阿里又发了款智能体模型：11小时造出学英语App，还能看懂地铁线路图

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：

https://bailian.console.aliyun.com/cn-beijing/?tab=model#/model-market/detail/qwen3.7-plus?serviceSite=asia-pacific-china

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。