实测五大AI编程模型：Qwen3.7 Max表现亮眼

背景

近期，国产 AI 编程模型在性能榜单上取得显著突破。阿里最新旗舰模型 Qwen3.7 Max 在编程竞技榜中排名全球第二，仅次于 Claude Opus 4.7，并超越了 GPT-5.5、Gemini 3.5 Flash 以及 DeepSeek V4 Pro。在传统的大模型固定评测榜单如 Terminal Bench 和 SWE Bench 中，Qwen3.7 Max 也拿下了国产模型的冠军。

尽管大模型迭代迅速，排行榜刷新已成常态，但 Qwen3.7 Max 的实际表现引发了关注。当前最热门的 Coding Agent 组合是搭配 GPT-5.5 的 Codex。本文旨在通过实测，探讨将 Qwen3.7 Max 接入 Codex 或其他平台后的实际能力，并分析其在 Vibe Coding（氛围编程/直觉式编程）场景下的竞争力。

核心内容

1. 模型获取与定价策略 阿里云百炼平台目前提供 100 万 Token 的免费使用额度。Qwen3.7 Max 的定价为限时五折：输入 6 元/每百万 tokens，输出 18 元/每百万 tokens。新用户可购买 10 元/月的节省计划，以 10 元价格获得 20 元 Token 额度。相较于 OpenRouter 数据显示的行业均价，该价格低于 Opus 4.7 和 GPT-5.5，但高于 DeepSeek 的低价策略。需注意，五折优惠仅支持单一套餐选择。

2. 基础编程能力实测：前端与动画

• 液体模拟动画：在“用 HTML+CSS+JS 模拟液体晃动”的任务中，Qwen3.7 Max 顺利完成并增加了颜色自定义、摇晃幅度及液体量调节功能。DeepSeek V4 表现简单无误；GPT-5.5 生成的波浪效果略显出戏；Gemini 3.5 Flash 存在 UI 遮挡 Bug，但提供了丰富的自定义选项；Claude Opus 4.7 生成的液体在剧烈晃动时类似音波跳动，视觉效果简陋。
• 六边形 2048 游戏：
  • Qwen3.7 Max：页面美观，参考了 CSDN 教程，但逻辑偶有瑕疵（如数字叠加位置错误）。
  • DeepSeek V4：控制逻辑混乱（六边形游戏仅支持 WASD 滑动）。
  • Claude Opus 4.7：表现最佳，准确理解蜂巢规则，格子移动符合直觉。
  • GPT-5.5 (Codex)：具备自我预览和修复控制台错误的能力，设计优秀，但在鼠标方向监控上略逊于 Opus 4.7。
  • Gemini 3.5 Flash：功能过剩，添加了赛博朋克风格背景及 Web Audio 复古音效，体验感强。
• 地铁博物馆网站：
  • Qwen3.7 Max：排版混乱，竖排文字虽像列车但整体观感不佳。
  • Gemini 3.5 Flash：创意丰富，增加了声效及地铁文创纪念票根生成器。
  • DeepSeek V4：承诺了票务和驾驶体验功能，但交付成果中未呈现。
  • GPT-5.5：设计风格在线，但信息量不足，未完全理解博物馆的信息展示需求。
• 浏览器操作系统：
  • Qwen3.7 Max & DeepSeek V4：实现简单，Qwen 额外提供了桌面风景图。
  • Gemini 3.5 Flash & GPT-5.5：表现优异，进行了详细的设计规划，风格统一且功能完整。

3. 提示词工程与 Agent 协作 测试发现，Qwen3.7 Max 在简单提示词下难以稳定超越 Gemini 或 GPT-5.5，但在长提示词（如 3D 地球项目）下表现与其他模型持平。这表明当前阶段，提示词质量对发挥模型潜力至关重要。

4. 接入 Codex 终端助手的实践

• 配置过程：需将 API Key 保存在电脑环境变量（如 .bash_profile 或 .zshrc）中，而非仅修改 ~/.codex/config.toml。
• 效果提升：结合 GitHub 上高 Star 的前端 Skill（如 taste-skill），Codex 能自动调用设计定位和头脑风暴技能，严格监控项目生成。在 Codex 环境下，Qwen3.7 Max 的表现优于千问官网直接对话。
• 稳定性问题：在调用专门工具时，常出现 stream disconnected before completion: <400> InternalError.Algo.InvalidParameter 错误。原因是阿里云百炼 Responses API 对 Codex Agent 工具调用的支持尚不稳定，非标准 OpenAI 协议导致兼容性问题。建议长任务或频繁读文件时切回 OpenAI 官方模型以保证稳定。

关键要点

• 性能排名：Qwen3.7 Max 在编程榜单全球第二，超越 GPT-5.5 和 Gemini 3.5 Flash，但 Claude Opus 4.7 在复杂逻辑（如六边形游戏）和 Agent 稳定性上仍具优势。
• 性价比：阿里云提供限时五折及新用户优惠，价格介于 DeepSeek 和顶级欧美模型之间，适合对成本敏感的用户。
• 提示词依赖性：模型能力发挥高度依赖提示词质量，简单指令下表现波动较大，长指令或结合 Skill 能显著提升效果。
• Agent 集成瓶颈：虽然 Qwen3.7 Max 可接入 Codex 并通过 Skill 增强前端生成能力，但存在 API 协议兼容性问题（400 报错），导致工具调用不稳定，目前尚不适合完全替代 OpenAI 模型处理复杂 Agent 任务。
• 产品化趋势：单纯依靠模型参数已不足以构成竞争优势，记忆管理、Harness 编排、验证机制及推理可持续性构成了完整的 AI 产品架构，缺一不可。

意义与影响

Qwen3.7 Max 的崛起标志着国产 AI 模型在编程能力上已具备与国际顶尖水平正面竞争的实力，尤其在基础代码生成和前端可视化方面表现亮眼。然而，实测也揭示了当前 AI 编程生态的两个关键挑战：

1. 提示词与 Agent 的协同效应：用户需从“直接对话”转向“工程化使用”，通过优化提示词或引入外部 Skill 来弥补模型在特定场景下的不足。
2. 生态兼容性壁垒：尽管模型能力强劲，但在与主流开发工具（如 Codex）的深度集成上，协议兼容性和稳定性仍是阻碍其大规模替代 OpenAI 生态的主要瓶颈。

这一案例表明，AI 编程的竞争已从单一的模型能力比拼，升级为包含工具链兼容性、开发者体验及系统稳定性在内的综合架构竞争。对于开发者而言，混合使用不同模型的优势（如用 Qwen 处理基础生成，用 OpenAI 处理复杂 Agent 逻辑）可能是当前阶段的最优解。