6月2日，阿里云正式发布了千问3.7系列的新成员——Qwen3.7-Plus。这是多模态大模型领域的一次重要升级，文本理解和视觉识别能力均实现了显著突破。以下是几个关键表现：在全球视觉大模型排名榜单Vision Arena上，它已跻身全球前五、中国第一的位置。这背后的核心驱动力是什么？是一次多模态混合智能体的系统性革新。

简而言之，Qwen3.7-Plus已不再局限于传统的“看图识物”式视觉分析模型。它已升级为一个能够自主编程、深度推理、调用工具、验证测试，甚至实现自我迭代的完整智能体。可以这样理解：它整合了“观察、思考、编程、执行、验证”五项能力，形成统一工作流的全栈解决方案。例如，在用户提供一张截图或一段视频后，它能一键还原出对应的手机APP界面，甚至完成桌面端专业软件级别的复杂操作。这已超越简单的识别范畴，而是从理解到执行的端到端闭环。

Qwen3.7-Plus 核心能力解析

目前，阿里云百炼已正式对外提供Qwen3.7-Plus的API服务。该模型的核心能力主要体现在以下几个维度：

• 多模态智能体：能够统一处理图像、视频、屏幕、网页及文本等多种输入形式，在图形界面、命令行工具以及各类软件环境中自主完成复杂任务。
• 视觉智能体：集成了视觉理解、代码解释器与搜索增强能力，专为破解视觉谜题、回答现实世界复杂问题以及完成高难度推理任务而设计。
• 视觉编程：基于单张图像或一段视频，可直接生成SVG图形、网页代码乃至交互式前端应用，实现了真正的“所见即所得”编程体验。
• GUI智能体：能够理解移动端与桌面端应用的界面结构，实现精准的控件定位、任务规划，并执行多步操作流程，相当于可以操控用户的手机和电脑。
• 真实世界感知与推理：覆盖真实场景、文档图表、OCR文字识别、视频内容理解，甚至涵盖驾驶场景的推理分析，具备广泛的应用能力。

需要强调的是，这五大能力并非相互独立的模块。它们共同构建了一个完整的智能体工作流：从感知环境到做出决策、编写代码、执行操作，再到验证结果，整个过程无缝衔接。这正是Qwen3.7-Plus的真正价值所在——它距离成为一名能够独立处理复杂任务的“数字员工”又迈出了关键一步。