Qwen3.7-Max 架構解析：100 萬 Token 上下文與 Kimi K3 比較
2026-08-12
1251 次閱讀
阿里雲將這款模型定位為長時間執行 AI Agent 工作流程的基礎模型，而不是一般的文字對話助手。它的核心方向包括程式開發、工具使用、流程自動化、複雜推論，以及在長時間任務中維持執行的一致性。
在實際應用中，許多 AI 任務並不是在第一步就失敗。更常見的情況是，模型執行到一半時忘記先前要求、重複已經失敗的操作、錯誤呼叫工具，或是在完成交付內容之前提前停止。
Qwen3.7-Max 的設計重點，正是處理這類問題。
什麼是 Qwen3.7-Max？
Qwen3.7-Max 是阿里雲針對 AI Agent 應用推出的旗艦模型，主要用於軟體工程、辦公自動化、多代理協作，以及需要長時間連續執行的複雜任務。
模型同時支援思考模式與非思考模式。面對分類、資訊擷取、內容改寫等較單純的請求時，可以使用速度較快的非思考模式；遇到規劃、除錯、驗證或多步驟任務時，則可以啟用較深入的推論能力。
Qwen3.7-Max 也能接入不同的 API 協定與 AI Agent 框架。開發團隊可以將它整合至程式開發工具、MCP 工具、企業內部系統與自動化流程，不必為了單一模型供應商重新建置整套應用架構。
「Qwen3.7-Max 架構」實際代表什麼？
目前阿里雲尚未完整公開 Qwen3.7-Max 的技術規格。模型總參數量、層數、啟用參數量與專家路由方式等資訊，都還沒有正式披露。
因此，在官方技術報告發布之前，不宜將未經證實的兆級參數量或特定 MoE 配置，當成已確認的模型規格。
現階段更值得關注的，是 Qwen3.7-Max 的實際運作方式：它如何處理長時間任務、如何操作外部工具，以及如何在連續執行過程中保留前面的判斷與任務狀態。
這套設計可以歸納為四個核心部分。
1. 長時間 AI Agent 執行能力
Qwen3.7-Max 的目標不是只完成幾輪簡單對話，而是在數百甚至數千個步驟中持續推進任務。
長上下文視窗只能讓模型接收更多內容，但不代表模型一定能在漫長流程中穩定運用這些資訊。
一個可靠的長時間 AI Agent，必須持續執行以下循環：
- 檢查目前的工作環境；
- 判斷下一步應該執行的動作；
- 選擇並呼叫適合的工具；
- 檢查工具回傳結果；
- 修正失敗或不完整的操作；
- 保留先前的重要判斷；
- 持續執行，直到任務真正完成。
阿里雲曾展示一項持續約 35 小時的自動化核心效能最佳化任務。在這項測試中，Qwen3.7-Max 完成了 1,158 次工具呼叫與 432 次核心評估，並持續執行程式撰寫、編譯、效能分析與修改。
最終實作相較於參考版本，取得約 10 倍的幾何平均效能提升。
比最終數字更重要的是整個執行過程。即使任務已經運作超過 30 小時，模型仍能持續找到有效的最佳化方向，而不是陷入重複循環或提前放棄。
2. 跨框架泛化能力
部分 AI Agent 模型只在特定工具環境中表現良好。一旦切換到其他程式助理、瀏覽器自動化工具或工作流程框架，表現可能明顯下降。
Qwen3.7-Max 的設計目標之一，是適應不同的 AI Agent 執行環境，而不是綁定單一介面或平台。
阿里雲曾在 Qwen Code、OpenClaw、程式開發代理與自訂工具系統中測試這款模型。
這種跨框架能力對企業應用相當重要。企業可能使用一套工具處理程式開發，另一套工具執行瀏覽器自動化，再透過第三套工具處理內部文件。
底層模型需要理解不同的工具描述、參數格式與回傳內容，而不是每更換一套環境，就重新訓練模型或大幅調整提示詞。
這可以降低模型導入後的整合成本，也能減少模型只能在官方示範環境中正常運作的風險。
3. 思考狀態保留
Qwen3.7-Max 支援一項名為 preserve_thinking 的功能。
啟用後，先前回合中的部分推論資訊可以保留在對話紀錄內。對長時間 AI Agent 而言，這有助於模型記住先前為何選擇某個方案、哪些假設已經排除，以及目前還有哪些問題尚未解決。
例如，一個程式開發代理已經完成以下工作：
- 檢查專案程式碼；
- 找出三個可能的錯誤原因；
- 驗證其中兩個原因；
- 修改多個檔案；
- 發現原本的假設不成立。
若下一個回合只提供最新的工具回傳結果，模型可能重複前面已經完成的檢查，或做出與先前修改互相衝突的決定。
保留必要的思考狀態，可以幫助模型在長流程中維持較好的執行連續性。
不過，這項功能也不適合無限制使用。保留過多中間內容會增加上下文使用量，也可能讓已經失效的判斷持續影響後續任務。
在正式環境中，更合理的方式是將思考狀態保留與以下機制搭配使用：
- 上下文摘要；
- 結構化任務狀態；
- 外部記憶儲存；
- 階段性檢查點；
- 過期資訊清理。
4. 100 萬 Token 上下文視窗
目前阿里雲公開資料顯示，Qwen3.7-Max 最高可支援約 100 萬個輸入 Token。
這樣的上下文容量，可以用來處理大型程式碼儲存庫、長篇文件、多輪對話紀錄，以及複雜的工具呼叫紀錄。
常見應用情境包括：
- 完整程式碼儲存庫分析；
- 合約與政策文件審閱；
- 財務資料處理；
- 長時間研究工作；
- 多文件資訊檢索；
- 持續運作的 AI Agent 對話；
- 大量工具執行結果分析。
不過，100 萬 Token 並不代表每次請求都應該把所有資料一次送給模型。
輸入內容越長，處理成本通常越高，模型也可能更難找出真正重要的資訊。
較可靠的正式環境通常會同時使用：
- 檢索增強生成；
- 結構化記憶；
- 上下文快取；
- 定期內容壓縮；
- 分階段任務處理。
大型上下文視窗更適合作為額外容量，而不是完全取代上下文管理。
思考模式與非思考模式
Qwen3.7-Max 同時支援思考模式與非思考模式。
非思考模式較適合以下任務：
- 文字分類；
- 資訊擷取；
- 內容改寫；
- 簡短摘要；
- 一般客服回覆；
- 結構化資料產生。
思考模式則較適合：
- 多步驟規劃；
- 複雜程式問題；
- 數學推論；
- 工具選擇；
- 錯誤排查；
- 多項限制條件處理；
- 中間結果驗證。
並不是每個請求都需要使用最深入的推論模式。
對簡單任務啟用複雜推論，可能只會增加延遲與輸出 Token 用量，而不會明顯改善結果。較實用的方式，是依照任務複雜度、回應時間要求與成本預算，動態選擇適合的模式。
Qwen3.7-Max 適合哪些應用情境？
程式開發代理
Qwen3.7-Max 的重點不只是產生單一程式片段，而是處理更完整的軟體開發流程。
它可以檢查既有專案、修改多個檔案、執行指令、分析錯誤，並根據測試或編譯結果繼續調整方案。
適用情境包括：
- 專案級程式碼重構；
- 前端開發；
- 測試案例產生；
- 相依套件版本遷移；
- 錯誤排查；
- 效能最佳化；
- 企業內部開發助理。
當模型可以存取受控的執行環境，並從測試、編譯器或評估程式取得明確回饋時，實際價值會更加明顯。
辦公與文件自動化
Qwen3.7-Max 也可以作為能操作工具的辦公助理，用來處理試算表、文件、格式要求與多步驟辦公流程。
可能的用途包括：
- 製作結構化報告；
- 審閱大量文件；
- 整理與格式化長篇文件；
- 建立試算表模型；
- 從商業文件中擷取資訊；
- 製作簡報初稿；
- 協調多個生產力工具。
這些流程仍然需要驗證。
模型可能產生外觀看似完整的文件，但內容中仍可能存在計算、格式或事實錯誤。涉及財務、法律與營運資料時，仍應保留自動檢查與人工審核。
企業 AI Agent
Qwen3.7-Max 可以作為企業 AI Agent 的推論層，並與內部知識庫或商業系統整合。
例如，一個企業 AI Agent 可以：
- 從知識庫查詢資料；
- 呼叫內部系統取得紀錄；
- 更新公司文件；
- 產生處理摘要；
- 在執行敏感操作前要求審核。
需要注意的是，模型本身並不等於完整的企業安全系統。
權限控管、稽核紀錄、資料隔離與法規遵循，仍需要由周邊系統負責。評估模型能力時，也應將系統安全與模型表現分開檢視。
Qwen3.7-Max 與 Kimi K3 比較
Qwen3.7-Max 與 Kimi K3 都針對程式開發、複雜推論與 AI Agent 工作流程設計，但兩者公開的技術資訊有明顯差異。
Moonshot AI 對 Kimi K3 的架構提供了較完整的公開資訊。
目前資料顯示，Kimi K3 擁有 2.8 兆參數，並結合 Kimi Delta Attention、注意力殘差機制與稀疏混合專家架構。每次推論會啟用 896 個專家中的 16 個。
Kimi K3 也提供原生視覺能力與 100 萬 Token 上下文，因此較適合需要同時處理程式碼、畫面截圖、文件與視覺資訊的工作流程。
Qwen3.7-Max 的公開定位則有所不同。
阿里雲更強調模型在實際任務中的執行能力，包括長時間 AI Agent 運作、工具呼叫、辦公自動化，以及在不同代理框架中的穩定性。
兩者應如何選擇，主要取決於實際應用需求。
較適合選擇 Qwen3.7-Max 的情況包括：
- 需要長時間連續執行；
- 需要部署於不同 AI Agent 框架；
- 需要頻繁呼叫外部工具；
- 主要處理程式開發與辦公自動化；
- 需要控制思考與非思考模式；
- 已使用阿里雲基礎設施。
較適合評估 Kimi K3 的情況包括：
- 需要原生圖像理解；
- 需要查看較完整的架構資訊；
- 需要開放模型能力；
- 需要處理大型程式碼上下文；
- 涉及視覺知識工作；
- 需要進行模型研究或架構客製化。
參數規模不應成為唯一判斷標準。
即使某個模型的參數量較大，如果它的工具呼叫、後訓練方式、上下文管理或推論配置不適合目前的工作流程，實際表現仍可能不如規模較小的模型。
Qwen3.8-Max-Preview 值得關注嗎？
Qwen3.8-Max-Preview 是阿里雲 Model Studio Token Plan 中提供的預覽模型。
目前公開說明將它定位為 Qwen 系列中能力更強的新版本，並強調全端開發、資料分析、辦公流程與視覺理解。
不過，現有公開資料尚未完整揭露以下資訊：
- 模型總參數量；
- 啟用參數量；
- 專家數量；
- 專家啟用方式；
- 完整模型架構。
因此，在沒有正式技術報告支持的情況下，不宜將「2.4 兆參數」或特定 MoE 配置，當成已經確認的模型規格。
預覽版本本身也具有一定的不確定性。
模型能力、名稱與可用時間可能在測試期間調整，後續也可能被正式版本取代。正式環境不應過度依賴預覽模型目前的行為或識別名稱。
如何評估 Qwen3.7-Max 是否適合正式環境？
公開基準測試可以作為初步篩選依據，但無法完整反映企業內部的工具設定、資料結構、提示詞與回應時間要求。
更可靠的方式，是使用真實業務任務進行測試。
建立具代表性的測試集
測試內容應涵蓋：
- 簡單與困難的請求；
- 短上下文與長上下文；
- 成功與失敗的工具呼叫；
- 描述不完整的指令；
- 多語言輸入；
- 大型程式碼儲存庫任務；
- 多輪修改與驗證。
不要只評估回答品質
建議同時記錄：
- 任務完成率；
- 工具呼叫正確率；
- 總完成時間；
- 輸入與輸出 Token；
- 重試次數；
- 上下文成長速度；
- 缺乏依據的結論；
- 人工修正時間；
- 每個成功任務的實際成本。
對 AI Agent 應用而言，單次請求價格並不是最重要的指標。
如果價格較低的模型需要多次重試，或最終仍無法完成任務，其實際成本可能反而更高。更有參考價值的指標是：完成一個合格任務需要多少成本。
測試長時間工作階段
既然 Qwen3.7-Max 主要面向長時間 AI Agent，就應該在長工作階段中驗證。
測試時可特別觀察模型是否會：
- 重複已完成的操作；
- 忘記先前限制條件；
- 沒有理由地改變執行方向；
- 提前停止；
- 累積大量無關上下文；
- 在工具呼叫失敗後恢復；
- 驗證最終產出結果。
保留備援模型
沒有任何單一模型能在所有任務中持續維持最佳表現。
正式系統可以根據任務類型，將程式開發、視覺分析、簡單資訊擷取與複雜推論分配給不同模型。
備援模型也能降低以下風險：
- 服務供應商異常；
- API 請求限制；
- 模型版本調整；
- 單一模型輸出異常。
透過統一 API 接入 Qwen 模型
分別整合不同模型供應商，會持續增加開發與維護工作。
團隊需要分別管理：
- 不同的 API 憑證；
- 不同的請求格式；
- 不同的計費系統；
- 不同的錯誤回應；
- 不同的模型名稱；
- 不同的技術文件。
ApiSmart 為目前支援的 AI 模型提供統一 API 層，讓開發人員可以透過一套整合方式管理多個模型。
透過統一介面，團隊可以更方便地：
- 測試不同模型；
- 比較輸出品質；
- 統一查看使用情況；
- 集中管理費用；
- 設定備援路由；
- 在不同模型之間切換；
- 減少重複開發工作。
在選擇正式使用的模型之前，建議先查看 ApiSmart 的即時模型目錄，確認目前可用的模型、支援功能與最新價格。
總結
Qwen3.7-Max 的重點，並不在於一個尚未公開的參數數字，而在於它如何完成實際任務。
長時間推論、持續工具呼叫、跨框架部署與複雜任務執行，是這款模型最值得關注的能力。
Kimi K3 提供較透明的架構資訊、原生視覺輸入，以及已公開的 2.8 兆參數設計。Qwen3.8-Max-Preview 則代表更新的多模態發展方向，但其完整架構仍未正式揭露。
對開發人員與企業而言，最後的選擇不應只依賴模型發布時的宣傳數據。
更重要的是測試每個模型能否穩定完成整體任務、需要多少人工介入，以及每次成功交付的實際成本。
最適合正式環境的模型，未必是參數量最大的模型，而是能夠穩定把工作完成的模型。