阿里发布Qwen3.7-Plus：屏幕理解跑赢GPT-5.4，11小时独立开发App，“看、想、写、做”打通了！

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。

相关链接：

https://x.com/Alibaba_Qwen/status/2061506641120641494

https://qwen.ai/blog?id=qwen3.7-plus

https://chat.qwen.ai/?models=qwen3.7-plus