阿里巴巴发布了旗下大语言模型系列「Qwen」的最新版本「Qwen3.7-Plus」。其最大特点是多模态输入：除文本外，还能处理图像、视频和屏幕截图，而输入成本远低于数周前推出的纯文本模型「Qwen3.7-Max」。不过，与奠定 Qwen 口碑的开源路线不同，Qwen3.7-Plus 仅通过 API 以商业授权方式提供。作为一款将低价与强大屏幕操作能力结合在一起的智能体（Agent）模型，它在实际开发流程中如何定位，值得关注。
从文本到视频、屏幕的多模态设计
与前代相比，最大的不同在于可接收的信息范围。纯文本的 Qwen3.7-Max 只能处理文字，而本次的模型可直接读取图像、视频和屏幕截图。它的设计目标是查看电脑屏幕、判断应当操作的位置，再编写并执行代码，把这一系列动作整合在单个智能体循环中完成。
提供形式为阿里云模型平台「Model Studio」（中国大陆名称为百炼）的 API，以及对话服务「Qwen Chat」。由于它能够同时完成对可视化界面的理解、命令执行和代码生成，因此适合用来自动化涉及屏幕操作的日常业务和数据处理。
100 万 token 的上下文与「保留思考」
Qwen3.7-Plus 具备最高 100 万 token 的上下文窗口，大致相当于 2000 页文本的篇幅。其设想是先让模型读入整个代码库、理清依赖关系，然后再开始作业。在这一容量中，最多可将 25.6 万 token 分配给模型内部的思维链推理。
在多步骤的长流程任务中，智能体常见的弱点是「状态衰减」，即中途丢失上下文。Qwen3.7-Plus 通过 API 中的「preserve_thinking」机制来抑制这一问题，它能让内部的思考片段跨越对话轮次得以保留。其理念是，在不忘记此前判断依据、也不无谓地重新计算历史记录的前提下，沿着最初的思路持续推进多步骤任务。
这种「保留推理状态」的思路如今已为各主要 AI 公司所共有。Anthropic 将同类功能称为「Extended Thinking」，并在最新的 Claude Opus 4.8 等模型中提供。OpenAI 在 GPT-5.5 中也采用了将加密后的推理内容传递到下一轮对话的方式。阿里巴巴的 preserve_thinking 可以说是用自家术语，实现了已成为多步骤推理标准底座的同一能力。
基准测试中的实力
从公开的指标来看，Qwen3.7-Plus 在屏幕操作和智能体类任务上展现出优势。在衡量安全且可迭代地运行终端级代码能力的「Terminal Bench 2.0-Terminus」中，它取得 70.3 分，超过 DeepSeek-V4-Pro Max（67.9）和 Gemini 3.1 Pro（63.5）。在评估准确捕捉屏幕元素能力的「ScreenSpot Pro」中，它达到 79.0 分，大幅领先 GPT-5.4（67.4）和 Claude Opus 4.6（49.5）。
不过，它并非在所有领域都名列前茅。在综合能力方面，据称在许多项目上仍不及 Claude Opus 4.6、GPT-5.4 等美国主力模型。若聚焦于屏幕操作和智能体用途则颇为出色，但它并不是能在所有场景取代最先进水平的模型。此外，这些数值由模型提供方公布这一点，也需要留意。
价格体系与企业中的用武之地
Qwen3.7-Plus 最受关注的原因是价格。标准输入处理为每 100 万 token 0.40 美元（约 64 日元），输出为每 100 万 token 1.60 美元（约 256 日元）。此外，对大型代码库或标准 UI 套件等内容不变的数据进行显式缓存后，第二次起的读取可降至每 100 万 token 0.04 美元（约 6 日元）。※按 1 美元 = 160 日元换算
在智能体反复参考大量代码或屏幕历史的用途中，费用容易膨胀一直是个难题。Qwen3.7-Plus 将价格细致分层，使这类高频、多步骤的处理能以现实的成本运行。由于 API 采用与 OpenAI 兼容的格式，从既有系统迁移所需的改动也很小。其设想是把这类处理分配给 Qwen3.7-Plus，而非动用昂贵的通用旗舰模型来应对日常作业。
从开源转向的争议点
对考虑引入的企业而言，授权方式的定位不容忽视。此前的 Qwen 凭借以开源形式公开模型权重、可纳入自有环境使用而赢得支持。像美国的 Airbnb 那样，将开源 Qwen 用于业务的用户也不在少数。
然而 Qwen3.7-Plus 仅作为通过阿里云 API 使用的商业模型提供。无法下载权重，在与外部隔离的内部数据中心运行。所有处理都要经由阿里云的海外节点（开发者资料中提到了新加坡的节点）。在医疗、国防等对数据所在地有严格限制的行业，需要逐一确认通过外部 API 是否符合自身要求。
当然，全部通过云端 API 完成也有其优点：无需自建并维护大规模 GPU 集群。这是一种取舍——以放弃本地运行的自由，换取运维负担的转嫁。
总结
Qwen3.7-Plus 将涵盖文本、图像、视频和屏幕的多模态输入、100 万 token 的宽广上下文以及低价结合在一起，明确面向智能体用途。它在屏幕操作和终端级代码执行的基准测试中展现出实力，但在综合能力上仍逊于美国主力模型。最大的争议点在于它从开源路线转向了商业 API 专供。是追求在自有环境中运行，还是优先选择低成本的自动化？是否引入，取决于你如何看待这一转向。
