# Qwen3.7-Max：面向智能体时代的最新专有模型

- 来源：Qwen：Blog Retrieval（API）
- 作者：QwenTeam
- 发布时间：2026-05-20 10:00
- AIHOT 分数：79
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmpdgqw1n03smslk1jf4jiwce
- 原文链接：https://qwen.ai/blog?id=qwen3.7

## 精选理由

Qwen3.7-Max 把 agent 能力拉到了新高度，35 小时自主内核优化证明长程执行有真实生产力，做 coding agent 的团队该认真测一下。

## AI 摘要

通义千问发布 Qwen3.7-Max，专为智能体时代设计。它具备从原型到复杂多文件工程的编码智能体能力，通过 MCP 和多智能体编排实现办公自动化，能自主执行超 1000 步工具调用（如 35 小时全自主内核优化）。兼容 Claude Code、OpenClaw、Qwen Code 等多框架。在多项基准测试中超越 Opus-4.6 Max 等模型：Terminal Bench 2.0 (69.7)、SWE-Verified (80.4)、GPQA Diamond (92.4)、HLE (41.4) 等。现已通过阿里云 Model Studio 提供 API 调用。

## 正文

DISCORD 今天我们推出 Qwen3.7-Max，这是我们为智能体时代打造的最新专有模型。Qwen3.7-Max 旨在成为一个多功能的智能体基础模型——既能编写和调试代码，也能自动化办公流程，还能在数百甚至数千个步骤中维持自主执行能力。

Qwen3.7-Max 的独特之处在于其智能体能力的广度和深度。它作为编码智能体表现出色，从前端原型设计到复杂的多文件工程都能胜任。通过 MCP 集成和多智能体编排，它成为可靠的办公与生产力助手。它能在极长的任务跨度中保持连贯推理——一次完全自主的内核优化运行持续了 35 小时，涉及超过 1000 次工具调用。它还能跨智能体框架泛化，无论部署在 Claude Code、OpenClaw、Qwen Code 还是其他框架上，表现都保持一致。

Qwen3.7-Max——现已通过阿里云百炼平台提供：前沿编码智能体：从前端原型设计到复杂软件工程；通过 MCP 和多智能体编排实现办公生产力与工作流自动化；长跨度任务的持续自主执行；跨多种智能体框架的泛化能力。

通过阿里云百炼平台的 API 调用。

Opus-4.6 Max K2.6 Thinking GLM-5.1 Thinking DS-V4-Pro Max Qwen3.6-Plus Qwen3.7-Max

编码智能体

Terminal Bench 2.0-Terminus 65.4 66.7 63.5 67.9 61.6 69.7

SWE-Verified 80.8 80.2 -- 80.6 78.8 80.4

SWE-Pro 57.3 59.5 58.8 59.0 56.6 60.6

SWE-Multilingual 77.5 76.7 -- 76.2 73.8 78.3

NL2repo 47.6 42.8 41.0 35.5 34.4 47.2

SciCode 51.9 52.2 45.1 -- 41.4 53.5

QwenWebDev 1617 -- 1564 1570 1500 1568

QwenSVG 1541 1325 1605 1506 1432 1608

通用智能体

Qwenclaw 65.5 54.7 58.7 59.2 57.2 64.3

CoWorkBench 68.2 58.2 66.0 66.3 64.5 67.2

ClawEval 70.4 61.5 62.7 58.4 57.1 65.2

Skillsbench -- 56.2 53.1 52.3 45.7 59.2

BFCL-V4 76.7 71.3 70.9 70.6 68.9 75.0

MCP-Mark 56.7 55.9 57.5 57.1 48.2 60.8

MCP-Atlas 75.8 66.6 71.8 73.6 74.1 76.4

Vitabench -- 39.1 45.1 51.9 42.8 47.9

SpreadSheetBench-v1 89.3 84.5 85.2 84.9 80.2 87.0

Kernel Bench L3 2.63/98% 1.41/80% 2.00/78% 1.07/54% 1.03/48% 1.98/96%

HLE w/ tools 53.0 54.0 52.3 48.2 50.2 53.5

QwenWorldBench 56.1 50.9 50.2 52.3 47.6 57.3

STEM 与推理

GPQA Diamond 91.3 90.5 86.2 90.1 90.4 92.4

HLE 40.0 36.4 34.7 37.7 28.8 41.4

LiveCodeBench 88.8 89.6 -- 93.5 87.1 91.6

HMMT 2026 Feb 96.2 92.7 89.4 95.2 87.8 97.1

IMOAnswerBench 75.3 86.0 83.8 89.8 83.8 90.0

CritPT 12.6 8.0 4.6 12.9 2.9 11.4

Apex 34.5 24.0 11.5 38.3 8.8 44.5

通用能力

MMLU-Pro 89.7 87.1 86.3 87.5 88.5 89.6

MMLU-Redux 95.2 95.3 94.3 94.8 94.5 95.0

SuperGPQA 72.5 71.3 68.0 69.9 71.6 73.6

IFEval 91.9 94.5 94.5 91.9 94.3 94.3

IFBench 62.5 76.0 76.0 77.0 74.2 79.1

MRCR-v2 128k 84.0 63.1 62.0 74.4 85.9 90.4

多语言能力

WMT24++ 82.7 81.6 81.8 82.2 84.3 85.8

MAXIFE 81.3 87.7 87.7 88.9 88.2 89.2

MMMLU 90.6 87.5 87.2 87.9 89.5 90.3

MMLU-ProX 86.1 83.7 83.9 83.9 84.7 87.0

NOVA-63 59.1 56.7 54.6 52.8 57.9 59.0

INCLUDE 87.4 84.2 84.3 86.1 85.1 86.2

Global PIQA 91.2 89.2 89.5 90.5 89.8 91.4

PolyMATH 80.2 82.7 67.6 72.0 77.4 86.5

Terminal-Bench 2.0：使用 Harbor/Terminus-2 框架；超时时间 5 小时，12 CPU/24 GB RAM；温度参数=1.0，top_p=0.95，top_k=20，最大 token 数=80K，上下文窗口 256K；5 次运行平均值。所有实验在每轮对话前添加一个 token，让模型自行决定是否启用扩展思考。

SWE-Bench 系列：内部智能体框架（bash + 文件编辑工具）；温度参数=1.0，top_p=0.95，上下文窗口 200K。

SWE-bench Pro：修正了有问题的任务，并在优化后的基准上对所有基线进行了评估。

NL2Repo：通过 Claude-code 进行评估。我们禁用了试图访问特定仓库的 Bash 命令，例如 pip download、pip install 和 git clone。

QwenWebDev：内部前端代码生成基准；双语（英文/中文），7 个类别；自动渲染 + 多模态评判器；BT/Elo 评分。

QwenClawBench：一个基于真实用户分布的 Claw 智能体基准；开源地址：https://github.com/SKYLENAGE-AI/QwenClawBench。

CoWorkBench：一个内部协作基准；涵盖计算机科学、金融、法律、医疗及其他生产力领域的长期任务。

SkillsBench：通过 OpenCode 在 78 个任务上进行评估（排除 9 个依赖外部 API 的任务）；5 次运行平均值。

MCP-Mark：GitHub MCP v0.30.3；Playwright 响应截断至 32K tokens。

MCP-Atlas：公开集得分；使用 gemini-2.5-pro 作为评判器。

VITA-Bench：各子领域平均得分；使用 claude-4.5-sonnet 作为评判器，因为旧版官方评判器已不可用。

Kernel Bench L3：报告指标：在 50 个问题上，每个问题相对于 PyTorch 即时执行参考的加速比中位数 / 比 torch.compile 更快的问题占比。每个测试样本在独立的 Docker 容器中运行，配备一块 H100 80GB GPU，网络访问仅限于 CUTLASS 代码库和官方 CUDA 文档，最多允许 500 次工具调用，并在连续 100 次无改进轮次后提前停止。使用 GPT-5.4 (xhigh) 检测潜在的作弊行为。使用 CUPTI 进行内核级计时。

QwenWorldBench：用于评估大语言模型作为世界模型以模拟智能体环境的内部基准；涵盖 7 个领域（终端、SWE、MCP、搜索、操作系统、安卓、网页）；采用基于真实环境反馈的开放式五维度评分标准。

推理场景：推荐系统提示词：“推理强度设置为 xhigh。请仔细思考任务，验证关键假设，考虑合理的替代方案，并在最终答案中优先确保正确性、一致性和清晰度。”

MRCR-v2：包含 8 个检索点的 128K 上下文子集；评估方案取自 https://github.com/google-deepmind/evalhub/tree/master/evalhub/mrcrv2。

WMT24++：更难的 WMT24 子集；通过 XCOMET-XXL 在 55 种语言上的平均得分。

MAXIFE：在英文及多语言提示词（共 23 种设置）上的准确率。

MMLU-ProX：在 29 种语言上的平均准确率。

空单元格（--）表示分数尚未公布。

在编程智能体方面，Qwen3.7-Max 在 SWE-Pro（60.6）、SWE-Multilingual（78.3）、SciCode（53.5）和 QwenSVG（1608）上表现强劲。在 Terminal Bench 2.0-Terminus（69.7）上，它优于 DS-V4-Pro Max（67.9）。在 SWE-Verified（80.4）上，它与 Opus-4.6 Max（80.8）和 DS-V4-Pro Max（80.6）持平。

在通用型智能体方面，性能提升更为显著。Qwen3.7-Max 在 MCP-Mark（60.8 对比 GLM-5.1 的 57.5）、MCP-Atlas（76.4 对比 Opus-4.6 的 75.8）和 Skillsbench（59.2 对比 K2.6 的 56.2）上表现极为出色，并在 Kernel Bench L3 上展现出强大的 GPU 内核优化能力（中位数加速比 1.98 倍，胜率 96%）。它在 BFCL-V4（75.0）、Qwenclaw（64.3）和 ClawEval（65.2）上也取得了高分，紧追 Opus-4.6 Max。在办公自动化基准 SpreadSheetBench-v1 上，它获得了 87 分的顶尖成绩。

在推理方面，Qwen3.7-Max 在 GPQA Diamond（92.4 对比 Opus-4.6 的 91.3）、HLE（41.4 对比 Opus-4.6 的 40）、HMMT 2026 Feb（97.1 对比 Opus-4.6 的 96.2）、IMOAnswerBench（90 对比 DS-V4-Pro 的 89.8）和 Apex（44.5 对比 DS-V4-Pro 的 38.3）上均取得了领先成果，在最难的推理基准上展现出非凡实力。

在通用能力和多语言方面，Qwen3.7-Max 在 IFBench（79.1 对比 DS-V4-Pro 的 77.0）上表现突出，展示了精准的指令遵循能力。它在 WMT24++（85.8）和 MAXIFE（89.2）上取得领先分数，证实了顶尖的多语言理解和翻译质量。它在 SuperGPQA（73.6）和 QwenWorldBench（57.3）上也交出了强劲的成绩。

值得注意的是，这些分数来自多种多样的智能体框架。Qwen3.7-Max 并非针对单一框架进行优化，而是在 Claude Code、OpenClaw、Qwen Code 以及自定义工具使用框架上均能提供一致的表现，使其成为任何智能体系统都可靠、即插即用的骨干模型。

协同办公生产力助手#

Qwen3.7-Max 可作为您的高级协作者，提升实际生产力。其强大的智能体能力从根本上简化了专业工作流程——综合复杂信息、执行深入的数据分析和建模、生成可直接发表的文档和可视化内容——从而可靠地处理高复杂度的企业级工作负载。

Qwen3.7-Max 原生兼容主流智能体框架。对于长周期任务，它支持自主规划并在长达数小时的会话中持续执行。通过数千次工具调用和数十次优化迭代，它能稳步提升输出质量。通常需要专业团队一到两周才能完成的复杂项目，现在可以在数小时内端到端完成，带来可衡量的生产力提升。

智能体规模扩展#

基于 Qwen3.5 中引入的环境规模扩展方法，我们在 Qwen3.7 中继续大力扩展智能体训练环境的质量和多样性。正如语言模型能从多样化的预训练文本中实现泛化，我们发现智能体能力也能从多样化的训练环境中实现泛化。

如下图所示，这种环境规模扩展产生了清晰且一致的改进轨迹，Qwen3.7-Max 取得了接近 Claude-4.6-Opus-Max 的前三名平均排名。关键在于，我们评估中的所有基准测试都采用了完全未见过的、训练中从未出现过的域外环境。

我们还观察到规模扩展行为具有惊人的可预测性：任何基准测试子集上的性能提升都高度一致，并能可靠地预测其余基准测试或整体平均值的相对提升，这表明环境规模扩展驱动的是真正的能力泛化，而非针对特定基准的改进。关于规模扩展动态及方法的进一步分析将在我们即将发布的技术报告中详述。

跨框架泛化#

我们的发布环境基础设施将每个训练实例解耦为三个正交组件——任务、测试框架和验证器——它们可以自由重组。我们支持多种测试框架及其不断演进的版本，并将环境建立在真实场景而非合成代理之上。这种解耦设计实现了组合式扩展：同一任务可以与多种测试框架（涵盖不同类型和版本）及验证器配对，边际成本极低。更重要的是，它支持跨测试框架和跨验证器的强化学习训练，使模型在不同测试框架配置下面对相同任务，迫使其学习可泛化的问题解决策略，而非针对特定测试框架的捷径。在 QwenClawBench 和 CoWorkBench 上，无论评估时使用何种测试框架，Qwen3.7-Max 都展现出强大且一致的性能，证实该模型已学会解决问题——而非利用特定测试框架。

野外自我进化

Extend Attention 是 SGLang 中一个生产级、可变长度的多头注意力算子。在我们的测试场景中，它计算新生成的 token 与包含最多 32K 条目的前缀 KV 缓存之间的注意力分数，并采用 MTP——这是大语言模型推理中一个内存受限、延迟敏感的内核。参考实现是 SGLang 官方的 Triton 实现。

我们让 Qwen3.7-Max 在一台配备平头哥 ZW-M890 PPU（一种训练期间从未见过的硬件平台）的 ECS 实例上优化该内核。该模型没有该架构的先验性能数据、硬件文档或示例内核。它从一个仅包含任务描述、现有 SGLang 实现和评估脚本的空工作区开始。

在大约 35 小时的连续自主执行过程中，该模型在 1158 次工具调用中执行了 432 次内核评估。它完全自主地编写、编译、性能分析并迭代改进了 Extend Attention 内核——诊断编译失败、修复正确性错误、通过运行时性能分析识别性能瓶颈，并多次重新设计内核架构。

最终结果：在多个工作负载上测量，相比 Triton 参考实现取得了 10.0 倍的几何平均加速。优化轨迹显示出持续且显著的进展，远不止最初几小时：模型在 30 多个小时后仍在发现有意义的改进，这表明长周期自主优化不仅是可行的，而且是富有成效的。

优化轨迹中的关键结构转变

Split-KV 并行化（0.33 倍 → 2.58 倍，约 2 小时）：初始内核仅在 36 个 SM 上启动了 8 个块（4 个 token × 2 个 KV 头 × 1 个批次），导致大部分 SM 处于空闲状态。模型使用 Split-KV 分区重新设计了内核——将前缀 KV 缓存按查询分配到多个线程块——并引入了一个独立的规约内核，利用在线 softmax 重缩放来合并部分结果。

启动与分配开销消除（2.58 倍 → 5.37 倍，约 2.5 小时）：模型系统地消除了主机-设备同步开销：用预分配的 `torch::empty` 张量替代每次调用时的 cudaMalloc/cudaFree，通过使用张量元数据替代同步的 cudaMemcpy 调用来查询前缀长度，并将内层循环展开 2 倍以分摊循环控制开销并提高指令级并行度。

工作负载自适应分割调优（5.37 倍 → 6.85 倍，约 3 小时）：模型从固定的分割除数演变为依赖于工作负载大小的启发式策略——对较小的输入采用更激进的分割，并针对每个工作负载调整分割数量，以在 36-SM 架构上最大化 SM 波前占用率。

规约与批处理优化（6.85 倍 → 8.50 倍，3 小时–25 小时）：通过切换到基于寄存器的 K/V 加载来消除共享内存屏障，以提高 SM 占用率；对部分结果使用持久静态张量以避免每次调用时的分配；对小输入采用更激进的分割启发式策略；以及采用批处理 softmax 更新（4 次 expf 调用而非 6 次）来降低每个 token 的开销。通过 smscale 对 Q 进行预缩放，消除了 warp 规约后每次迭代的浮点乘法。

MTP γ=4 专用内核（8.50倍 → 10.0倍，32小时–35小时）：这是最重大的架构重新设计——重构内核，使其在每个块中同时处理全部4个查询token，通过跨查询共享K/V加载来分摊内存访问成本。结合用于V缓冲区加载的ldg只读缓存内联函数、多查询批量注意力输出归约、寄存器压力调优以及重新调整的分块启发式策略，在最后几小时内实现了约1.2倍的最终提升。

我们还在相同条件下用其他几个模型运行了同样的任务。GLM 5.1 达到了7.3倍；Kimi K2.6 达到了5.0倍；DeepSeek V4 Pro 达到了3.3倍；Qwen3.6-Plus 达到了1.1倍。提前停止的模型是因为智能体连续五轮未发出任何工具调用——模型判定自己无法再取得进展，主动结束了会话。

除了在PPU上取得出色的内核生成结果外，Qwen3.7-Max 还能在各种NVIDIA GPU上生成高质量、可投产的内核。例如，在KernelBench L3上，Qwen3.7-Max 能够为96%的场景生成加速内核，而 Opus-4.6 为98%，GLM 5.1 为78%，Kimi K2.6 为80%，DeepSeek V4 Pro 为54%，Qwen3.6-Plus 为48%。

这一结果凸显了 Qwen3.7-Max 作为驱动长周期自主智能体的基础模型的两大特性：持续的长周期推理——模型在超过一千次工具调用中保持连贯的优化策略，不会丢失上下文或出现性能倒退；以及强大的上下文内泛化能力——它能为从未见过的架构生成有竞争力的内核，依赖运行时反馈而非记忆的硬件知识。

长周期训练中的奖励黑客行为监控#

我们将 Qwen3.7-Max 集成到软件工程（SWE）任务的强化学习（RL）监控中，成功构建了一个用于奖励作弊自我监控和规则自我演化的框架。在超过 80 小时的强化学习实验中，模型自主检索并回放训练轨迹，执行了超过 10,000 次调用。该系统在进行规则验证、反例挖掘和迭代优化的同时，系统性地识别了候选作弊模式（例如试图绕过限制以访问 GitHub 上的真实答案）。

因此，Qwen3.7-Max 实现了多轮规则自我演化，新增了 13 条启发式规则，并准确标记了 1,618 个作弊案例。这不仅确保了强化学习奖励的稳定性，也促进了模型作为一个复杂软件工程智能体的持续自我改进。

创业管理中的长程规划与执行#

在动态累积生存博弈框架内，我们扩展了训练任务的时间复杂度，以专门强化长程规划与执行能力。这一进步增强了智能体在超过一千步的序列决策轨迹中的策略一致性，使其能够持续构建假设、基于环境反馈动态调整策略，并积累长期经验与记忆。因此，智能体在广阔的时间跨度上保持稳定的执行节奏，有效抵御上下文腐烂和指令漂移等常见问题。

在 YC-Bench（一个模拟初创公司完整年度生命周期的基准测试）中，智能体需要应对数百个决策回合，涵盖人员管理、合同审查以及恶意客户识别，同时还要在劳动力成本上升的情况下维持利润率。Qwen3.7-Max 实现了 208 万美元的总收入，是 Qwen3.6-Plus（105 万美元）的两倍，是 Qwen3.5-Plus（35.2 万美元）的 5.9 倍，并成功完成了 237 项任务。除了指标之外，该模型还展示了在上下文窗口中进行战略演进的深层能力：它主动探索潜在客户，识别并拉黑恶意陷阱，优先选择可靠的收入来源，并在中期危机中自主恢复，最终收敛到一个稳定、高效的执行循环中。

使用 Qwen3.7 进行构建#

Qwen3.7-Max 现已通过阿里云百炼平台提供。您可以将其集成到流行的智能体框架和编程助手中。

Qwen3.7-Max 支持 preservethinking 功能：保留消息中所有先前轮次的思考内容，这对于智能体任务来说是推荐的。

""" 环境变量： DASHSCOPEAPIKEY：您的 API 密钥，来自 https://modelstudio.console.alibabacloud.com DASHSCOPEBASEURL：（可选）兼容模式 API 的基础 URL。 - 北京：https://dashscope.aliyuncs.com/compatible-mode/v1 - 新加坡：https://dashscope-intl.aliyuncs.com/compatible-mode/v1 - 美国（弗吉尼亚）：https://dashscope-us.aliyuncs.com/compatible-mode/v1 """from openai import OpenAIimport osapikey = os.environ.get("DASHSCOPEAPIKEY")if not apikey: raise ValueError( "DASHSCOPEAPIKEY 是必需的。 " "请通过以下命令设置：export DASHSCOPEAPIKEY='your-api-key'" )client = OpenAI( apikey=apikey, baseurl=os.environ.get( "DASHSCOPEBASEURL", "https://dashscope-intl.aliyuncs.com/compatible-mode/v1", ),)messages = [{"role": "user", "content": "编写一个 Python 函数来合并两个已排序的链表。"}]completion = client.chat.completions.create( model="qwen3.7-max", messages=messages, extrabody={ "enablethinking": True, # "preservethinking": True, }, stream=True)reasoningcontent = ""answercontent = ""isanswering = Falseprint("\n" + "=" 20 + "推理过程" + "=" 20 + "\n")for chunk in completion: if not chunk.choices: print("\n使用情况：") print(chunk.usage) continue delta = chunk.choices[0].delta if hasattr(delta, "reasoningcontent") and delta.reasoningcontent is not None: if not isanswering: print(delta.reasoningcontent, end="", flush=True) reasoningcontent += delta.reasoningcontent if hasattr(delta, "content") and delta.content: if not isanswering: print("\n" + "=" 20 + "回答" + "=" 20 + "\n") isanswering = True print(delta.content, end="", flush=True) answercontent += delta.content

前端编码#

Qwen3.7-Max 能够根据单条提示词生成丰富的交互式网页应用——包括 Three.js 3D 场景、Canvas 动画、完整页面布局以及动态 SVG。

展开所有演示

演示1 手势控制粒子系统

1 / 5

用Three.js创建一个实时交互的3D粒子系统网页。要求：1.通过摄像头检测手掌张合控制粒子群的收缩与扩散，当手掌张开时例子扩散，当手掌握紧时例子收缩为一个球；2.当手势为1时，粒子组成文字（hello, world），当手势为2时组成文字 （I’am Qwen）；3.粒子需实时响应手势变化；4.文字应有3D旋转效果；5. 用html实现

Qwen3.7-Max

办公助手#

Qwen3.7-Max 可通过工具集成充当智能办公助手。在此示例中，它读取一份高校论文格式规范，并自动对一篇格式混乱的草稿进行重新排版——包括页面布局、标题样式、字体、页边距、目录以及参考文献格式的修正——全部通过自主调用办公 CLI 工具完成。（示例论文为 AI 生成，仅用于演示目的。）

展开所有演示

演示1：使用办公工具进行论文格式排版

1 / 1

为便于前端展示，此处将原始 Word 文档以 PDF 形式呈现。

请完成一个论文格式修复任务。 ## 输入文件 - 格式规范说明文件: 研究生学位论文格式规范.docx - 格式混乱版论文（待修复）: 论文格式混乱版.docx ## 输出文件 - 论文格式修复版.docx

工作区

研究生学位论文格式规范.docx

论文格式混乱版.docx

Qwen3.7-Max

论文格式修复版.docx

您的浏览器不支持 PDF。请下载 PDF

基于大语言模型的物理世界导航智能体#

此外，Qwen3.7-Max 现在可以通过工具调用操控机器狗——在物理环境中执行物理理解、规划、记忆与决策，这得益于我们的机器人智能体框架 Qwen-RobotClaw、导航基础模型 Qwen-RobotNav，以及基于 Qwen-plus 模型构建的多个视觉工具。在下方演示中，左侧面板展示了智能体在物理世界中 20 分钟的工具调用交互流程；中央面板展示了四足机器人沿其轨迹的第一人称视角画面；右侧面板则展示了智能体的长期记忆。

编码助手#

Qwen3.7-Max 可与主流智能体框架及编码助手无缝集成：

Claude Code#

Qwen API 支持 Anthropic API 协议，可直接与 Claude Code 配合使用：

npm install -g @anthropic-ai/claude-code export ANTHROPICMODEL="qwen3.7-max"export ANTHROPICSMALLFASTMODEL="qwen3.7-max"export ANTHROPICBASEURL=https://dashscope-intl.aliyuncs.com/apps/anthropic export ANTHROPICAUTHTOKEN= claude

OpenClaw#

通过 Model Studio 连接至 OpenClaw：

curl -fsSL https://molt.bot/install.sh | bash export DASHSCOPEAPIKEY= openclaw dashboard

配置 ~/.openclaw/openclaw.json：

json

{ "models": { "mode": "merge", "providers": { "modelstudio": { "baseUrl": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1", "apiKey": "DASHSCOPEAPIKEY", "api": "openai-completions", "models": [ { "id": "qwen3.7-max", "name": "qwen3.7-max", "reasoning": true, "input": ["text"], "contextWindow": 1000000, "maxTokens": 65536 } ] } } }, "agents": { "defaults": { "model": { "primary": "modelstudio/qwen3.7-max" } } }}

Qwen Code#

Qwen Code 针对 Qwen 系列进行了深度优化：

npm install -g @qwen-code/qwen-code@latest qwen

Qwen3.7-Max 是我们为智能体驱动工作流打造的最全能、最强大的模型。从编程和办公自动化到长期自主任务，它结合了前沿推理能力、强大的跨框架泛化能力，以及长时间维持高效执行的能力——为构建下一代 AI 智能体提供了坚实基础。我们欢迎社区反馈，并期待看到你们的创作。

@misc{qwen37, title = {{Qwen3.7}: 智能体前沿}, url = {https://qwen.ai/blog?id=qwen3.7}, author = {{Qwen 团队}}, month = {5月}, year = {2026}}