阿里巴巴發表了旗下大型語言模型系列「Qwen」的最新版本「Qwen3.7-Plus」。其最大特色是多模態輸入：除了文字之外，還能處理影像、影片與螢幕截圖，而輸入成本遠低於數週前推出的純文字模型「Qwen3.7-Max」。不過，與奠定 Qwen 口碑的開源路線不同，Qwen3.7-Plus 僅透過 API 以商業授權方式提供。作為一款將低價與強大螢幕操作能力結合在一起的智慧代理（Agent）模型，它在實際開發流程中如何定位，值得關注。

從文字到影片、螢幕的多模態設計

與前代相比，最大的不同在於可接收的資訊範圍。純文字的 Qwen3.7-Max 只能處理文字，而本次的模型可直接讀取影像、影片與螢幕截圖。它的設計目標是查看電腦螢幕、判斷應當操作的位置，再撰寫並執行程式碼，把這一連串動作整合在單一智慧代理迴圈中完成。

提供形式為阿里雲模型平台「Model Studio」（中國大陸名稱為百煉）的 API，以及對話服務「Qwen Chat」。由於它能夠同時完成對視覺化介面的理解、命令執行與程式碼生成，因此適合用來自動化涉及螢幕操作的日常業務與資料處理。

100 萬 token 的上下文與「保留思考」

Qwen3.7-Plus 具備最高 100 萬 token 的上下文視窗，大致相當於 2000 頁文字的篇幅。其構想是先讓模型讀入整個程式碼庫、釐清相依關係，然後再開始作業。在這項容量中，最多可將 25.6 萬 token 分配給模型內部的思維鏈推理。

在多步驟的長流程任務中，智慧代理常見的弱點是「狀態衰減」，也就是中途遺失上下文。Qwen3.7-Plus 透過 API 中的「preserve_thinking」機制來抑制這個問題，它能讓內部的思考片段跨越對話輪次得以保留。其理念是，在不忘記先前判斷依據、也不無謂地重新計算歷史紀錄的前提下，沿著最初的思路持續推進多步驟任務。

這種「保留推理狀態」的思路如今已為各主要 AI 公司所共有。Anthropic 將同類功能稱為「Extended Thinking」，並在最新的 Claude Opus 4.8 等模型中提供。OpenAI 在 GPT-5.5 中也採用了將加密後的推理內容傳遞到下一輪對話的方式。阿里巴巴的 preserve_thinking 可以說是以自家術語，實現了已成為多步驟推理標準基礎的同一能力。

基準測試中的實力

從公開的指標來看，Qwen3.7-Plus 在螢幕操作與智慧代理類任務上展現出優勢。在衡量安全且可迭代地執行終端機層級程式碼能力的「Terminal Bench 2.0-Terminus」中，它取得 70.3 分，超越 DeepSeek-V4-Pro Max（67.9）與 Gemini 3.1 Pro（63.5）。在評估精準掌握螢幕元素能力的「ScreenSpot Pro」中，它達到 79.0 分，大幅領先 GPT-5.4（67.4）與 Claude Opus 4.6（49.5）。

不過，它並非在所有領域都名列前茅。在綜合能力方面，據稱在許多項目上仍不及 Claude Opus 4.6、GPT-5.4 等美國主力模型。若聚焦於螢幕操作與智慧代理用途則相當出色，但它並不是能在所有情境取代最先進水準的模型。此外，這些數值由模型提供方公布這一點，也需要留意。

價格體系與企業中的用武之地

Qwen3.7-Plus 最受關注的原因是價格。標準輸入處理為每 100 萬 token 0.40 美元（約 64 日圓），輸出為每 100 萬 token 1.60 美元（約 256 日圓）。此外，對大型程式碼庫或標準 UI 套件等內容不變的資料進行明確快取後，第二次起的讀取可降至每 100 萬 token 0.04 美元（約 6 日圓）。※以 1 美元 = 160 日圓換算

在智慧代理反覆參考大量程式碼或螢幕歷史的用途中，費用容易膨脹一直是個難題。Qwen3.7-Plus 將價格細緻分層，使這類高頻、多步驟的處理能以實際可行的成本執行。由於 API 採用與 OpenAI 相容的格式，從既有系統遷移所需的改動也很小。其構想是把這類處理分配給 Qwen3.7-Plus，而非動用昂貴的通用旗艦模型來因應日常作業。

從開源轉向的爭議點

對考慮導入的企業而言，授權方式的定位不容忽視。先前的 Qwen 憑藉以開源形式公開模型權重、可納入自有環境使用而贏得支持。像美國的 Airbnb 那樣，將開源 Qwen 運用於業務的使用者也不在少數。

然而 Qwen3.7-Plus 僅作為透過阿里雲 API 使用的商業模型提供。無法下載權重，在與外部隔離的內部資料中心執行。所有處理都要經由阿里雲的海外節點（開發者資料中提到了新加坡的節點）。在醫療、國防等對資料所在地有嚴格限制的產業，需要逐一確認透過外部 API 是否符合自身要求。

當然，全部透過雲端 API 完成也有其優點：無需自建並維護大規模 GPU 叢集。這是一種取捨——以放棄本地執行的自由，換取維運負擔的轉嫁。

總結

Qwen3.7-Plus 將涵蓋文字、影像、影片與螢幕的多模態輸入、100 萬 token 的寬廣上下文以及低價結合在一起，明確面向智慧代理用途。它在螢幕操作與終端機層級程式碼執行的基準測試中展現出實力，但在綜合能力上仍遜於美國主力模型。最大的爭議點在於它從開源路線轉向了商業 API 專供。是追求在自有環境中執行，還是優先選擇低成本的自動化？是否導入，取決於你如何看待這項轉向。