通义千问 Qwen3.7-Max 编码实测：杀进 Code Arena 第 4，价格只有 Claude Opus 三分之一

TL;DR — 阿里 Qwen3.7-Max 5 月 19 日上线，一周内冲到 Code Arena WebDev 榜单第 4 名，Elo 1541，比 Claude Opus 4.6 Thinking 少 1 分、压在 Sonnet 4.6 和 Kimi K2.6 上头。价格 $2.5/$7.5（输入/输出 per 1M tokens），相当于 Opus 4.7 的三分之一左右。闭源、偏冗长是两个真实槽点。最实际的玩法：日常编码流量 80% 走 Qwen3.7-Max，剩下 20% 难题 escalate 到 Opus 4.7。

一个在公开投票榜单上跟 Claude Opus 4.6 Thinking 只差 1 个 Elo 点的国产模型，价格是它的三分之一——这才是 2026 年中国模型真正的拐点。

这次到底发布了什么

阿里在 5 月 20 日杭州云栖大会上正式介绍了 Qwen3.7-Max，但其实 5 月 19 日 API 就已经悄悄在百炼平台上线了。规格上是 100 万 token 上下文、闭源的旗舰模型——这点跟之前 Qwen 3.6（27B、35B-A3B 都还是 Apache 2.0）开源的路线明显分家了。3.7 这一代，至少近期，只走 API。

有意思的不是参数表，是榜单位置。上线一周不到，Qwen3.7-Max 就出现在了 Code Arena WebDev（前端 + agentic 编码任务）的前 4。

5 月 24 日 Code Arena WebDev 快照（328,594 票、81 个模型）：

榜单标了 Preliminary——Qwen3.7-Max 才 1522 票，Opus 4.6 已经 8889 票，置信区间还有 ±16 Elo。即便取保守下限，它也跟 Opus 4.6（不带 thinking）打平，价格只有一半；乐观上限，是直接咬住 Opus 4.7 后尾。

35 小时连续优化：硬实力的间接证据

发布资料里埋了一个细节：Qwen3.7-Max 在阿里自研芯片的 kernel 优化任务上，一次性跑了 35 小时、1158 次工具调用，几何平均加速 10 倍。

不管你信不信”10 倍”这个数字，工程上能撑住 35 小时单任务 agent loop、上千次 tool call 不跑偏，这件事本身就很硬——目前绝大多数前沿模型在这种长链路任务上要么 context 崩、要么忘了目标、要么 tool call 格式漂移让循环死掉。Qwen3.7-Max 没死，这是关键。

跟这个能力对应的硬指标：

最有说服力的是 Terminal-Bench 2.0——模拟真实工程师在沙盒终端里干活、5 小时超时，Qwen3.7-Max 拿到 69.7，把 Opus 4.6、DeepSeek V4 Pro、Kimi K2.6 全部压一头，只输给 Opus 4.7（Anthropic 报数 77）。SWE-Verified 上跟 Opus 4.6 差 0.4 分，统计意义上等于打平。

第三方评测的数据 DataCamp 这篇 给出的画面跟阿里官方一致。

价格账本

Claude Opus 4.7：$5/M 输入、$25/M 输出（Anthropic 官方定价）。Qwen3.7-Max 在 Ofox 上：$2.5/M 输入、$7.5/M 输出，缓存命中 $0.25/M。

按编码任务常见的 2:1 输入输出比例（喂大堆代码、回小段 patch）：

• Claude Opus 4.7：($5 × 2 + $25 × 1) / 3 = $11.67/M tokens
• Qwen3.7-Max：($2.5 × 2 + $7.5 × 1) / 3 = $4.17/M tokens

Qwen 大约是 Opus 综合价的 36%。如果你团队当前每月 Opus 4.7 烧 2 万元在编码 agent 上，按 80/20 路由迁移（80% 流量走 Qwen、20% 留给 Opus 处理硬骨头），综合账单大约能压到 9500-10000 元——差不多对半砍，硬题还是走 Opus。

诚实的提醒：Qwen3.7-Max 偏冗长。DataCamp 那次长 agentic 评测里它生成了 9700 万 token，而所有参评模型的中位数是 2400 万——4 倍。如果你按 token 计费、且 prompt 不带”简洁回答”约束，实际账单会比 rate card 推算的更高。要做 A/B 验证以你自己的 prompt 模式为准，不要直接拿单价乘旧用量。

怎么在 Ofox 上调

如果你的代码已经在用 OpenAI SDK，两行就能切：

from openai import OpenAI

client = OpenAI(
    api_key="sk-of-...",            # Ofox 的 Key
    base_url="https://api.ofox.ai/v1",
)

response = client.chat.completions.create(
    model="bailian/qwen3.7-max",
    messages=[
        {"role": "user", "content": "把这段 Python 函数重构得清楚一点……"}
    ],
)

同一个 Key 还能直接切 Claude Opus 4.7、GPT-5.5、Gemini 3.1 Pro，做混合路由不用再换鉴权层。模型详情、定价、缓存策略可以在 ofox.ai/zh/models/bailian/qwen3.7-max 看到。

国内开发者关心的支付问题：Ofox 支持支付宝、微信、USDT，不需要海外信用卡，不用翻墙；和 硅基流动 vs ofox 平台对比 那篇里写的接入路径一致。

什么时候还是该用 Opus 4.7

Qwen3.7-Max 不是 Opus 的全场景替代品。下面这几种情况，溢价仍然值得：

• 30 分钟以上的连续 agent 任务。Qwen 在阿里基准里撑了 35 小时是真的，但那是阿里调好的场景。开放式的客户 agent 工作流跑长链路时，Opus 4.7 状态保持更稳——Code Arena 上 21 分 Elo 的差距（1562 vs 1541）会随任务长度放大。
• 安全审查、新颖算法设计这类硬推理。GPQA Diamond 92.4 vs 91.3 看着相近，但跑到 benchmark 分布外的题（新漏洞分析、形式化验证、架构 critique），Opus 4.7 的 xhigh 思考模式优势比榜单数字要明显。
• IDE 内交互式补全这类延迟敏感场景。Qwen 偏冗长 → 首 token 输出时间变长。如果你在 Cursor / Zed / Claude Code 里追的是手感跟手，反而要选更简洁的模型。
• 强中文文学创作不是 Qwen 主战场。它的中文很好，但写作风格更偏说明文；要文学性还得另选。

实际的玩法基本统一：Qwen3.7-Max 兜底日常编码流量，Opus 4.7 当 escalation。Claude Code 混合路由实战 里有具体怎么在工具链里切的写法。

写在最后

三个我觉得最值得记的点：

• 国产编码模型这次真的进了第一梯队。不是”价格便宜”四个字打发——是公开投票榜单上跟 Opus Thinking 差 1 个 Elo 点的真实位置。
• Qwen 这次走闭源是个分水岭。3.6 那一代还是开源旗舰，3.7 起阿里把”性能天花板”留给 API。需要本地化部署的团队，路径还在 Qwen 3.6 系列上；只要 API 能力的，直接看 3.7。
• 要不要切，A/B 一周就有答案。如果你每月 Opus 流量超过 5000 元，把同一批 prompt 同时跑 Qwen3.7-Max 和 Opus 4.7，看通过率和成本曲线在哪里交叉。比读任何 benchmark 文章都准。

更宽视角的对比可以看 AI 模型排行 2026 选型指南 和 Claude Opus 4.7 vs DeepSeek V4 Pro 旗舰对比。

延伸阅读

• Claude Opus 4.7 vs DeepSeek V4 Pro 国内开发者旗舰选型 — 国产旗舰跟 Claude 顶配的硬碰硬
• AI 模型排行选型指南 2026 — 中场模型排位的全景
• Claude Code vs Codex CLI vs Cursor vs DeepSeek TUI — 把 Qwen 接进编码工具链的几种主流方式
• 硅基流动 vs Ofox vs OpenRouter 中转站对比 — 国内调 Qwen/Claude 的接入路径对比