阿里千问大模型宣布发布其目前最强的多模态智能体模型 Qwen3.7-Plus，将视觉理解与语言推理统一为一体化的智能体基座。

公告称，Qwen3.7-Plus 在 Qwen3.7 强大文本能力的基础上全面升级了视觉-语言能力，同时保持了在编码、工具使用和生产力工作流方面的完整智能体能力。

Qwen3.7-Plus 的核心特色在于其作为多模态交互混合智能体的能力。它能够感知真实世界场景、读取屏幕并操作 GUI、基于视觉参考生成代码、端到端导航移动应用，以及基于网络知识回答视觉问题——在单一智能体循环中无缝融合 GUI 与 CLI 交互。

作为全能型编码智能体与生产力助手，它以全模态输入处理从前端原型到复杂软件工程、再到多步工作流自动化的全方位任务。它具备跨框架泛化能力，无论通过 Claude Code、OpenClaw、Qwen Code 还是其他框架部署，均能保持稳定表现。

• Multimodal Agent：统一处理图像、视频、屏幕、网页和文本输入，并在 GUI / CLI / 工具环境中完成任务
• Visual Agent：结合视觉理解、代码解释器和搜索增强，解决视觉谜题、真实世界问答和复杂推理任务
• Visual Coding：从图像或视频生成 SVG、网页和交互式前端，实现视觉参考到代码的端到端转化
• GUI Agent：理解移动端和桌面端界面，进行控件定位、任务规划和多步操作
• Real-world Perception & Reasoning：覆盖真实场景、文档图表、OCR、视频和驾驶场景理解

模型表现：