，在这里不够用；模型还要在失败后读懂报错、改实现、重新验证。

官方还给了一个桌面应用复刻案例：Agent 通过与 macOS 原生 Stocks 应用交互来理解布局和功能，再生成 SwiftUI 源码，接入 LongBridge 实时行情 API，编译并启动复刻应用，最后自主完成 10 项功能验证，包含实时行情加载、股票切换、多周期视图、搜索过滤和详细数据面板。1 这说明 Qwen 想让模型从「根据截图写页面」走向「观察一个真实应用，再做出可运行替代品」。

从接入方式看，Qwen3.7-Plus 通过阿里云 Model Studio 提供，支持与 OpenAI 规范兼容的 chat completions 和 responses API。官方示例还提到 preserve_thinking，用于保留前序轮次的思考内容，并建议在 Agent 任务中使用。1 对长链路 Agent 来说，这一点比普通聊天更关键，因为它需要在多轮操作中保留中间假设、已尝试路径和环境反馈。

它也有明确的生态策略。官方给出 Claude Code、OpenClaw 和 Qwen Code 的接入说明，其中 Qwen APIs 支持 Anthropic API 协议，可让 Claude Code 直接使用 qwen3.7-plus，OpenClaw 则通过 Model Studio 配置模型提供商。1 这不是单纯多放几个 SDK 示例，而是在抢现有 Agent 工具链的位置：开发者不需要换掉工作流，只需要把底层模型切到 Qwen。

第一，官方没有披露模型规模、MoE 细节、训练配方和成本结构。对于企业部署来说，延迟、上下文成本、并发稳定性和错误恢复能力，往往比一两个榜单分数更影响能否上线。

第二，长链路案例还需要外部复现。11 小时 App 研发、macOS Stocks 复刻和云控制台购买 ECS 的演示都很有方向感，但它们仍是官方选择展示的场景。要判断模型是否适合生产环境，开发者还要看它在自己的权限系统、测试环境、灰度发布流程和审计要求下能否稳定完成任务。1

第三，搜索增强视觉问答的成绩不能简单等同于模型闭卷知识。官方已说明相关评测启用了搜索增强，这对真实世界任务是好事，因为用户本来就需要最新知识；但对模型能力归因来说，检索质量、网页噪声和引用可靠性都会变成系统风险。1

Qwen3.7-Plus 更像一次 Agent 产品路线的发布：阿里希望 Qwen 不只回答问题，还能看屏幕、写代码、操控应用并验证结果。它在 ScreenSpot Pro、AndroidWorld、Terminal-Bench 2.0 等评测上的提升，和官方给出的长时间 App 研发案例，指向同一个判断：下一阶段多模态模型的竞争，会更多发生在真实环境执行链路里。

如果你是开发者，值得优先测试三件事：它能否稳定识别你的业务界面；它在多轮工具调用中是否会丢失任务状态；它生成的代码能不能通过你自己的测试与安全审计。官方博客给了足够强的方向信号，但真正的取舍，仍要落到这些可复现的工程指标上。