Qwen3.7-Max 在未知硬件上自主运行 35 小时，实现 10 倍加速：深度解读

背景

近期，阿里巴巴发布了一项关于其最新模型 Qwen3.7-Max 的技术评估结果，该结果在 Hacker News 等科技社区引发了广泛关注。这次评估的核心并非传统的基准测试（Benchmark），而是一项极具挑战性的“内核优化任务”。

任务设定如下：阿里巴巴将 Qwen3.7-Max 置于一个它从未见过的硬件平台上，要求其对一段代码进行内核优化。在这个场景中，模型既没有相关的文档说明，也没有性能剖析数据（Profiling Data），甚至没有任何针对该架构的示例内核代码。模型仅凭任务描述、现有的参考实现以及评估脚本，开始了长达 35 小时的自主工作。

这一实验旨在测试模型在缺乏先验知识、无人工干预的情况下，面对开放式优化问题时的持续策略执行能力、工具调用能力以及自我纠错能力。

核心内容

1. 任务细节与执行过程

此次优化的目标是 SGLang（一个广泛使用的推理框架）中的一个生产级组件：Extend Attention（扩展注意力机制）。该组件负责处理新生成 Token 与最多 32K 条目的前缀 KV-cache 之间的注意力计算。这是一个内存带宽受限、对延迟极其敏感的操作，直接决定了大语言模型（LLM）响应生成的速度。

• 硬件环境：使用的硬件是 T-Head ZW-M890 PPUs（平头哥处理器架构）。该架构未出现在模型的训练数据中，模型对其行为特性一无所知，属于“冷启动”状态。
• 自主迭代：在 35 小时内，模型执行了 1,158 次工具调用，完成了 432 次内核评估。
• 工作流程：模型经历了“编写代码 -> 编译 -> 运行 -> 读取性能剖析输出 -> 诊断失败 -> 修复 Bug -> 重新设计架构”的完整闭环。
• 持续优化：即使在运行 30 小时后，模型仍在发现并实施有意义的改进。它通过运行时反馈而非先验知识来识别性能瓶颈，并在增量改进失效时多次重新设计内核架构。

2. 性能对比与竞品表现

最终，Qwen3.7-Max 实现了比参考实现快 10 倍 的加速效果。这一结果在同类模型中表现突出：

• Qwen3.7-Max：10x 加速。
• GLM 5.1：7.3x 加速。
• Kimi K2.6：5x 加速。
• DeepSeek V4 Pro：3.3x 加速。

值得注意的是，其他模型之所以未能达到同等水平，是因为它们在连续五个回合中未发出任何工具调用，从而判定无法进一步改进并停止运行。而 Qwen3.7-Max 展现了极强的韧性，没有中途放弃。

3. 基准测试表现

根据阿里巴巴的自有评估数据，Qwen3.7-Max 在各类基准测试中表现如下：

• 编码智能体（Coding Agents）：与 Opus 4.6 和 DeepSeek 互有胜负，但在 Terminal Bench 上领先。
• 推理能力：差距更为明显。在 GPQA Diamond、HLE 和 HMMT 等测试中，Qwen3.7-Max 的表现处于或优于当前最强的对比模型。

4. 训练方法的革新：环境缩放（Environment Scaling）

Qwen3.7-Max 的提升并非单纯依靠增加文本数据量，而是采用了阿里巴巴提出的“环境缩放”策略。

• 多样化体验：模型通过在大量且多样化的智能体训练环境中进行训练来提升能力，这些环境包含不同的任务、工具和框架。
• 跨框架泛化：这种训练方式使得模型学会了“解决问题”而非“记忆特定脚手架的模式”。因此，Qwen3.7-Max 在通过 Claude Code、Qwen Code 或自定义工具使用框架运行时，都能保持一致的性能。大多数智能体模型容易在训练用的评估设置上过拟合，而 Qwen3.7-Max 克服了这一常见缺陷。

5. 局限性与注意事项

尽管表现优异，但 Qwen3.7-Max 仍存在以下限制：

• 专有 API 模型：目前未开源权重，不支持本地部署或自托管。对于有数据隐私要求或希望自建基础设施的团队来说，这是一个硬性门槛。
• 指令遵循差距：在 IFBench 测试中得分为 79.1，虽然表现强劲，但在复杂的多步指令遵循方面略低于部分竞争对手。对于需要严格格式或长会话中精准输出结构的工作流，建议在实际部署前进行测试。
• 数据自报性质：目前的基准测试数据均由阿里巴巴自行评估，独立复现的结果尚待验证。

关键要点

• 自主性强：模型在未知硬件（T-Head ZW-M890 PPUs）上，无文档、无先验知识的情况下，自主运行 35 小时，完成 1,158 次工具调用，展现了极强的自主探索和纠错能力。
• 性能卓越：在 Extend Attention 内核优化任务中实现 10 倍加速，显著优于 GLM 5.1（7.3x）、Kimi K2.6（5x）和 DeepSeek V4 Pro（3.3x）。
• 训练范式转变：从“文本数据缩放”转向“环境缩放”，通过多样化智能体训练环境提升跨框架泛化能力，避免了传统智能体模型容易出现的过拟合问题。
• 推理能力突出：在 GPQA Diamond、HLE、HMMT 等高难度推理基准测试中，表现处于行业顶尖水平。
• 适用场景明确：适合构建智能体工作流且可接受专有 API 的团队；不适合需要开源权重、本地部署或对指令遵循有极端严格要求的场景。

意义与影响

这项实验的意义远超出了单纯的基准测试分数。它证明了 Qwen3.7-Max 具备一种更为高级的能力：在开放、动态且缺乏指导的环境中，维持连贯策略并持续优化结果的能力。

大多数模型评估仅测试模型在定义明确的问题中能否给出正确答案，而本次实验测试的是模型在超过一千次工具调用中，如何诊断未知错误、识别性能瓶颈并重新设计架构。这种“在压力下持续工作”的能力，是构建真正自主智能体（Autonomous Agents）的关键基石。

对于 AI 开发者而言，Qwen3.7-Max 的出现表明，智能体模型正在从“被动响应”向“主动探索与优化”演进。尽管其专有 API 的性质限制了部分用户的使用，但其背后的“环境缩放”训练理念和在复杂任务中展现出的韧性，为下一代 AI 模型的开发提供了重要的参考方向。如果开源权重未来得以发布，它极有可能成为智能体工作流领域的标杆模型。