Qwen 3.7 Flash: il modello di visione a centesimi di Alibaba per agenti che guardano davvero gli schermi

Il team Qwen di Alibaba ha trascorso gli ultimi due anni a lanciare una fitta gamma di modelli in quasi ogni fascia di prezzo e capacità immaginabile, e il 27 luglio 2026 un altro è arrivato in silenzio come inserimento in un'API commerciale:qwen/qwen3.7-flash. Non è arrivato con il clamore di un lancio di punta, e Alibaba non ha pubblicato un report tecnico, una suite di benchmark o un diagramma dell'architettura per esso. Ciò con cui è arrivato è una descrizione che per gli sviluppatori conta molto più di un altro punteggio in classifica: un modello di ragionamento visione-linguaggio, una finestra di contesto da 1 milione di token e un prezzo così basso che a malapena si registra come voce di costo.

Quella combinazione — economico, contesto enorme, e "vede" le immagini nativamente — colloca Qwen 3.7 Flash saldamente in una categoria che è diventata una delle più competitive e più utili dell'intero mercato dei modelli: il cavallo di battaglia multimodale a basso costo. Questi non sono i modelli che vincono le classifiche dei benchmark. Sono i modelli che vengono chiamati dieci milioni di volte al giorno all'interno di cicli di agenti, pipeline di automazione del browser e strumenti di supporto, perché a $0.03 per input e $0.13 per output per milione di token, il costo praticamente smette di essere un vincolo di progettazione.

Questo articolo è un'anteprima esplicativa: cosa sia realmente Qwen 3.7 Flash, cosa Alibaba ha dichiarato (e, cosa importante, cosa non ha dichiarato), come si sviluppano i costi con la matematica reale dei token, e dove si colloca accanto al resto della famiglia Qwen — inclusi i molto più grandi Qwen 3.8 e Qwen 3.7 Max — e rispetto ai rivali multimodali economici come Gemini 3.5 Flash-Lite. Vedremo anche come un livello di routing come OrcaRouter tratta un modello del genere: non come un modello di punta, ma come un livello predefinito che assorbe silenziosamente la maggior parte del traffico multimodale.

In breve

Qwen 3.7 Flash è un modello visione-linguaggio del team Qwen di Alibaba, elencato con l'ID modello qwen/qwen3.7-flash dal 27 luglio 2026. È progettato per agenti multimodali, codifica visiva, ricerca e interazione computer/interfaccia utente, con punti di forza dichiarati nel riconoscimento degli oggetti e nella comprensione spaziale. Supporta una finestra di contesto di 1.000.000 di token ed è al prezzo di $0,03 per 1 milione di token di input e $0,13 per 1 milione di token di output — tra i modelli con capacità visive più economici disponibili. La lunghezza massima di output, il numero esatto di parametri e l'architettura non sono ufficialmente divulgati; le speculazioni della community indicano un design mixture-of-experts di piccole dimensioni e un possibile precursore di un rilascio open-weight di Qwen 3.7, ma ciò non è confermato. È un modello distinto, più piccolo ed economico sia di Qwen 3.8 (il modello di punta open-weight con 2,4T di parametri annunciato separatamente da Alibaba) sia di Qwen 3.7 Max (il modello di punta più grande di questa stessa generazione). Nessuna suite di benchmark indipendente — inclusa Artificial Analysis — lo ha ancora valutato, quindi considera le affermazioni sulla qualità come premature e non provate finché non esistono dati di terze parti.

Punti chiave

• Qwen 3.7 Flash è vision-linguaggio, non solo testo — è pensato per agenti multimodali, codifica visiva, ricerca e attività di uso del computer, non per chat generale.

• Il prezzo è di $0,03 per 1M token di input e $0,13 per 1M token di output, all'incirca in linea con il livello più economico dei modelli multimodali al confine della frontiera attualmente sul mercato.

• La finestra di contesto è di 1 milione di token, il che è più importante per sessioni di agenti con molte immagini e multi-turn di quanto sembri, poiché immagini e screenshot consumano token rapidamente.

• Le note sui prezzi dell'inserzione affermano che, con la memorizzazione nella cache dei prompt su contesti ripetuti, il costo effettivo può essere inferiore del 60-80% rispetto al prezzo di listino — una leva significativa per i cicli degli agenti che riproducono lo stesso prompt di sistema o lo storico degli screenshot.

• Alibaba non ha pubblicato il numero massimo di token di output, il conteggio dei parametri o i dettagli dell'architettura; qualsiasi informazione più specifica che leggi altrove è un'inferenza della comunità, non una divulgazione del fornitore.

• Non è Qwen 3.8 (il flagship open-weight da 2.4T) e non è Qwen 3.7 Max (il più grande flagship chiuso nella stessa ondata di rilascio) — a parte la somiglianza nei nomi, questi sono tre modelli diversi con tre compiti diversi.

• Nessuna organizzazione di benchmark indipendente, inclusa Artificial Analysis, ha pubblicato punteggi per Qwen 3.7 Flash al momento in cui scriviamo — la qualità è genuinamente non provata al di fuori della descrizione del fornitore.

Cos'è realmente Qwen 3.7 Flash

Togli la convenzione di denominazione e Qwen 3.7 Flash è la risposta di Alibaba a una domanda che ogni grande laboratorio si è posto: che aspetto ha un modello quando il suo intero brief di progettazione è "gestire traffico visivo, agentico e ad alto volume nel modo più economico possibile senza essere inutile"? Google ha risposto con i livelli Gemini Flash e Flash-Lite. OpenAI ha risposto con le linee mini e nano. La risposta di Alibaba, in questa generazione, è Qwen 3.7 Flash.

La descrizione ufficiale si concentra su quattro casi d'uso: agenti multimodali, coding visivo, ricerca e interazione con computer o interfaccia utente. È una lista molto ponderata. Non dice "ottimo nella scrittura creativa" o "forte ragionamento su problemi delle olimpiadi di matematica" — è un elenco di compiti in cui un modello deve guardare uno screenshot, una pagina web, un pezzo di interfaccia utente o un diff di codice reso visivamente, e poi agire di conseguenza. Alibaba evidenzia anche il riconoscimento degli oggetti e la comprensione spaziale come punti di forza particolari, il che si allinea con l'impostazione di uso del computer e interazione con l'interfaccia: un agente che deve cliccare pulsanti, leggere layout o navigare in uno schermo deve sapere dove si trovano le cose, non solo cosa dicono.

Vale la pena essere espliciti su cosa significhi "ragionamento" in questo contesto. Qwen 3.7 Flash è descritto come un modello di ragionamento visivo-linguistico, il che significa che ci si aspetta che lavori su compiti visivi multi-step piuttosto che limitarsi a descrivere un'immagine o rispondere a una singola domanda di ricerca. Questa è la differenza tra "descrivi questo screenshot" e "ecco uno screenshot di un modulo con tre errori di validazione — scopri cosa non va e dimmi quale campo correggere per primo."

Specifiche e il focus multimodale-agente

Ecco l'elenco completo di ciò che è effettivamente confermato, rispetto a ciò che non lo è.

Confermato:Il creatore è il team Qwen di Alibaba. È elencato sotto l'ID modello qwen/qwen3.7-flash, attivo dal 27 luglio 2026. Accetta input multimodale (visione e linguaggio). La finestra di contesto è di 1.000.000 di token. Il prezzo è di $0,03 per 1M di token di input e $0,13 per 1M di token di output. Le note sul prezzo della scheda indicano che la cache del prompt su contesti ripetuti può ridurre il costo effettivo del 60-80% rispetto al prezzo di listino per carichi di lavoro che riutilizzano le stesse istruzioni di sistema o immagini di riferimento tra chiamate — un dettaglio che conta molto per i loop di agenti che reinviano la stessa cronologia di screenshot o lo stesso schema di strumenti a ogni turno.

Non divulgato: Limite massimo di token di output. Conteggio esatto dei parametri. Architettura (densa vs. miscela di esperti). Composizione dei dati di training. Qualsiasi punteggio di benchmark di prima parte.

Speculazione della community (etichettatela come tale, perché non è altro che questo): Considerando il nome "Flash", il prezzo aggressivo e lo schema che Alibaba ha seguito con le precedenti generazioni Qwen, alcuni osservatori sospettano che Qwen 3.7 Flash utilizzi una piccola architettura mixture-of-experts ottimizzata per un basso costo computazionale per token, e che possa essere un'anteprima o un passo di distillazione prima di un eventuale rilascio open-weight di Qwen 3.7, rispecchiando come le varianti "flash" o "turbo" di precedenti Qwen a volte precedevano rilasci open più ampi. Niente di tutto ciò è confermato da Alibaba. Trattatelo come un'ipotesi informata, non un dato di fatto, finché un report tecnico ufficiale o una model card non diranno diversamente.

L'assenza di una cifra pubblicata per l'output massimo è qualcosa che vale la pena segnalare per chiunque stia sviluppando su questo modello: se il tuo caso d'uso produce output strutturati lunghi (payload JSON di grandi dimensioni, generazione di codice multi-file, trascrizioni lunghe), testa empiricamente il tetto massimo effettivo di output prima di impegnarti in produzione, poiché non puoi controllare la documentazione per un numero che non è presente.

Esempio pratico di tariffazione: quanto costa effettivamente

Numeri così piccoli sono facili da ignorare, quindi facciamo i calcoli per bene.

A $0,03 per 1 milione di token di input e $0,13 per 1 milione di token di output, una singola chiamata con 2.000 token di input (uno screenshot di dimensioni decenti più una breve istruzione) e 300 token di output (una risposta strutturata) costa: 2.000/1.000.000 × $0,03 = $0,00006 per l'input, più 300/1.000.000 × $0,13 = $0,000039 per l'output. Totale: circa $0,0001 per chiamata — un centesimo di cent.

Scala questo al volume. Esegui 1 milione di queste chiamate — un carico giornaliero plausibile per un prodotto agentico di medie dimensioni che fa analisi di screenshot o controlli dello stato dell’interfaccia — e arrivi a: 1,000,000 × 2,000 = 2 miliardi di token di input × $0.03/1M = $60, più 1,000,000 × 300 = 300 milioni di token di output × $0.13/1M = $39. Totale: circa $99 per un milione di chiamate di vision-agent. Anche prima di aggiungere la cache dei prompt (che, come suggeriscono le note della scheda, potrebbe ridurre questo costo del 60-80% per carichi di lavoro con contesto ripetuto), è una cifra che la maggior parte dei team può approvare senza una riunione di budget.

Ora confronta uno scenario più pesante: un agente di utilizzo del computer che mantiene un contesto in esecuzione di 50.000 token (screenshot, cronologia delle azioni, risultati degli strumenti) e genera 500 token di azione per passo, eseguito 100.000 volte al giorno. Costo input: 100.000 × 50.000 = 5 miliardi di token × $0,03/1M = $150/giorno. Costo output: 100.000 × 500 = 50 milioni di token × $0,13/1M = $6,50/giorno. Si tratta di circa $156/giorno, o circa $4.700/mese, per un carico di lavoro agentico con contesto lungo piuttosto aggressivo — e questo prima di qualsiasi sconto di caching sulle porzioni ripetute di quel contesto da 50K, che in un ciclo di utilizzo del computer (stesso prompt di sistema, stesse definizioni degli strumenti, stato dello schermo sovrapposto) è esattamente il tipo di carico di lavoro per cui è stato costruito il caching dei prompt.

Guide passo-passo per scenari reali

Compiti di visione ad alto volume

Immagina una pipeline di catalogazione prodotti che deve classificare, etichettare ed estrarre attributi da alcune centinaia di migliaia di immagini di prodotti al giorno — questo è esattamente il tipo di carico di lavoro in cui il costo per token si moltiplica abbastanza velocemente da superare il budget su un modello di visione di fascia media, ma rimane comodamente accessibile con i prezzi di Qwen 3.7 Flash. Il riconoscimento degli oggetti e la comprensione spaziale, le due capacità che Alibaba menziona esplicitamente, corrispondono direttamente a "cosa c'è in questa immagine, dove si trova e in che condizioni è."

Codifica visiva

"Visual coding" come caso d'uso nominato suggerisce workflow del tipo: fornire al modello uno screenshot di un'interfaccia UI renderizzata insieme al codice del componente sottostante, e chiedergli di individuare la discrepanza, oppure prendere un export da Figma e ottenere una prima implementazione. Si tratta di una categoria di compiti che penalizza specificamente i modelli di codice solo testuali — puoi descrivere un bug di layout a parole, ma un modello che può effettivamente vedere il padding rotto o il pulsante disallineato lo diagnostica più velocemente e in modo più affidabile.

Agentico / Uso del computer

Questo è il caso d'uso principale. Un agente che utilizza il computer deve guardare uno schermo, capire cosa sia cliccabile, decidere un'azione e ripetere — spesso per dozzine di passaggi per attività. L'economia qui è brutale per i modelli costosi: un'attività di automazione di browser o desktop di 30 passaggi, ogni passaggio con un nuovo screenshot, può accumulare centinaia di migliaia di token prima che l'attività sia completata. Con i prezzi dei modelli all'avanguardia, sono soldi veri per attività; con i prezzi di Qwen 3.7 Flash, eseguire migliaia di tali sessioni al giorno resta alla portata del budget di un piccolo team.

Cerca

Ricerca visiva — confrontare un'immagine con un corpus, verificare che un risultato recuperato corrisponda effettivamente a una foto di riferimento, o ancorare una query di ricerca a uno screenshot di ciò che l'utente sta guardando — trae vantaggio dalla stessa combinazione di ampio contesto (per contenere più immagini candidate o un lungo insieme di documenti recuperati) e basso costo per chiamata (perché i cicli di ricerca e verifica spesso significano molte chiamate al modello per query utente, non una sola).

Come accedere e utilizzare Qwen 3.7 Flash

Qwen 3.7 Flash viene chiamato con l'identificatore di modello qwen/qwen3.7-flash, e funziona con qualsiasi strumentazione compatibile con OpenAI — il che significa che le integrazioni esistenti in stile chat-completions o responses possono puntare ad esso cambiando solo il nome del modello e senza riscrivere il codice client. È anche qui che un livello di routing come OrcaRouter diventa pratico piuttosto che teorico: invece di codificare rigidamente un singolo modello in ogni servizio, un endpoint unificato compatibile con OpenAI ti consente di impostare un modello multimodale economico e capace come livello predefinito per il traffico visivo e agentico, riservando i modelli di ragionamento più costosi al sottoinsieme di richieste che ne hanno realmente bisogno. Per un modello la cui intera proposta di valore è "molto economico, abbastanza capace, non verificato ai confini", quel tipo di routing a livelli — economico di default, escalation quando necessario — è probabilmente il modo corretto per distribuirlo in produzione piuttosto che scommettere un'intera pipeline su un singolo modello non verificato.

La formattazione standard delle richieste multimodali si applica: input di immagini insieme al testo nello stesso messaggio, ampie finestre di contesto per sessioni multi-immagine o multi-turno e fatturazione per token che si riflette chiaramente nei dashboard di utilizzo. Verifica il limite pratico di lunghezza dell'output per il tuo carico di lavoro prima di fare affidamento su di esso, poiché il massimo non è pubblicato.

Limitazioni oneste e ciò che non è confermato

Per essere chiari su ciò che è realmente sconosciuto qui: non esistono dati di benchmark indipendenti su Qwen 3.7 Flash da parte di Artificial Analysis o di qualsiasi altro valutatore comparabile al momento in cui scriviamo. Tutto ciò che riguarda la sua qualità — quanto effettivamente performa nel ragionamento visivo, quanto è affidabile per compiti agentici multi-step, come resiste ai distrattori in scenari di contesto lungo — è attualmente supportato solo dal linguaggio di posizionamento di Alibaba, non da una terza parte che lo esegue attraverso una suite di test standardizzata. La descrizione del fornitore e la verifica indipendente non sono la stessa cosa, e i lettori dovrebbero valutare le capacità di questo modello di conseguenza fino a quando tale verifica non esista.

Al di là dei benchmark, Alibaba non ha divulgato l'architettura, il numero di parametri o la lunghezza massima di output. La teoria del "piccolo MoE, possibile precursore di un Qwen 3.7 open-weight" che circola nella community è un'ipotesi ragionevole basata su schemi di denominazione e prezzi, ma è speculazione, non qualcosa che Alibaba ha confermato. Se la trasparenza del modello (architettura pubblicata, pesi aperti, un report tecnico) è un requisito per il tuo caso d'uso, Qwen 3.7 Flash attualmente non raggiunge quel livello — è un modello chiuso, solo API, con documentazione pubblica minima oltre alla sua scheda API.

Come si confronta: Qwen 3.8, Qwen 3.7 Max e rivali economici

La nomenclatura qui crea confusione, quindi vale la pena essere precisi. Qwen 3.8 è il modello di punta ad alto peso aperto annunciato separatamente da Alibaba, che secondo quanto riferito è basato su un design da 2,4 trilioni di parametri — un modello fondamentalmente diverso con uno scopo diverso: un modello grande, aperto e di uso generale pensato per competere ai massimi livelli, non un livello utilitario multimodale economico. Qwen 3.7 Max è il modello di punta chiuso più grande e presumibilmente più capace all'interno della stessa ondata di rilascio "3.7" — il modello a cui ricorri quando un compito richiede la massima qualità indipendentemente dal costo. Qwen 3.7 Flash, oggetto di questo articolo, è il terzo e più economico punto di quella costellazione: più piccolo, più veloce, drasticamente meno costoso e specificamente mirato a carichi di lavoro multimodali-agentici piuttosto che all'eccellenza per uso generale. Non dare per scontato che le capacità o il comportamento si trasferiscano tra questi tre solo perché due di essi condividono un numero di versione — sono modelli diversi con compiti diversi.

Rispetto alla concorrenza esterna, il confronto più vicino è quello di GoogleGemini 3.5 Flash-Lite, che occupa una nicchia simile: un livello a basso costo, multimodale e ad alto throughput, pensato esattamente per il tipo di carichi di lavoro voluminosi descritti sopra. Entrambi i modelli competono principalmente sugli stessi assi — prezzo per token, lunghezza del contesto e gestione multimodale — piuttosto che su benchmark di ragionamento puri, poiché nessuno dei due è posizionato come modello di ragionamento all'avanguardia. Senza dati di benchmark indipendenti per Qwen 3.7 Flash, un confronto diretto sulla qualità contro Gemini 3.5 Flash-Lite non è qualcosa che questo articolo può fare in modo responsabile; quello che si può dire è che il prezzo di Qwen 3.7 Flash è competitivo rispetto o inferiore a quel livello, e la sua finestra di contesto di 1M è generosa per un modello in questa fascia di costo, che è esattamente il tipo di divario che rende i livelli multimodali economici degni di essere testati empiricamente rispetto al proprio carico di lavoro piuttosto che scegliere solo in base al prezzo.

Domande frequenti

Cos'è Qwen 3.7 Flash?

È un modello di ragionamento visione-linguaggio del team Qwen di Alibaba, progettato per agenti multimodali, coding visivo, ricerca e interazione computer/interfaccia utente, elencato con l'ID del modello qwen/qwen3.7-flash dal 27 luglio 2026.

Quanto costa Qwen 3.7 Flash?

$0.03 per 1 milione di token di input e $0.13 per 1 milione di token di output — tra i modelli con capacità visiva più economici attualmente disponibili, con la scheda che segnala ulteriori sconti del 60-80% possibili tramite il caching dei prompt su contesti ripetuti.

Cos'è la finestra di contesto?

1.000.000 token

Qwen 3.7 Flash è uguale a Qwen 3.8?

No. Qwen 3.8 è il modello flagship open-weight da 2,4 trilioni di parametri annunciato separatamente da Alibaba. Qwen 3.7 Flash è un modello multimodale chiuso molto più piccolo, economico e con uno scopo diverso. Non dovrebbero essere confusi, nonostante entrambi provengano dalla linea Qwen di Alibaba.

È Qwen 3.7 Flash lo stesso di Qwen 3.7 Max?

No. Qwen 3.7 Max è il modello flagship più grande nella stessa ondata di rilascio "3.7". Qwen 3.7 Flash è il livello più piccolo, più veloce e molto più economico, pensato per attività multimodali e agentive ad alto volume piuttosto che per output di massima qualità.

Qwen 3.7 Flash supporta immagini?

Sì, è un modello visione-linguaggio — accetta input multimodale (immagine e testo) ed è specificamente focalizzato su compiti visivi come il riconoscimento di oggetti, la comprensione spaziale, la codifica visiva e l'interazione con computer/interfaccia utente.

Qual è la lunghezza massima dell'output?

Non divulgato ufficialmente da Alibaba. Chiunque stia costruendo un carico di lavoro di produzione dovrebbe testare direttamente il limite di output pratico piuttosto che assumere un numero.

Qwen 3.7 Flash è un modello misto di esperti?

Non confermato. Alcuni nella comunità ipotizzano che utilizzi una piccola architettura MoE basata sui suoi prezzi e pattern di denominazione, ma Alibaba non ha pubblicato i dettagli dell'architettura, quindi rimane speculazione piuttosto che fatto.

Come si confronta con Gemini 3.5 Flash-Lite?

Entrambi occupano un livello multimodale simile, a basso costo e alta produttività, e competono principalmente sul prezzo e sulla lunghezza del contesto piuttosto che su parametri di ragionamento grezzi. Non esistono ancora dati di benchmark indipendenti per effettuare un confronto di qualità definitivo per Qwen 3.7 Flash.

Dove posso accedere a Qwen 3.7 Flash?

{{1}}Utilizzando l'ID del modello qwen/qwen3.7-flash tramite qualsiasi client compatibile con OpenAI, oppure attraverso un livello di routing come OrcaRouter che può impostarlo come livello multimodale economico predefinito insieme ad altri modelli.{{/1}}

Qwen 3.7 Flash è buono?

Non ancora provato in modo indipendente al momento della stesura — nessuna organizzazione di benchmark di terze parti, inclusa Artificial Analysis, ha pubblicato punteggi per esso. La sua proposta di valore è il prezzo e la dimensione del contesto, non un vantaggio di qualità dimostrato, quindi vale la pena testarlo empiricamente sul tuo carico di lavoro specifico prima di impegnarsi.

In sintesi

Qwen 3.7 Flash non cerca di vincere una classifica, e Alibaba non ha fornito a nessuno la documentazione per verificarlo, anche se volesse. Quello che cerca di fare è rendere i carichi di lavoro visivi e agentici — analisi di screenshot, controlli di codice visivo, cicli di utilizzo del computer, ricerca visiva — abbastanza economici che il costo smetta di essere il motivo per cui non costruisci la funzionalità. A $0,03/$0,13 per milione di token con un contesto di 1 milione di token, l'economia supporta realmente traffico agentico multimodale ad alto volume e sempre attivo in un modo che pochi modelli a qualsiasi livello di qualità possono eguagliare. Il problema è l'onestà riguardo le lacune: nessun benchmark indipendente, nessuna architettura o lunghezza massima di output divulgata, e una reale incertezza su come si comporta rispetto a rivali consolidati di fascia economica come Gemini 3.5 Flash-Lite. Trattalo come un predefinito promettente ed estremamente accessibile per carichi di lavoro multimodali-agentici che vale la pena testare ora — e tienilo chiaramente separato nella tua mente sia da Qwen 3.8 che da Qwen 3.7 Max, che sono modelli diversi che risolvono problemi completamente diversi.