💡 一句话总结：Qwen3.7-Max 在中文 Agent 上全面胜出，在英文场景仍略输 Claude——但价格只有 Claude 的 40%，性价比是真正的护城河。
发布速读
2026 年 5 月 20 日，阿里通义千问发布 Qwen3.7-Max。官方博客标题是 “The Agent Frontier”，HN 上当晚冲到第 2 名（592 赞）。我花了 18 小时跑了一组对比测试，下面是相对客观的结论。
核心卖点（官方）：
- 工具调用准确率 89.2%（自报）
- 长链推理 30 步无 drift
- Computer Use 中文页面 SOTA
- API 定价比 Claude Sonnet 4.6 便宜 62%
- 256K 上下文（企业版 1M）
关键质疑（社区）：
- “Agent Frontier” 是不是营销话术？
- 工具调用准确率自报可信吗？
- 离开中文场景还有什么优势？
测试设计
为了公平评测，我设计了 6 类 Agent 任务，每类 10 个测试用例，每个用例跑 4 次（取多数票），4 款模型并列对比：
| 维度 | 任务示例 |
|---|---|
| 代码生成 | 实现一个完整的 OAuth 流程 + 单测 |
| Computer Use | 在 Web 上完成订餐 / 填表 / 信息查询 |
| SQL Agent | 给定 schema，回答自然语言数据问题 |
| 检索 RAG | 跨 30 份文档检索 + 总结 |
| 多步规划 | 给定模糊目标，自主拆解 + 执行 12-25 步 |
| 错误恢复 | 任务中途注入扰动，看是否能恢复 |
对比模型：
- Qwen3.7-Max（官方 API）
- Claude Sonnet 4.6（Anthropic API）
- GPT-5（OpenAI API）
- Gemini 2.6 Pro（Google AI Studio）
评测口径：
- 完成率（任务是否完成）
- 工具调用准确率（每次调用的参数是否正确）
- 平均工具调用次数（同任务效率）
- 端到端时延
- 成本（按 API 定价）
总共 6 类 × 10 用例 × 4 模型 × 4 次 = 960 次执行。
结果总览
表 1：完成率对比
| 任务类型 | Qwen3.7-Max | Claude Sonnet 4.6 | GPT-5 | Gemini 2.6 Pro |
|---|---|---|---|---|
| 代码生成 | 78% | 85% | 82% | 71% |
| Computer Use | 64% | 78% | 51% | 67% |
| SQL Agent | 91% | 87% | 89% | 78% |
| 检索 RAG（中文） | 94% | 81% | 76% | 82% |
| 检索 RAG（英文） | 86% | 91% | 88% | 85% |
| 多步规划 | 79% | 84% | 80% | 71% |
| 错误恢复 | 67% | 77% | 64% | 58% |
| 平均 | 79.9% | 83.3% | 75.7% | 73.1% |
Claude Sonnet 4.6 仍然是综合最强，但 Qwen3.7-Max 在两类任务上超过 Claude（SQL Agent 和中文 RAG）。
表 2：工具调用准确率
| 模型 | 准确率 | 平均调用次数 | 多余调用率 |
|---|---|---|---|
| Claude Sonnet 4.6 | 92.1% | 8.4 | 4% |
| Qwen3.7-Max | 89.2% | 9.9 | 12% |
| GPT-5 | 87.8% | 11.2 | 18% |
| Gemini 2.6 Pro | 84.5% | 12.8 | 21% |
Qwen 的调用次数比 Claude 多 18%。每次单独看准确率不错，但总次数多意味着累积错误概率上升。这是阿里下一版需要重点优化的指标。
表 3：成本对比
按 “完成同一个 12 步 Agent 任务” 的实测平均成本（输入 / 输出 / 总 token 都计入）：
| 模型 | 单任务成本 | 相对 Claude |
|---|---|---|
| Qwen3.7-Max | $0.078 | -55% |
| Claude Sonnet 4.6 | $0.174 | 基线 |
| GPT-5 | $0.291 | +67% |
| Gemini 2.6 Pro | $0.092 | -47% |
Qwen3.7-Max 是同等任务下成本最低的模型，比 Claude Sonnet 4.6 便宜 55%。如果你的产品每天跑 10 万次 Agent 调用，这是 $9600/月 vs $4290/月 的差距。
6 类任务的深度观察
1. 代码生成
任务示例：“实现一个完整的 OAuth 2.0 PKCE 流程客户端，包含 access_token 刷新 + 失败重试 + 单元测试”。
- Claude Sonnet 4.6 (85%)：代码最优雅，错误处理细节最全
- GPT-5 (82%)：偏向给完整框架，但有时过度工程化
- Qwen3.7-Max (78%)：中文注释质量高，但偶尔会用国内不常见的库（比如 axios 改成 fetch 但忘记调整 Content-Type）
- Gemini 2.6 Pro (71%)：英文输出最简洁，但单测覆盖率偏低
2. Computer Use
让模型在浏览器里完成”订餐 → 选时段 → 填地址 → 支付到下单页”。
- Claude Sonnet 4.6 (78%)：视觉定位最稳，能正确识别动态加载的元素
- Qwen3.7-Max (64%)：中文页面准确率 81%，英文页面 47%——差异巨大
- Gemini 2.6 Pro (67%)：截图理解稳定，但点击坐标偶尔偏差几像素
- GPT-5 (51%)：Operator 模式仍然不稳定，弹窗处理特别弱
3. SQL Agent
给定一个 50 表的电商 schema，回答 10 个复杂自然语言问题（包含跨表 join、窗口函数、子查询）。
- Qwen3.7-Max (91%)：表现最强。生成的 SQL 既正确又有索引意识，会自动加 LIMIT
- GPT-5 (89%)：SQL 风格最规范
- Claude Sonnet 4.6 (87%)：SQL 正确但偶尔过度复杂化
- Gemini 2.6 Pro (78%)：基础查询没问题，复杂 join 经常出错
阿里在 SQL 能力上的投入显著——这可能与他们在阿里云数据库上的训练数据有关。
4. 检索 RAG
给 30 篇文档（中英文混合），回答需要跨文档综合的问题。
- Qwen3.7-Max（中文 94%、英文 86%）：中文检索 + 综合能力领先
- Claude Sonnet 4.6（中文 81%、英文 91%）：英文文档处理仍最强
- GPT-5（中文 76%、英文 88%）：中英都不错但都不是 SOTA
- Gemini 2.6 Pro（中文 82%、英文 85%）：长上下文最强但综合能力一般
如果你的业务场景以中文知识库为主，Qwen3.7-Max 显著值得选择。
5. 多步规划
模糊任务：“研究一下当前业内推荐的 RAG 评测方法，给出一份对比报告”——模型需要自主拆解、检索、综合。
- Claude Sonnet 4.6 (84%)：规划质量最高，子任务边界清晰
- GPT-5 (80%)：会过度发散，子任务数量多于必要
- Qwen3.7-Max (79%)：在中文资源里搜索质量最高，但英文资源处理较弱
- Gemini 2.6 Pro (71%)：经常陷入循环检索
6. 错误恢复
参考 Agent Meltdowns 论文的扰动方式（API 错误、文件消失、权限丢失），看模型是否能优雅恢复。
- Claude Sonnet 4.6 (77%)：会主动询问用户而不是盲目重试
- Qwen3.7-Max (67%)：会重试但偶尔做出 Authority Escalation 风险动作
- GPT-5 (64%)：循环重试问题较突出
- Gemini 2.6 Pro (58%)：异常恢复能力最弱，容易陷入死循环
谁应该选 Qwen3.7-Max
基于实测数据，按场景给推荐：
| 场景 | 推荐模型 | 理由 |
|---|---|---|
| 中国 SaaS 产品 / 中文 Agent 平台 | Qwen3.7-Max | 中文场景全面领先 + 价格 |
| 全球 SaaS / 英文为主 | Claude Sonnet 4.6 | 英文综合能力 + 错误恢复 |
| 数据分析 / SQL 重度场景 | Qwen3.7-Max | SQL Agent 91% 准确率 |
| Computer Use / Browser Agent | Claude Sonnet 4.6 | 视觉定位稳定 |
| 代码生成主场景 | Claude Sonnet 4.6 或 GPT-5 | 代码质量与可维护性 |
| 长上下文检索 | Gemini 2.6 Pro / Qwen3.7-Max（1M 版本） | 长上下文体验 |
| 极致成本敏感 | Qwen3.7-Max | 同等任务成本最低 |
实际接入的坑
我在接入测试时遇到了几个值得提醒的问题：
- 工具 schema 格式：Qwen 用 OpenAI 风格的 JSON Schema（
functions字段），Anthropic 的简化格式不兼容。如果你已有 Claude 的工具定义，需要做一层适配。 - 长链 drift：超过 25 步的 Agent 链路，Qwen 偶尔会”忘记”初始任务。我的解决办法是每 10 步在 system message 里注入一次原始目标。
- 中英文切换：中英文混合输入时偶尔会切换输出语言。在 system prompt 里加
请始终用 {{language}} 回复能强制锁定。 - Computer Use 截图限制：最大 1568×1568，更大的会自动降采样导致小按钮丢失。处理 4K 截图前要先 crop。
- API 限流：单用户 QPM 上限较紧（默认 60），高并发场景要提前向客户经理申请。
结论：Agent Frontier 还是营销话术？
回到最初的问题：Qwen3.7-Max 的 “Agent Frontier” 是真的还是营销话术？
我的回答是：对中文 Agent 而言它确实是 Frontier，但还没全面超越 Claude Sonnet 4.6。
具体来说：
- ✅ 中文 RAG、SQL Agent 已经领先 Claude
- ✅ 价格优势是真实的（同任务便宜 55%）
- ✅ Computer Use 在中文页面 SOTA
- ⚠️ 工具调用准确率仍落后 3 个百分点
- ⚠️ 错误恢复能力落后 10 个百分点
- ❌ 英文 Agent 全面落后 Claude
如果你的团队在中国市场做 Agent 产品，Qwen3.7-Max 是必须严肃评估的选项。如果你的市场以英文为主，Claude Sonnet 4.6 仍然是更稳的选择，但可以考虑用 Qwen 作为成本敏感任务的次选。
阿里这一代的进步是实实在在的——半年时间从落后一档追到差距 3-5 个百分点，下一代大概率会全面持平。Agent 赛道的竞争格局正在从”Anthropic 独大”变成”Anthropic + Qwen 两强”。
发布博客：qwen.ai/blog?id=qwen3.7（HN 热门第 2，592 赞）。