Qwen3.7-Max (instantánea del 2026-05-20) — Punto de control fechado del modelo insignia propietario de la era de agentes de Alibaba, fijado para cargas de trabajo de producción reproducibles. Ventana de contexto nativa de 1 millón de tokens, con un modo de pensamiento extendido (y preserve_thinking entre turnos) ajustado para tareas de agente. Resultados de vanguardia en codificación (SWE-Verified, SWE-Pro, Terminal-Bench), razonamiento (GPQA Diamond, HMMT, IMO), uso de herramientas (BFCL, MCP-Mark, MCP-Atlas) y evaluaciones multilingües (WMT24++ en 55 idiomas). Diseñado para ejecución autónoma de largo plazo y comportamiento consistente en diversos andamios de agentes, incluyendo Claude Code, OpenClaw y Qwen Code. Use esta versión fijada cuando necesite comportamiento estable entre versiones; use qwen/qwen3.7-max para el alias móvil.
Qwen3.7 Max es un modelo de lenguaje grande de la serie Qwen de Alibaba, específicamente el checkpoint lanzado el 20 de mayo de 2026. Es un transformador solo decoder optimizado para entrada y salida…
Qwen3.7 Max sobresale en generación de texto, razonamiento, resumen, respuesta a preguntas y generación de código. Su amplia ventana de contexto permite tareas como leer un libro completo y luego responder preguntas detalladas sobre él, o analizar un repositorio de código completo para identificar errores. El modelo puede seguir instrucciones complejas de varios pasos incrustadas en un mensaje del sistema que abarca miles de tokens. Admite parámetros de generación estándar como temperatura, top_p, max_tokens y secuencias de parada a través de la API compatible con OpenAI. Debido a que es solo texto, no puede realizar reconocimiento de imágenes, transcripción de audio u otras tareas multimodales. Para tareas de texto que requieren un contexto o resultado muy largo, Qwen3.7 Max es una excelente opción.
Los mejores casos de uso del modelo se centran en cargas de trabajo de contexto largo y alta producción. Algunos ejemplos incluyen: resumir un contrato legal de 500 páginas en una sola pasada; generar un manual técnico de 50,000 palabras a partir de un breve esquema; realizar una verificación profunda de hechos en un gran corpus de documentos de investigación; y generar datos sintéticos para entrenar otros modelos donde se requieren secuencias largas. Los desarrolladores que manejan bases de código pueden pedir al modelo que refactorice archivos completos o escriba pruebas unitarias que cubran muchas funciones. El modelo también es adecuado para agentes conversacionales que necesitan mantener contexto en diálogos muy largos, aunque tenga en cuenta que la salida está limitada a 64,000 tokens. Para tareas con contexto corto, modelos más pequeños en OrcaRouter pueden ofrecer mejor latencia y eficiencia de costos.
Si bien Qwen3.7 Max ofrece longitudes extremas de contexto y salida, su precio por token es más alto que el de muchos modelos más pequeños. Si sus tareas requieren ventanas de contexto de menos de 32,000 tokens y salidas de menos de 4,000 tokens, considere usar un modelo menos costoso como Qwen3.5-7B u otros LLM compactos disponibles en OrcaRouter. Además, si no necesita las capacidades de razonamiento de un modelo grande, un modelo más pequeño puede ser suficiente. Para aplicaciones donde la latencia es crítica, los modelos más pequeños también proporcionan tiempos de respuesta más rápidos. Evalúe siempre el tamaño y la complejidad típicos de sus solicitudes; usar un modelo grande para tareas triviales genera costos innecesarios. La página de precios de OrcaRouter enumera todos los modelos disponibles para ayudar a comparar.
Sí, Qwen3.7 Max admite respuestas en streaming a través de la API compatible con OpenAI. Puedes establecer el parámetro `stream` en `true` para recibir tokens de forma incremental, lo que mejora la experiencia del usuario en generaciones largas. El modelo también funciona bien con el endpoint Chat Completions, aceptando mensajes en el formato estándar (roles system, user, assistant). Se admiten conversaciones de múltiples turnos dentro del límite de la ventana de contexto. Dado que el modelo es solo de texto, todos los mensajes deben contener contenido textual. La gran ventana de contexto permite historiales de chat muy largos, lo que lo hace adecuado para sesiones interactivas extendidas. Se recomienda el streaming para salidas de más de unos pocos miles de tokens para evitar tiempos de espera.
Las puntuaciones específicas de referencia para este checkpoint exacto (2026-05-20) no se proporcionan en esta entrada del catálogo. La serie Qwen ha demostrado históricamente un rendimiento competitivo en evaluaciones comparativas de razonamiento, codificación y comprensión del lenguaje. Recomendamos evaluar el modelo en sus propias tareas representativas para evaluar el rendimiento. OrcaRouter proporciona un entorno de pruebas donde puede probar el modelo con sus indicaciones sin incurrir en cargos más allá del uso de tokens. La gran ventana de contexto del modelo puede mejorar el rendimiento en tareas que requieren dependencias de largo alcance, pero sin números publicados, los usuarios deben realizar su propia validación. Evaluaciones comparativas como MMLU, HumanEval o GSM8K se utilizan comúnmente para la comparación, pero no se citan aquí.
La latencia depende del número total de tokens de entrada y salida, así como de la carga del servidor en el momento de la solicitud. Debido a que Qwen3.7 Max maneja hasta 1,000,000 tokens en contexto, las solicitudes con entradas muy grandes pueden tardar más en procesarse debido al cálculo de atención. El tiempo típico hasta el primer token para entradas de longitud moderada (por ejemplo, 10,000 tokens) es de decenas de segundos, pero no se dispone de cifras precisas públicamente. El streaming puede reducir la latencia percibida al devolver los tokens a medida que se generan. Para un rendimiento óptimo, mantenga los mensajes de entrada concisos cuando sea posible. La infraestructura de OrcaRouter está optimizada para minimizar la sobrecarga; contacte al soporte si necesita garantías de latencia para casos de uso en producción.
La principal fortaleza es su ventana de contexto de 1,000,000 de tokens, lo que permite procesar documentos muy largos en una sola solicitud. El límite de salida de 64,000 tokens también se encuentra entre los más altos disponibles. El modelo está construido sobre la arquitectura Qwen de Alibaba, que ha demostrado un sólido rendimiento en tareas de razonamiento, codificación y conocimiento general. Los precios sin margen a través de OrcaRouter significan que pagas solo la tarifa del proveedor sin cargos adicionales. Para flujos de trabajo que requieren mantener coherencia en secuencias extremadamente largas —como el análisis a nivel de libros o la generación masiva de código— este modelo es una opción líder. Su enfoque solo en texto ayuda a mantener los costos más bajos que los modelos multimodales con tamaños de contexto similares.
El modelo es solo de texto; no puede procesar imágenes, audio ni video. Su precio, aunque competitivo para su clase, es más alto que el de modelos más pequeños: $1.25/1M de entrada y $3.75/1M de salida. Para tareas con contexto corto, los modelos más baratos serán más rentables. No existen capacidades multimodales, por lo que las aplicaciones que requieren visión o habla deben usar otros modelos. Las puntuaciones de referencia no se proporcionan aquí, por lo que no puede confiar en clasificaciones de terceros; debe probar el modelo usted mismo. El modelo es un punto de control de mayo de 2026; el conocimiento puede estar desactualizado para eventos muy recientes. Finalmente, la ventana de contexto grande puede aumentar la latencia y el costo computacional, especialmente si la entrada está cerca del límite de 1M.
Los precios son directos: $1.25 por cada 1,000,000 de tokens de entrada y $3.75 por cada 1,000,000 de tokens de salida. Estas tarifas son los precios propios del proveedor; OrcaRouter no aplica ningún margen. No hay cargos mensuales de suscripción ni compromisos mínimos. Se le factura según el uso real de tokens medido por el tokenizador del modelo. Los tokens de entrada incluyen el mensaje del sistema, los mensajes del usuario y cualquier historial de la conversación. Los tokens de salida incluyen solo el texto generado. La gran ventana de contexto significa que incluso una sola solicitud puede consumir una cantidad significativa de tokens. Por ejemplo, una solicitud con 500,000 tokens de entrada y 10,000 tokens de salida cuesta (500k * $1.25 + 10k * $3.75)/1M = $0.625 + $0.0375 = $0.6625.
La principal compensación es entre costo y capacidad. Si bien Qwen3.7 Max ofrece longitud de contexto y de salida de primera clase, es más caro que los modelos más pequeños con ventanas más cortas. Si sus solicitudes típicas usan menos de 100,000 tokens de contexto y menos de 10,000 tokens de salida, puede pagar menos usando un modelo como Qwen3.5-14B o Qwen3-72B si están disponibles. Sin embargo, si necesita evitar dividir documentos largos en fragmentos, el costo de procesar el documento completo en una sola llamada puede justificarse por una mayor precisión y simplicidad. El precio sin margen significa que no paga extra por la capa de API; solo paga la tarifa del proveedor. No se proporcionan detalles de almacenamiento en caché—comuníquese con el soporte de OrcaRouter para conocer las opciones de almacenamiento en caché actuales que podrían reducir el costo para solicitudes repetidas.
Para estimar los costos, calcule el promedio de tokens de entrada y tokens de salida por solicitud. Use la fórmula: costo = (tokens_de_entrada * 1.25 + tokens_de_salida * 3.75) / 1,000,000. Por ejemplo, una solicitud con 200,000 tokens de entrada y 5,000 tokens de salida cuesta (200k * 1.25 + 5k * 3.75)/1M = $0.25 + $0.01875 = $0.26875. Para procesamiento por lotes, multiplique por el número de solicitudes. El panel de uso de OrcaRouter proporciona conteos de tokens en tiempo real y desgloses de costos. Como no hay margen de beneficio, el costo que ve es el costo del proveedor. Puede establecer un límite de presupuesto en la configuración de su clave de API para evitar cargos inesperados. Para uso de producción de alto volumen, considere negociar un descuento por volumen directamente con el proveedor (no a través de OrcaRouter).
No. OrcaRouter no cobra tarifas de plataforma, ni márgenes, ni cuotas mensuales, ni compromisos mínimos. Solo pagas por los tokens que usas según las tarifas publicadas del proveedor. No hay cargos por solicitudes fallidas o tiempos de espera (aunque los tokens consumidos antes de un timeout pueden seguir facturándose). La autenticación es mediante clave API, cuya creación es gratuita. Puedes empezar a usar Qwen3.7 Max inmediatamente añadiendo fondos a tu cuenta de OrcaRouter. La URL base y el ID del modelo son estables; no existen costos ocultos. Para clientes empresariales, hay contratos personalizados disponibles, pero no son obligatorios. Siempre revisa la página de precios más reciente en el sitio web de OrcaRouter, ya que las tarifas pueden cambiar, aunque se realizan actualizaciones rápidas del catálogo.
Usa la API compatible con OpenAI con la URL base https://api.orcarouter.ai/v1, el ID del modelo "qwen/qwen3.7-max-2026-05-20". La autenticación utiliza una clave API proporcionada en el panel de control de OrcaRouter. Ejemplo usando Python: ```python import openai client = openai.OpenAI(api_key="your_key", base_url="https://api.orcarouter.ai/v1") response = client.chat.completions.create( model="qwen/qwen3.7-max-2026-05-20", messages=[{"role":"user","content":"Explain quantum computing in 50 words."}], max_tokens=100 ) print(response.choices[0].message.content) ``` Asegúrate de configurar el parámetro `max_tokens` con la longitud de salida deseada, hasta 64,000.
La API de OrcaRouter admite los parámetros estándar de finalización de chat de OpenAI: `model`, `messages`, `max_tokens`, `temperature`, `top_p`, `n`, `stop`, `stream`, `presence_penalty`, `frequency_penalty`, `logit_bias` y `user`. El `temperature` controla la aleatoriedad (0–2, predeterminado 1). `top_p` es el muestreo de núcleo (nucleus sampling). `stop` define secuencias que detienen la generación. `stream` habilita la salida token por token. `max_tokens` puede configurarse hasta 64,000. El total de tokens de solicitud + generados no debe exceder la ventana de contexto de 1,000,000. Si el total combinado excede eso, la API devolverá un error. Puede ajustar el uso de tokens recortando el historial de mensajes o usando indicaciones más cortas.
La migración es sencilla porque OrcaRouter utiliza la API compatible con OpenAI. Cambie la URL base en su código existente del endpoint anterior a https://api.orcarouter.ai/v1. Actualice el ID del modelo a "qwen/qwen3.7-max-2026-05-20". Reemplace su clave API por una de OrcaRouter. No se necesitan cambios en el formato de solicitud; la misma estructura de mensaje, parámetros y lógica de streaming funcionan. Si anteriormente usó un ID de modelo diferente para el mismo punto de control Qwen3.7 Max, ajústelo en consecuencia. OrcaRouter también proporciona un modo proxy para redirigir solicitudes sin cambios de código; contacte al soporte para más detalles. Pruebe con algunas llamadas para verificar el comportamiento antes de cambiar el tráfico de producción.
La autenticación se realiza mediante una clave API enviada en el encabezado HTTP de Authorization: `Authorization: Bearer YOUR_API_KEY`. Puedes obtener una clave API desde el panel de OrcaRouter después de crear una cuenta. La clave debe mantenerse en secreto y no debe exponerse en el código del lado del cliente. OrcaRouter admite límites de tasa por clave y seguimiento de uso. Si necesitas mayor concurrencia, solicita una clave con límites aumentados. No hay ningún paso de autenticación adicional; la clave por sí sola otorga acceso. Por seguridad, rota las claves regularmente y usa variables de entorno para almacenarlas. Las claves no están vinculadas a un modelo específico; usando la misma clave puedes acceder a cualquier modelo disponible en OrcaRouter.
Qwen3.7 Max es el más grande de la familia Qwen3.7, ofreciendo la ventana de contexto más larga (1M tokens) y el límite de salida más alto (64k). Los modelos estándar de Qwen3.7 suelen tener ventanas de contexto más pequeñas (por ejemplo, 128k o 32k) y límites de salida más bajos (a menudo 8k o 16k). La variante Max está optimizada para tareas de escala extrema. El precio es más alto que el de los modelos Qwen más pequeños; por ejemplo, Qwen3.7-72B podría costar menos por token. Se espera que el rendimiento en razonamiento y codificación sea similar o ligeramente mejor debido a la mayor escala, aunque no se proporcionan comparaciones específicas. Para la mayoría de las cargas de trabajo, los modelos más pequeños ofrecen una mejor eficiencia de costos; Qwen3.7 Max es mejor reservarlo para tareas que realmente requieran su contexto y salida masivos.
Qwen3.7 Max tiene una ventana de contexto más grande (1M de tokens) que GPT-4 Turbo (128k) y Claude 3.5 (200k). Su límite de salida de 64k tokens también supera a estos modelos (normalmente 4k-8k). Sin embargo, GPT-4 y Claude admiten entradas multimodales (imágenes, documentos), mientras que Qwen3.7 Max es solo texto. Precios: Qwen3.7 Max a $1.25/$3.75 por 1M de tokens es generalmente más barato que GPT-4 Turbo ($10/$30) y competitivo con Claude 3.5 Haiku ($0.25/$1.25), aunque con un costo por token más alto para la salida. La elección depende de si necesitas capacidades multimodales o la longitud de contexto extrema. Para tareas de documentos largos de solo texto, Qwen3.7 Max puede ser más adecuado y rentable que GPT-4 o Claude si se considera la necesidad de fragmentar esos modelos.
Elige Qwen3.7 Max cuando tu tarea requiera procesar más de 200,000 tokens de contexto en una sola pasada, o cuando necesites generar salidas de más de 10,000 tokens. También es una buena opción si quieres evitar la complejidad de dividir documentos en fragmentos. Para tareas con necesidades de contexto más pequeñas, otros modelos en OrcaRouter, como Qwen3.5-7B, Qwen3-72B o Llama 3.1-405B, ofrecen menor latencia y costo. El precio sin margen adicional en OrcaRouter significa que puedes experimentar con múltiples modelos sin preocuparte por recargos de la plataforma. Si necesitas capacidades multimodales, considera los modelos Qwen-VL o GPT-4V. Siempre compara tu caso de uso específico para encontrar el mejor equilibrio entre costo y rendimiento.
Qwen3.7 Max es un modelo propietario al que se accede mediante API. Los modelos de código abierto como Qwen2.5-72B o Llama 3.1 pueden alojarse por cuenta propia, lo que potencialmente reduce los costos por token a altos volúmenes. Sin embargo, el autoalojamiento requiere hardware GPU, mantenimiento y experiencia en escalado. La ventana de contexto de 1M de Qwen3.7 Max es más grande que la de la mayoría de los modelos de código abierto (normalmente 128k o menos) y su salida de 64k también supera lo que muchos modelos abiertos soportan. El modelo API también se beneficia de infraestructura gestionada, actualizaciones automáticas y ninguna inversión inicial. Para equipos sin experiencia extensa en ML Ops, la ruta API con Qwen3.7 Max brinda acceso inmediato a capacidades de vanguardia. Para cargas de trabajo predecibles de alto volumen, el autoalojamiento de un modelo más pequeño podría ser más barato, pero se pierden las ventajas del contexto grande.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3.7-max-2026-05-20",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| Entrada / 1M tokens | $1.25 |
| Salida / 1M tokens | $3.75 |
| Lectura caché / 1M | $0.250 |
| Escritura caché / 1M | $1.563 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/qwen/qwen3.7-max-2026-05-20Abrir @misc{orcarouter_qwen3_7_max_2026_05_20,
title = {Qwen3.7 Max (2026-05-20) API},
author = {qwen},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.7-max-2026-05-20}
}qwen. (2026). Qwen3.7 Max (2026-05-20) API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.7-max-2026-05-20