Qwen3.7 max

qwen3.7-max

Qwen3.7-Max是阿里巴巴Qwen3.7系列的旗舰机型。它支持文本输入和输出，专为以代理为中心的工作负载而设计，在编码、办公和生产力任务以及长期自主执行方面具有独特的优势。与前几代 Qwen 相比，该模型在编码和代理性能方面取得了显着的进步，并支持显式提示缓存以实现高效的重复上下文使用。

上下文窗口1.0M

提供商通义千问

创建时间2026/06/29

在线体验

定价

同一模型能力，多条服务通道；按延迟、稳定性与成本灵活选择。

价格单位：$ / 1M tokens

指定服务通道：在请求体加入 provider 字段，例如 "provider": { "channel": "direct" }。可选 direct / stable / economical；不传则使用默认通道。

直连通道

官方直连链路，适合需要原生体验与完整上下文的请求。

输入	输出
1.76/M	5.29/M

介绍

输入

文本

输出

文本

Qwen3.7-Max API：阿里通义千问的万亿参数旗舰智能体模型

Qwen3.7-Max 是阿里 Qwen3.7 系列的旗舰机型，采用万亿参数 MoE 架构，于 2026 年 5 月阿里云峰会正式发布。它支持文本输入和输出，专为以智能体为中心的工作负载而设计，在编码、办公与生产力任务，以及长期自主执行方面具有独特优势。

与前几代 Qwen 相比，Qwen3.7-Max 在编码和智能体性能上取得了显著进步，并支持显式提示缓存以高效复用重复上下文。在 Arena AI 综合评测中，Qwen3.7-Max-Preview 取得 1284 分，超过 GPT-5.5 的 1215 分。

海鲸AI 通过 OpenAI 兼容接口提供 Qwen3.7-Max，支持工具调用、提示缓存与流式输出。

获取 API 密钥 · 模型 ID：qwen3.7-max

为什么选择 Qwen3.7-Max

Arena AI 综合 1284 分 —— 超过 GPT-5.5 的 1215 分
万亿参数 MoE 架构 —— 大规模稀疏专家模型，能力上限高
智能体导向设计 —— 专为长期自主执行的工作负载优化
SWE-bench Verified 72.3% —— 智能体编码能力国内第一、全球第三
100 万 token 上下文 —— 大型仓库与长资料集一次装下
显式提示缓存 —— 重复上下文的复用成本显著降低

核心能力

01 智能体编码

Qwen3.7-Max 在 SWE-bench Verified 上达到 72.3%，位居国内第一、全球第三。这是真实软件工程任务上的成绩——理解仓库、定位问题、编写修复、验证通过。

仓库级问题定位与修复
跨文件功能实现
长周期编码任务的自主执行

02 长期自主执行

"长期自主执行"是 Qwen3.7-Max 的核心设计目标。它能在长链路任务中保持目标一致性，反复调用工具、检查结果、调整路径，直到完成交付。

长链路任务的目标保持
工具调用与结果验证
中间失败后的路径重规划

03 办公与生产力任务

文档处理、表格生成、报告撰写这类办公场景是 Qwen3.7-Max 的强项之一，也是国产模型在本土业务场景中的天然优势。

结构化文档与报告生成
表格数据处理与分析
中文语境下的专业写作

04 显式提示缓存

支持显式提示缓存，让重复使用的系统提示、知识库、代码上下文只付一次全价，后续调用大幅降本——这在智能体场景中尤其重要，因为每一轮都要重传大量上下文。

重复上下文的低成本复用
智能体多轮调用的成本优化
长系统提示的缓存命中

最佳使用场景

场景	说明
智能体编码	仓库级问题修复与功能开发
长期自主任务	需要长时间保持目标的自动化流程
办公自动化	文档、表格、报告的批量生成
中文专业写作	本土语境下的高质量内容产出
长上下文分析	100 万 token 窗口内的大规模资料处理
国产化替代	数据合规要求下的旗舰级选择

Qwen3.7-Max 与 Qwen3.7-Plus、Qwen3.6-Max 的差异

能力	Qwen3.7-Max	Qwen3.7-Plus	Qwen3.6-Max Preview
模型 ID	`qwen3.7-max`	`qwen3.7-plus`	`qwen3.6-max-preview`
架构	万亿参数 MoE	稠密架构	混合架构
输入模态	文本	文本、图像	文本、图像
上下文窗口	100 万 token	100 万 token	100 万 token
最大输出	128K token	128K token	65.5K token
Arena AI	1284	1156	—
侧重	智能体编码与自主执行	多模态交互式智能体	前端与仓库级问题

具体计费以页面上方的实时价格卡片为准。

如何使用 Qwen3.7-Max API

1. 创建海鲸AI API 密钥 在控制台生成密钥并充值。

2. 用好提示缓存 智能体场景下每轮都要重传大量上下文。把稳定不变的部分（系统提示、知识库、代码上下文）放在前面并启用缓存，成本能降一个量级。

3. 调用接口

curl -X POST https://api.haijingai.com/v1/chat/completions \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen3.7-max",
    "messages": [
      {"role": "user", "content": "分析这个仓库的测试覆盖情况，补齐关键路径的单元测试。"}
    ],
    "stream": true
  }'

常见问题

Qwen3.7 什么时候发布的？ 2026 年 5 月 20 日的阿里云峰会正式发布，包括 Qwen3.7-Max-Preview（万亿参数 MoE）和 Qwen3.7-Plus-Preview（稠密架构）。

Arena AI 1284 分是什么水平？ 超过 GPT-5.5 的 1215 分，在综合能力评测中处于第一梯队。

编码能力如何？ SWE-bench Verified 72.3%，国内第一、全球第三。

支持多模态吗？ Qwen3.7-Max 是纯文本模型（文本输入、文本输出）。需要图像输入请用 Qwen3.7-Plus。

上下文和输出上限？ 100 万 token 上下文，最大输出 128K token。

提示缓存怎么用？ 把稳定不变的上下文放在请求前部，模型会显式缓存这部分内容，后续相同前缀的调用按缓存价计费。

为什么选择海鲸AI 使用 Qwen3.7-Max API

免开通阿里云账号 —— 一个密钥直接调用，无需单独开通百炼
OpenAI 兼容接口 —— 现有代码改两行接入
跨厂商横向对比 —— 与 GPT、Claude、GLM 在同一账户下比效果比成本
人民币结算 —— 国产模型按人民币计价，账目清晰

API

API 接入信息

Model ID在推理接口中指定模型

qwen3.7-max

API Key推理接口的 Bearer Token（鉴权令牌）

前往 API Key 管理

Base URL兼容 OpenAI 协议 · /chat/completions

https://api.haijingai.com/v2/

provider 可选指定服务通道，不传则由系统选择默认通道

"provider": { "channel": "direct" }

qwen3.7-max 接入示例

海鲸AI 兼容 OpenAI 接口协议，可直接使用 OpenAI SDK 或 HTTP 请求接入，默认开启流式输出。

cURLPythonNode.js

curl https://api.haijingai.com/v2/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  -d '{
    "model": "qwen3.7-max",
    "messages": [
      {"role": "system", "content": "你是一个有帮助的助手。"},
      {"role": "user", "content": "你好！"}
    ],
    "provider": { "channel": "direct" },
    "stream": true
  }'
# provider 为可选字段，删除该行即使用默认通道

from openai import OpenAI

client = OpenAI(
    base_url="https://api.haijingai.com/v2",
    api_key="<API_KEY>",
)

stream = client.chat.completions.create(
    model="qwen3.7-max",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "你好！"},
    ],
    stream=True,
    # 可选：指定服务通道，不传则使用默认通道
    extra_body={"provider": {"channel": "direct"}},
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'https://api.haijingai.com/v2',
  apiKey: '<API_KEY>',
})

const stream = await client.chat.completions.create({
  model: 'qwen3.7-max',
  messages: [
    { role: 'system', content: '你是一个有帮助的助手。' },
    { role: 'user', content: '你好！' },
  ],
  stream: true,
  // 可选：指定服务通道，不传则使用默认通道
  // @ts-expect-error provider 为海鲸AI 扩展字段，不在 OpenAI SDK 类型定义内
  provider: { channel: 'direct' },
})

for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? '')
}