阿里通义千问发布多模态智能体Qwen3.7-Plus让AI从读懂世界到动手完成任务

今天我们来深入探讨阿里通义千问最新推出的模型——Qwen3.7-Plus。这不仅仅是一次常规的版本升级，更是一次将“视觉感知”与“任务执行”深度融合的创新尝试。

耗时11小时，阿里新模型用一万行代码成功复刻“多邻国”应用。

简单来说，Qwen3.7-Plus已不再局限于“看图说话”。传统多模态模型能够告诉你“图片中有一只猫”，而Qwen3.7-Plus的目标，则是将界面理解、工具调用、代码生成与任务交付串联起来，推动AI从图像识别迈向直接动手操作并完成任务的新阶段。

智东西在第一时间进行了体验，并结合官方案例发现，Qwen3.7-Plus在视觉推理、图像搜索、工具调用等方面展现出了诸多亮点。但实事求是地说，在实测过程中，处理复杂页面时仍会出现图片文字乱码、交互功能不生效、3D预览黑屏等问题，最终成果仍需人工检查和微调。距离成为一个“完全值得信赖的AI执行者”，尚有一段路要走，但发展的方向已经十分明确。

就在不久前，5月20日，阿里发布了Qwen3.7系列的旗舰模型Qwen3.7-Max。根据第三方机构Artificial Analysis公布的全球大模型总榜，Qwen3.7-Max在Artificial Analysis Intelligence Index中取得了57分，与GPT-5.5(medium)、Claude Opus 4.7(max)、Gemini 3.1 Pro Preview等海外一线模型分数接近，领先于Kimi K2.6、Mimo-V2.5-Pro等国产模型，位列国产模型之首。

▲Artificial Analysis全球大模型榜单（图源：Artificial Analysis）

今天发布的Qwen3.7-Plus，正是为了补全Qwen3.7系列在视觉识别这一关键领域的短板。目前，该模型已在阿里云百炼平台上线，并兼容OpenAI API与Anthropic协议。开发者可以直接调用API来实现多模态交互、智能体任务和视觉编程等应用场景，也可以通过Claude Code、OpenClaw或Qwen Code直接调用，无需修改原有的Prompt或工具链。同时，Qwen Studio也已开放Qwen3.7-Plus的在线体验。

集成视觉、语言与Agent能力，多项测试得分超越GPT-5.4和Gemini 3.1 Pro

Qwen3.7-Plus是在Qwen3.7文本与Agent能力的基础上，进一步融合视觉与语言能力而打造的多模态智能体模型。

它不仅能理解图形界面、文档和真实场景，还能直接进行操作，调用命令行、自主编写代码、验证运行结果。更为关键的是，千问将GUI操作、CLI调用、代码生成与自我验证整合到同一个智能体循环中，形成了一个集“看、想、写、做、验”于一体的端到端闭环。从架构上看，这已不再是简单的“大型图片搜索引擎”。

基准测试的结果也充分证明了其能力。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的表现，确实值得关注。

▲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）

具体来看：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分几乎持平，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，超越GPT-5.4（xhigh）的67.4和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，这表明其在开放世界视觉问答、真实场景解析和OCR能力上具备一定优势。

智东西第一时间体验了Qwen3.7-Plus的网页生成与视觉编程能力。

我们首先让它完成一个防晒产品网页前端设计。模型生成的页面结构相当完整，包含了产品介绍、核心优势、明星产品等模块，并生成了配套的产品图片。但在体验过程中，我们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。这说明，在静态页面搭建方面，它完成度较高，但在图片文字渲染和前端交互细节上，仍需人工调整。

▲Qwen3.7-Plus生成的网页

接着，我们又让它生成“骑自行车的鹈鹕”3D像素艺术作品。这次我们首先尝试了快速模式。有趣的是，Qwen3.7-Plus并没有直接生成HTML代码，而是先生成了一张包含鹈鹕骑车、树木、道路和春日场景元素的图片。随后，模型才补充生成了HTML代码。但问题在于，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，效果明显更为稳定。5分钟后，Qwen3.7-Plus按照要求生成了可运行的HTML，画面中包含了夜空背景、像素化鹈鹕、自行车、草地平台和动态氛围效果，并支持拖拽旋转。与快速模式相比，思考模式下的代码完整性和可预览效果明显更优，已经能够生成一个可运行、可交互的网页作品。

▲快速模式下，Qwen3.7-Plus生成的3D像素艺术作品

总体来看，Qwen3.7-Plus在将视觉创意转化为代码方面，已经具备了较强的实用性。然而，复杂前端和3D场景仍存在一定的不稳定性，需要通过思考模式、多轮迭代或人工修正来提升交付质量。这一策略，实际上也与当前许多AI工具的使用逻辑一致——“输出结果，然后人工微调”。

稳定运行11小时完成App开发，并能复刻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，并让其独立完成了一款类似多邻国、百词斩的英语单词学习App的完整研发流程。这才是真正考验“硬实力”的环节。

在官方测试中，Hybrid-Agent连续稳定运行超过11小时，累计生成代码超过10000行，触发工具调用超过1000次。整个流程涵盖了需求文档生成、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。这不仅仅是一个简单的Demo，而是一次完整的“AI单兵作战”演习。

▲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，具备了单词本、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，这体现了模型在真实任务场景下，已经具备了较为成熟的编程能力、工具调用能力和视觉设计能力。

而在桌面应用场景中，千问官方还让Qwen3.7-Plus复刻了macOS原生Stocks股市应用。这个案例更贴近实际开发者的日常操作。

在复刻过程中，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以获取实时市场数据。系统能够自动完成编译构建，并最终复刻出应用。

▲模型自主复刻App（图源：通义实验室）

值得注意的是，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。交付结果重现了原生Stocks的暗色主题、分栏布局、实时行情数据和完整交互体验。这个案例充分说明，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、验证功能结果方面，具备了不错的迁移能力。对于许多需要快速原型验证的开发者来说，这或许是一个值得关注的方向。

找不同、查病害、画路线，看完图还能搜索、执行

视觉能力一直是多模态模型的基础，但Qwen3.7-Plus不仅限于“识别”，还能“接着干活”。

在找不同、华容道、迷宫、拼图这些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。

比如在官方的找不同案例中，Qwen3.7-Plus能够加载图片，调整大小以匹配左右两张图片，并形成不同点地图，随后进行思考分析。通过代码解释器，它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时——比如识别一个不熟悉的地标，或者分析一个复杂的商品参数——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，让“看图”不再是终点，而是起点。

一个很典型的案例是判断植物疾病。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，列出了病斑颜色、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还能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。这相当于给了设计师一个“截图变代码”的能力。

▲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）

浏览器智能助手可自动比价下单，完成网页多步操作

除了模型本身的能力，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。

一个很有意思的场景是ECS采购自动化。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）

这意味着，未来许多需要多步骤、跨网页的操作，或许真的可以交给AI来处理了。对于企业采购、信息收集、表单填写等场景，想象空间相当大。

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在视觉理解、编程、任务执行等方面的能力，已经不再是“演示级”的玩具。多模态模型不仅能够识别图像、理解视频、回答问题，还能继续完成操作应用、调用工具、生成代码和验证结果等后续步骤。

这也传递出一个明显的信号：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，真正重要的不再是模型能认出多少张图片，而是它能否在真实的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，正在一步步迈入软件开发、办公自动化、浏览器操作、数据处理等更具体的执行场景。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：阿里通义千问发布多模态智能体Qwen3.7-Plus让AI从读懂世界到动手完成任务要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题