一堆新模型发布时，话术都很像。

更聪明、更快、更 agentic，几乎成了标配。

可一旦把它们扔进真实开发任务里，故事往往会变。

阿里在 2026 年 5 月 19 日发布了 Qwen3.7-Max，把它定义成一个面向长任务、工具调用、规划和自动执行的 agentic 模型。官方甚至给出过一个 35 小时、超过 1000 次 tool call 的演示。

咱们不要只看宣传，所以直接上手测。

我把 Qwen3.7-Max 和 Claude Opus 4.6、GPT-5.5 放在一起，跑真实的 Python 开发、调试、自动化和 agent 工作流。

我关心的只有三个问题：它到底哪里强，哪里不稳，真到生产任务时，谁更值得用。

先说清楚 Qwen3.7-Max 的定位，不然很容易把它当成又一个“更大的聊天模型”。

它是阿里 Qwen3 系列里的旗舰闭源模型，目标很明确：把性能推到尽可能高。

它最值得注意的，不是参数数字，而是它的双模式设计。

Thinking mode 用来做深推理、复杂编码、多步骤任务。

Non-thinking mode 则偏速度，适合轻量提示词和日常使用。

真正的变化在于它的 agent-first 设计。它原生支持 MCP，也内置了多 agent 编排能力，还能直接对接 Claude Code、OpenClaw、Qwen Code 这类框架。

这说明一件事：阿里不是把它当普通聊天机器人做的，而是当能跑工具、调 API、持续执行长流程的系统来做的。

从公开基准看，它已经站在第一梯队。

Arena Text 排名第 13，Math 第 7，Expert Prompts 第 9，Software and IT 第 9，Coding 第 10。

我没有拿一两个小题就下结论。我把测试拆成了五类：写新功能、调试失败测试、重构、写测试套件，以及多步骤 agent 任务。前四类是标准 Python 开发场景。第五类更像今天真正的 AI 编程方式：模型不只要会写代码，还要能持续推进任务。

我给三个模型的提示词完全一样：

“给现有 FastAPI 应用加一个后台任务队列，继续沿用当前 Redis 配置。任务失败后要指数退避重试，重试 3 次仍失败的任务进入 dead letter queue。”

这类题最能看出一个模型是不是只会拼答案。

Claude Opus 4.6 第一轮就做对了，而且很自然地贴合了项目已有的模式。它的重试逻辑干净，写法也很像一个熟悉这个代码库的人。

GPT-5.5 也对，但输出偏通用。逻辑没问题，和现有代码风格的贴合度要再手动修一下。

Qwen3.7-Max 在 Thinking Mode 下同样一次就对了，而且它的 dead letter queue 设计更完整，连监控都补上了。这个点挺有意思，因为 Claude 和 GPT-5.5 在没有额外提示时都没给出来。

这里有个有意思的地方：切到 Non-thinking Mode，Qwen3.7-Max 的质量会往 GPT-5.5 靠近，尤其在结构化工程任务上更明显。

所以如果你真要拿它做严肃编码，或者做系统设计，Thinking Mode 才是该开的模式。

调试题是我最想要了解的部分，因为每天工作有大部分时间都是在debug。

给它一个失败的并发测试，再配上相关源码和 traceback，看看它能不能把根因找出来。

Qwen3.7-Max 五次全对，而且解释得很细。它不是只给结论，而是把因果链条完整地展开了。更夸张的是，其中两次它还额外指出了一个 prompt 里没要求的次要问题。

Claude Opus 4.6 也是五次全对，而且解释质量最好。

GPT-5.5 对了四次，最后一次漏掉了一个很细的 race condition。

Qwen3.7-Max 真正让我印象深的，是它在 bug 上的推理过程。它会沿着 event loop 的状态一步一步走，更像一个真正的工程师在思考寻找root cause。

这类能力对 agent 很重要，因为 agent 不是只回答一次，它要在不确定性里持续推进。

我给它一个 500 行的大类，让它拆成结构更清晰、职责更单一能够复用的组件。

Qwen3.7-Max 的输出很干净，分层也合理，命名没什么问题，整体可读性不错。它还主动补了 docstring，这一点 Claude 和 GPT-5.5 在这个任务里都没做。

但如果只看职责分离和边界感，Claude Opus 4.6 还是略胜一筹。它抓到了一个 Qwen3.7-Max 漏掉的细微耦合点。

GPT-5.5 在这类任务里就明显弱一点了，经常需要再追一轮提示，才能把类之间的依赖关系理顺。

所以重构这件事上，Qwen3.7-Max 处在一个很舒服的位置：不是最强，但已经足够接近第一梯队。

Qwen3.7-Max 在所有测试写作任务里，都能给出比较完整的 happy path 测试。

更意外的是，它的边界条件覆盖比我原先预想的要好。

有一次它抓到了 Claude 漏掉的 edge case；另一次它漏掉了一个和时区有关的边界，而 Claude 抓到了。

综合五次测试写作结果来看，Qwen3.7-Max 的覆盖率大致和 Claude Opus 4.6 持平，明显好于 GPT-5.5。

还有一个细节很实用：Thinking Mode 开着的时候，它有时会解释自己为什么不测试某个边界情况。

这会让 review 快很多。你不需要先猜它为什么省略，而是直接知道它的取舍。

前面几项只是基础功。

真正能把模型拉开差距的，是它能不能在长链路任务里保持状态。

我给三个模型一个多步骤任务：审计 Python 代码库里的安全漏洞，生成优先级报告，修补前三个问题，跑测试验证补丁，最后总结结果。

Claude Opus 4.6 用 Claude Code 处理得很好。多步骤执行稳定，但整个过程里还是需要偶尔检查一下，确保它没有跑偏。

GPT-5.5 完成了大部分步骤，但卡在验证这一步，需要人工干预才能继续。

Qwen3.7-Max 则是三个里中断最少的。它的 tool call 顺序很干净。遇到中间的歧义时，它会先做一个合理的默认决策，再把自己的判断记录下来，而不是停下来等人告诉它怎么办。

最后输出的总结，也是三者里最结构化的。

阿里那个 35 小时演示当然极端，但它展示的核心能力并不玄：在很多次 tool call 之后，模型还能保持一致的状态和目标。

我在一个 15 分钟的小任务里，也看到了同样的东西。虽然只有15分钟，但是并不是所有模型都能处理好的。

和 Claude Opus 4.6 比，Qwen3.7-Max 在日常编码上的差距已经很小了。

Claude 依然更强的地方，是代码解释质量，以及对细微重构判断的把握。

但如果你关心的是 agent 工作流，Qwen3.7-Max 反而更有优势。

和 GPT-5.5 比，Qwen3.7-Max 在 Thinking Mode 下比我预期的更快，而且在复杂任务上的输出更完整。GPT-5.5 的优势在短、快、单轮的任务里更明显。那种不需要深度推理的场景，它的响应更省事。

如果只说纯编码质量，Claude Opus 4.6 还是最强的。

如果说的是长链路、能自主执行、多工具调用的 agent 任务，Qwen3.7-Max 是我这次测试里最有竞争力的选择。

如果你在做 agent 工作流，Qwen3.7-Max 很值得试。

比如多步骤自动化、编程 agent、办公自动化，或者任何需要模型在几十次甚至上百次工具调用里保持执行连续性的任务。

如果你想要一个同时具备较强编码能力和原生 agent 基础设施的模型，它也很合适。

MCP 支持和多 agent 编排不是后来硬补的，而是直接内置的。

但如果你更在意的是解释质量和代码判断的细腻程度，Claude Opus 4.6 还是更稳。

如果你只是做一些快而短的单轮任务，GPT-5.5 依旧有速度优势。

Qwen3.7-Max 是我目前测过最强的 agentic 模型。

它不是在纯代码质量上超过 Claude Opus 4.6。

但它也不需要这样赢。

它真正带来的，是一种不同的能力：让模型不仅会答题，还能持续执行计划，反复调用工具，并且在长任务里保持一致性。

如果你的工作真的涉及这类场景，Qwen3.7-Max 现在是我会优先打开的模型之一。