网易首页 > 网易号 > 正文 申请入驻

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

0
分享至


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。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
深圳APEC现场的一幕火了:不少外国记者手里拿的摄像器材,竟然都是中国设备!

深圳APEC现场的一幕火了:不少外国记者手里拿的摄像器材,竟然都是中国设备!

行者聊官
2026-11-18 11:48:37
王兴兴一身西装亮相APEC峰会 一双旧小白鞋抢了镜

王兴兴一身西装亮相APEC峰会 一双旧小白鞋抢了镜

快科技
2026-11-18 10:02:25
抵达深圳后,中国台北代表施振荣喊话大陆,赖清德交代他3项任务

抵达深圳后,中国台北代表施振荣喊话大陆,赖清德交代他3项任务

不似少年游
2026-11-19 07:21:22
英男不满被推销电话狂轰 将号码改成付费专线 每分钟爽赚7便士

英男不满被推销电话狂轰 将号码改成付费专线 每分钟爽赚7便士

环球趣闻分享
2026-11-18 14:57:47
阿里员工:P7在杭州相亲市场地位大不如以前了。看中两个女生,一个护士,一个教师,联系方式都没给

阿里员工:P7在杭州相亲市场地位大不如以前了。看中两个女生,一个护士,一个教师,联系方式都没给

蚂蚁大喇叭
2026-11-18 16:37:48
“安徽老人拆墙让路”引争议,最新消息:“女儿是记者,新买宝马X5”等传言不实

“安徽老人拆墙让路”引争议,最新消息:“女儿是记者,新买宝马X5”等传言不实

观察者网
2026-11-18 23:17:31
乘客电话里狂提“偷渡”“逃跑” 顺风车司机悄悄报警 警方27分钟拦截 发现其数十分钟前刚被外地公安列为刑拘在逃人员

乘客电话里狂提“偷渡”“逃跑” 顺风车司机悄悄报警 警方27分钟拦截 发现其数十分钟前刚被外地公安列为刑拘在逃人员

闪电新闻
2026-11-18 14:36:57
为什么这么多领导人在深圳找到快乐?

为什么这么多领导人在深圳找到快乐?

新民周刊
2026-11-19 07:20:10
太可怕了!网传评论“凭什么给没有血缘关系的男人生孩子”收获9141个赞同,引发大量网友留言

太可怕了!网传评论“凭什么给没有血缘关系的男人生孩子”收获9141个赞同,引发大量网友留言

火山詩话
2026-11-18 11:00:42
截胡iPhone 20 Pro!三星无边框旗舰率先登场:正面近乎全是屏

截胡iPhone 20 Pro!三星无边框旗舰率先登场:正面近乎全是屏

快科技
2026-11-18 07:23:03
英伟达临时CEO称将不再向中国出货H200芯片 外交部:中方已多次阐明在美国输华芯片问题上的原则立场

英伟达临时CEO称将不再向中国出货H200芯片 外交部:中方已多次阐明在美国输华芯片问题上的原则立场

每日经济新闻
2026-11-18 18:43:09
进游戏第一件事!GTA6脱衣舞俱乐部实机画面首曝

进游戏第一件事!GTA6脱衣舞俱乐部实机画面首曝

游民星空
2026-11-18 23:28:03
这下彻底佩服了!​黄仁勋的情人黄乐,​手上戴的手镯,我特意去查了一下它的价格,真是贫穷限制了我的想象!

这下彻底佩服了!​黄仁勋的情人黄乐,​手上戴的手镯,我特意去查了一下它的价格,真是贫穷限制了我的想象!

财经要参
2026-11-15 12:00:05
腾讯发声:已到生死存亡时刻

腾讯发声:已到生死存亡时刻

首席品牌评论
2026-11-17 16:49:36
供应商快被拖死了,工信部出手,点名17家车企,欠款不能不还,更不能一拖再拖了

供应商快被拖死了,工信部出手,点名17家车企,欠款不能不还,更不能一拖再拖了

王新喜
2026-11-18 12:06:06
谁都没想到,APEC大佬云集的会场,最扎眼的竟是董明珠的一个动作

谁都没想到,APEC大佬云集的会场,最扎眼的竟是董明珠的一个动作

不写散文诗
2026-11-18 13:55:13
“割蛋狂魔”一年内犯案77起被捕,审讯时叫嚣不止,称原本要杀100人

“割蛋狂魔”一年内犯案77起被捕,审讯时叫嚣不止,称原本要杀100人

夜话奇谭
2026-11-18 13:55:40
四川16岁少女中考落榜出走,被男子赤身裸体囚禁10年,真相曝光

四川16岁少女中考落榜出走,被男子赤身裸体囚禁10年,真相曝光

悬疑故事屋
2026-11-18 14:17:28
为什么说以张维迎为代表的一批所谓新自由主义经济学家本质上是资本、富豪和权贵的代言人呢?

为什么说以张维迎为代表的一批所谓新自由主义经济学家本质上是资本、富豪和权贵的代言人呢?

回京历史梦
2026-11-18 10:06:16
我国规上工业发电量出现连续4个月负增长

我国规上工业发电量出现连续4个月负增长

投资者内参
2026-11-18 20:59:16
2026-11-19 09:43:00
智东西 incentive-icons
智东西
智东西,AI产业新媒体,专注报道人工智能的前沿技术发展,和技术应用带来的千行百业产业变革。
12967文章数 117195关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

亲子
数码
健康
游戏
旅游

亲子要闻

宝宝气人但是聪明的4个行为

数码要闻

苹果公布2026古典乐年度专辑:任奫灿《哥德堡变奏曲》获奖

医生眼里"很伤腰"的椅子,很多人天天坐

PC Gamer试玩GTA6百小时:双主角出色但任务重复

旅游要闻

青岛冬日赏鸥地图|沿着海岸线,赴一场海鸥之约

无障碍浏览 进入关怀版