【新智元導讀】Code Arena最新放榜，Qwen3.7-Max以1541分衝進全球第四，成為前五中唯一的非Claude模型。程式設計，中國模型第一次殺到這個位置。
就在今天，Code Arena最新榜單出爐！
Qwen3.7-Max以1541分闖入全球前四，一舉超越了GPT-5.5、Gemini 3.5 Flash等一眾頂尖模型。
排在它前面的，只剩Claude Opus 4.7和Opus 4.6。
換句話說，在全球程式設計模型的競技場上，阿里是唯一殺進這張牌桌的中國廠商，僅次於Anthropic，位列第二。
Qwen3.7-Max闖入全球前五 唯一非Claude模型
其實在Code Arena放榜之前，Qwen3.7-Max在海外開發者圈子裡已經殺出了名聲。
Atomic Chat做了一場硬碰硬的對比，讓Opus 4.7、GPT-5.5和Qwen3.7-Max同台競技，任務是寫一個能自我訓練的俄羅斯方塊AI。
結果，Qwen3.7-Max不僅只用$1.32的token成本就把Opus 4.7和GPT-5.5都超越了，而且性能還提升了56%。
另一位海外開發者選擇讓Qwen3.7-Max建構了一個宇宙的3D模型，效果足以用震撼形容。
在「3D像素風微縮寶塔模型」的生成任務中，Qwen3.7-Max的輸出速度和質量同樣全面勝出。
開發者Paul Couvert更是盛讚，Qwen3.7-Max接入Hermes Agent和OpenCode之後，基本可以替掉GPT-5.5和Opus 4.7。
程式設計，太能打了
不過跑分再高，不如真刀真槍拉出來練練。
我們給Qwen3.7-Max安排了一場硬核的「賽車遊戲」挑戰。
一段詳細的Prompt丟進去，不一會兒功夫，Qwen3.7-Max直出一個可玩的HTML的檔案。
第一版有個小bug，A/D轉向鍵左右搞反了。
但經過第二輪簡單對話微調，一個體驗完整的3D賽車遊戲就跑了起來。
打開的瞬間，說實話，有點被驚到了。
4車同台，3圈環形賽道競速，賽道上散落著100多枚金幣，碰到障礙物會減速、失控。
賽後成績面板，排名、用時、金幣數、最快單圈，一項不缺。
但真正讓人意外的，是兩個只有Qwen3.7-Max做到的細節。
一個是開始介面。四個模型橫向測完，只有它給遊戲做了一個正經的開始頁面，點「Start」才進入比賽。其他三家全是打開即跑，連個標題畫面都沒有。
另一個是音效。Prompt最後附了一條要求，加上發動機轟鳴和吃金幣的音效。四個模型裡，也只有它把這個bonus吃進去了，引擎聲和金幣叮咚都安排上了。
再看看其他選手的表現。
Gemini 3.5 Flash的畫面明顯單薄了一檔，缺少那種呼之慾出的立體感。
UI佈局也有問題，儀表盤資訊分散在螢幕四角，視覺焦點一盤散沙。
相比之下，Qwen3.7-Max的處理方式是把關鍵指標集中到畫面中央，更符合玩家視線的自然落點。
Claude Opus 4.6的效果，有點讓人一言難盡了。
不僅賽道上金幣少得可憐，而且3輛AI賽車幾乎同步行駛，毫無隨機性，像複製貼上出來的。
最後是GPT-5.5。
可以看到，畫面質感確實比前兩家強了不少，操作起來也更流暢。
但不知道為什麼，金幣被做成了黃色的「甜甜圈」……
造型倒是小事。關鍵是，Gemini、Claude、ChatGPT三家都修了好幾輪bug才跑通全部功能。
只有Qwen3.7-Max首輪生成就基本可玩。
跑分接近，實測不虛，價格只有幾分之一。剩下的結論，等開發者用腳投票就行了。
Agent時代的「基座」模型
Qwen3.7-Max之所以能在最卷的程式設計擂台上打出如此水平，答案就藏在它的產品定位裡。
幾天前，阿里發佈Qwen3.7-Max的時候，給了它一個非常特殊的標籤：Agent基座模型。
它生來，就是為長時間自主執行任務設計的模型。
內測資料顯示，在一次自主程式設計任務中，Qwen3.7-Max連續運行35個小時，執行1158次工具呼叫。
最終生成的程式碼相較於Triton參考實現，達到了驚人的10倍幾何平均加速。
更令人震撼的是它的「持久戰」能力——
在推演進行到第30個小時之後，模型依然保持敏銳，持續挖掘出新的最佳化空間。
全程零上下文退化、零指令漂移、零死循環！
不得不說，這件事的難點不在1000次工具呼叫本身。MCP協議鋪開之後，調1000次工具不算稀奇。
難點在於，35小時的連貫推理。
絕大多數模型跑長任務時會崩盤：要麼上下文越積越亂，前半段定的目標到後面忘得乾乾淨淨；要麼進入死循環，反覆嘗試同一個失敗的方案。
Qwen3.7-Max把「持續做對事」這件事，做出來了。
核心技術揭秘
Qwen3.7-Max這波程式設計躍升，我們理解核心可能與兩個訓練方法的升級有關。
第一個是，環境擴展。
Qwen3.7-Max在做程式設計訓練時，每個任務會被拆成三個獨立維度，任務本身、執行框架、驗證方式，三者自由組合。
同一道題，有時候在Claude Code的框架裡做，有時候在OpenClaw裡做，有時候換一種驗證方式。
效果就像一個實習生被輪崗到了所有項目組。它被迫學會的是解決問題的通用策略，不是「在某個特定框架裡怎麼取巧」。
這解釋了一個反直覺的現象，Qwen3.7-Max在Claude Code、OpenClaw、Qwen Code這幾個框架裡的表現都很穩，沒有出現「在自家框架裡很強、換一個就拉胯」的情況。
第二個升級是，長程自主執行。
在訓練中，團隊引入了「動態累積生存博弈」框架。
也就是，讓模型在持續變化的模擬環境中做超過一千步的連續決策，自己建立假設、根據反饋調整策略，而且不能因為跑太久就「上下文腐化」。
這裡有一個直觀的資料，YC-Bench模擬創業公司經營一整年，Qwen3.7-Max做到了208萬美元營收，是上一代（105萬）的兩倍。
更關鍵的是，它展現出了策略進化，中期遇到危機能自主調整方向，識別並拉黑惡意客戶，最終收斂到穩定的執行循環。
這就是35小時kernel最佳化案例的底層支撐，也是為什麼在Kernel Bench L3上，Qwen3.7-Max能讓96%的場景跑出加速效果。
而程式設計還只是第一個戰場。這套長程推理加工具呼叫的底子，指向的是一個更大的野心——通用Agent基座
程式設計決賽，多了一個攪局者
Code Arena上線至今，考的從來都是硬活，多步推理、工具編排、完整項目交付，全是Agent級的真刀真槍。
今天，Qwen3.7-Max憑藉著1541分的成績楔進了第四的位置，卡在Opus 4.6 Thinking和Opus 4.6之間。
在這條Claude統治了大半年的賽道上，它給出了自己的回答，中國模型不只是追趕者，也可以是定義者。
全球程式設計模型的競賽，已經不再是矽谷的獨角戲了。 (新智元)