Qwen3.7-Max — mô hình độc quyền chủ lực của Alibaba, được thiết kế làm nền tảng cho kỷ nguyên tác tử. Cửa sổ ngữ cảnh 1M token gốc, với chế độ suy luận mở rộng (và preserve_thinking qua các lượt) được tinh chỉnh cho các tác vụ tác tử. Kết quả đẳng cấp tiên phong về lập trình (SWE-Verified, SWE-Pro, Terminal-Bench), suy luận (GPQA Diamond, HMMT, IMO), sử dụng công cụ (BFCL, MCP-Mark, MCP-Atlas), và các chuẩn đa ngôn ngữ (WMT24++ trên 55 ngôn ngữ). Được thiết kế cho thực thi tự chủ dài hạn — duy trì chiến lược mạch lạc qua hàng nghìn lần gọi công cụ và các phiên kéo dài nhiều giờ — và tổng quát hóa nhất quán trên các khung tác tử bao gồm Claude Code, OpenClaw và Qwen Code. Được khuyến nghị cho các tác tử lập trình, tự động hóa văn phòng và quy trình làm việc, RAG ngữ cảnh dài, và bất kỳ hệ thống nào cần một nền tảng đáng tin cậy cho việc sử dụng công cụ liên tục.
Qwen3.7 Max là mô hình ngôn ngữ chỉ xử lý văn bản do nhóm Qwen phát triển, được thiết kế để xử lý các ngữ cảnh cực kỳ dài — lên tới 1.000.000 token — đồng thời tạo đầu ra tối đa 64.000 token. Mô hình…
Mô hình này vượt trội trong các tác vụ yêu cầu hiểu và suy luận trên lượng văn bản rất lớn. Nó có thể tóm tắt toàn bộ sách, trả lời câu hỏi dựa trên tài liệu dài, thực hiện các chuỗi suy luận phức tạp tham chiếu đến các phần trước đó của ngữ cảnh, tạo nội dung dài như báo cáo hoặc tiểu thuyết, và viết hoặc gỡ lỗi mã với đầy đủ ngữ cảnh dự án. Nó hỗ trợ làm theo hướng dẫn và có thể được sử dụng cho các tác vụ few-shot hoặc zero-shot. Tuy nhiên, vì chỉ xử lý văn bản nên nó không thể phân tích trực tiếp hình ảnh hay bảng biểu—chỉ phân tích mô tả văn bản của chúng. Cửa sổ ngữ cảnh lớn làm giảm nhu cầu về sinh tăng cường truy xuất (RAG) trong nhiều trường hợp, nhưng đối với đầu vào cực kỳ dài, việc tiền xử lý vẫn có thể hữu ích.
Nếu tác vụ của bạn không yêu cầu cửa sổ ngữ cảnh 1M token hoặc đầu ra 64K, việc sử dụng một mô hình nhỏ hơn, rẻ hơn có thể tiết kiệm chi phí hơn. Ví dụ, đối với các cuộc hội thoại ngắn, phân loại văn bản đơn giản, hoặc tạo một vài đoạn văn, các mô hình có ngữ cảnh 8K–128K và chi phí mỗi token thấp hơn là phù hợp. Qwen3.7 Max có giá $1.25 đầu vào / $3.75 đầu ra trên 1M token. Nếu yêu cầu trung bình của bạn chỉ sử dụng 10K token, chi phí mỗi yêu cầu là nhỏ; nhưng đối với nhiều yêu cầu nhỏ, tổng chi phí có thể tăng lên. Ngoài ra, đối với các tác vụ đa phương thức (hình ảnh, âm thanh), bạn phải sử dụng một mô hình khác. Hãy đánh giá xem dung lượng ngữ cảnh bổ sung có thực sự được sử dụng hay không—nếu không, một mô hình nhỏ hơn như Qwen3.7 (non-Max) có thể là đủ.
Qwen3.7 Max hỗ trợ suy luận đa bước, gợi ý chuỗi tư duy và khả năng làm theo hướng dẫn. Nó có thể thực hiện suy luận toán học, suy diễn logic và suy luận thông thường trên các ngữ cảnh dài. Cửa sổ lớn cho phép nó nhớ lại thông tin được trình bày sớm hơn trong đầu vào, hữu ích cho các tác vụ như đánh giá mã trên nhiều tệp hoặc phân tích một lập luận dài. Nó cũng có thể xử lý việc đếm, sắp xếp và tóm tắt các tập dữ liệu lớn được nhúng trong văn bản. Tuy nhiên, giống như tất cả các mô hình ngôn ngữ, nó vẫn có thể mắc lỗi trong các phép toán phức tạp hoặc gợi ý mơ hồ. Nên kiểm tra trên tác vụ cụ thể của bạn để xác minh hiệu suất.
Các thông tin được cung cấp không nêu rõ liệu Qwen3.7 Max có khả dụng để tinh chỉnh thông qua OrcaRouter hay không. Thông thường, các mô hình lớn với kích thước như vậy được cung cấp qua API chỉ để suy luận. Nếu cần tinh chỉnh, bạn sẽ phải kiểm tra trực tiếp với nhà cung cấp hoặc sử dụng một mô hình cơ sở nhỏ hơn. Mô hình này chủ yếu được thiết kế để suy luận với cửa sổ ngữ cảnh lớn. Để tùy chỉnh hành vi, kỹ thuật prompt và các ví dụ ít-shot là phương pháp được khuyến nghị. Nếu bạn yêu cầu thích ứng miền chuyên biệt, hãy cân nhắc sử dụng mô hình nhỏ hơn, có thể tinh chỉnh như Qwen3.7 (non-Max) nếu có sẵn.
Không có điểm benchmark cụ thể nào cho Qwen3.7 Max được cung cấp trong dữ liệu. Nhìn chung, các mô hình trong dòng Qwen3.7 được đánh giá trên các benchmark NLP tiêu chuẩn như MMLU, HellaSwag, GSM8K và HumanEval, nhưng điểm số cho biến thể Max không được tiết lộ tại đây. Mô hình này được kỳ vọng sẽ hoạt động mạnh mẽ trên các tác vụ liên quan đến suy luận ngữ cảnh dài, chẳng hạn như Multi-Document QA, NarrativeQA và tóm tắt văn bản rất dài. Người dùng nên tự chạy đánh giá trên các tác vụ đại diện để đo lường hiệu suất. Trong trường hợp không có số liệu công bố, nên thử nghiệm mô hình với một mẫu dữ liệu của bạn trước khi cam kết sử dụng trên quy mô lớn.
Độ trễ không được chỉ định trong các dữ kiện được cung cấp. Các mô hình có cửa sổ ngữ cảnh 1M token thường có thời gian suy luận cao hơn các mô hình nhỏ hơn, đặc biệt khi đầu vào gần giới hạn. Thông lượng phụ thuộc vào hạ tầng do Qwen cung cấp và được truy cập qua OrcaRouter. Đối với các ứng dụng thời gian thực, ngữ cảnh lớn có thể gây ra độ trễ đáng kể. API của OrcaRouter có thể xử lý các yêu cầu bất đồng bộ; bạn có thể cần đặt thời gian chờ dài hơn. Đối với các trường hợp sử dụng tần suất cao, độ trễ thấp, hãy cân nhắc các mô hình có cửa sổ ngữ cảnh nhỏ hơn. Kiểm thử với kích thước đầu vào điển hình của bạn sẽ giúp xác định thời gian phản hồi chấp nhận được.
Điểm mạnh chính của Qwen3.7 Max là khả năng xử lý lên tới 1 triệu token ngữ cảnh trong một yêu cầu duy nhất, nằm trong số những mô hình có ngữ cảnh lớn nhất hiện nay. Điều này loại bỏ nhu cầu sử dụng cửa sổ trượt hoặc truy xuất bên ngoài cho nhiều tác vụ, giúp đơn giản hóa logic ứng dụng. Giới hạn đầu ra 64K cho phép tạo các tài liệu rất dài mà không cần nối ghép. Mức giá minh bạch, không có phụ phí thông qua OrcaRouter. Mô hình này phù hợp cho các tác vụ phân tích chuyên sâu như xem xét tài liệu, tổng hợp nghiên cứu và phân tích mã phức tạp. Mô hình cũng hỗ trợ làm theo hướng dẫn tiêu chuẩn và học ít mẫu (few-shot learning), khiến nó trở nên linh hoạt cho nhiều quy trình làm việc dựa trên văn bản.
Qwen3.7 Max chỉ xử lý văn bản và không thể xử lý hình ảnh, bảng biểu hay âm thanh. Cửa sổ ngữ cảnh lớn của nó có thể dẫn đến suy luận chậm hơn và tiêu tốn nhiều bộ nhớ hơn. Độ chính xác trên các tác vụ gần giới hạn ngữ cảnh có thể giảm so với đầu vào ngắn hơn, như thường thấy ở các mô hình ngữ cảnh dài. Không có điểm chuẩn cụ thể nào được cung cấp, do đó hiệu suất so sánh với các mô hình ngữ cảnh dài khác vẫn chưa được biết. Mô hình chỉ khả dụng thông qua OrcaRouter API; không có tùy chọn triển khai tại chỗ nào được đề cập. Đối với các tác vụ yêu cầu độ trễ rất thấp hoặc đầu vào đa phương thức nặng, các mô hình khác sẽ phù hợp hơn. Ngoài ra, mô hình có thể tạo ra thông tin nghe có vẻ hợp lý nhưng không chính xác, đặc biệt là với các ngữ cảnh rất dài.
Qwen3.7 Max có giá $1.25 cho mỗi 1 triệu token đầu vào và $3.75 cho mỗi 1 triệu token đầu ra. Các mức giá này là giá của nhà cung cấp từ Qwen, và OrcaRouter không thêm bất kỳ khoản phụ phí nào, nghĩa là người dùng trả chính xác giá của nhà cung cấp. Token được đếm bằng cùng một tokenizer với mô hình. Token đầu vào bao gồm lời nhắc và bất kỳ thông báo hệ thống nào, trong khi token đầu ra là văn bản được tạo ra. Không có phí bổ sung nào cho truy cập API hoặc phí theo yêu cầu ngoài các chi phí dựa trên token này. Cấu trúc giá này minh bạch và cho phép bạn ước tính chi phí dựa trên mức sử dụng dự kiến.
Các mô hình nhỏ hơn thường có chi phí trên mỗi token thấp hơn. Ví dụ, nhiều mô hình tham số 7B–13B có giá $0.10–$0.50 cho mỗi 1M token đầu vào. Giá đầu vào $1.25 của Qwen3.7 Max cao hơn, nhưng giá đầu ra $3.75 cũng cao hơn mức trung bình. Lợi thế về chi phí của Qwen3.7 Max đến từ khả năng xử lý các ngữ cảnh rất dài trong một lần gọi, điều này có thể giảm tổng số yêu cầu và chi phí liên quan. Đối với đầu vào ngắn, bạn sẽ trả nhiều hơn mỗi token so với một mô hình rẻ. Hãy đánh giá độ dài đầu vào/đầu ra trung bình của bạn để quyết định xem chi phí thêm trên mỗi token có được bù đắp bởi độ phức tạp giảm và số lần gọi API ít hơn hay không.
Các sự kiện được cung cấp không đề cập đến bất kỳ bậc giảm giá, bộ nhớ đệm hoặc giảm giá xử lý theo lô nào cho Qwen3.7 Max. OrcaRouter có thể cung cấp bộ nhớ đệm cho các lời nhắc hoặc phản hồi phổ biến ở cấp API, nhưng điều đó không được chỉ rõ. Thông thường, các nhà cung cấp lớn có giảm giá theo khối lượng cho việc sử dụng cao; bạn sẽ cần liên hệ trực tiếp với OrcaRouter hoặc Qwen. Mô hình không tính thêm phí (zero-markup) đã đảm bảo bạn không phải trả thêm so với giá của nhà cung cấp. Để tối ưu hóa chi phí, hãy cân nhắc lưu trữ phản hồi ở phía máy khách, tái sử dụng các lời nhắc hệ thống và giảm thiểu độ dài đầu ra khi không cần đến toàn bộ 64K. Đồng thời, hãy đảm bảo đầu vào của bạn không bị thêm các token không cần thiết.
Giả sử bạn cần phân tích một tài liệu 500,000 token và tạo một bản tóm tắt 10,000 token. Chi phí đầu vào: 500,000 token * ($1.25 / 1,000,000) = $0.625. Chi phí đầu ra: 10,000 * ($3.75 / 1,000,000) = $0.0375. Tổng cộng ~$0.66. Nếu thay vào đó bạn sử dụng một mô hình với ngữ cảnh 128K và phải chia tài liệu thành 4 phần, bạn có thể trả $0.10 cho mỗi phần đầu vào (giả sử mô hình rẻ hơn) cộng với chi phí tổng hợp đầu ra. Tổng cộng có thể tương đương. Đối với đầu vào ngắn, chi phí cho mỗi yêu cầu nhỏ, ví dụ: đầu vào 1K và đầu ra 500 có giá $0.00125 + $0.001875 = $0.003125. Giá cả là tuyến tính và có thể dự đoán trước.
Để sử dụng Qwen3.7 Max thông qua OrcaRouter, hãy gửi yêu cầu HTTP đến endpoint tương thích với Azure tại https://api.orcarouter.ai/v1 với mã định danh model là "qwen/qwen3.7-max". API này tương thích với OpenAI, vì vậy bạn có thể sử dụng các SDK OpenAI hiện có (Python, Node.js, v.v.) bằng cách đặt base_url thành endpoint của OrcaRouter và khóa API của bạn. Ví dụ, trong Python với thư viện openai, hãy đặt openai.api_base = "https://api.orcarouter.ai/v1" và openai.api_key = "khóa-của-bạn", sau đó gọi openai.ChatCompletion.create(model="qwen/qwen3.7-max", messages=[...]). Đảm bảo rằng các yêu cầu của bạn tuân thủ giới hạn ngữ cảnh 1M token và giới hạn đầu ra 64K token.
Các tham số tương thích với OpenAI tiêu chuẩn được hỗ trợ: max_tokens (lên tới 64,000), temperature, top_p, stop, frequency_penalty, presence_penalty và các tham số khác. Mô hình tự nhận diện là "qwen/qwen3.7-max" trong yêu cầu. Nhà cung cấp là qwen. Không có tham số đặc biệt nào dành riêng cho mô hình này được ghi lại trong các dữ kiện được cung cấp. Bạn cũng có thể sử dụng streaming (stream=True) để nhận token một cách tăng dần. Đối với đầu ra dài, streaming có thể giảm độ trễ cảm nhận. Lưu ý rằng việc đặt max_tokens trên 64,000 sẽ bị giới hạn. API sẽ trả về lỗi nếu đầu vào cộng với đầu ra vượt quá cửa sổ ngữ cảnh (1M token).
Nếu bạn hiện đang truy cập Qwen3.7 Max qua một endpoint khác, việc di chuyển sang OrcaRouter yêu cầu thay đổi base_url thành https://api.orcarouter.ai/v1 và cập nhật model identifier thành "qwen/qwen3.7-max". Mã nguồn hiện tại của bạn sử dụng OpenAI SDKs sẽ hoạt động với những thay đổi tối thiểu: chỉ cần cập nhật API base và key. Định dạng request/response là giống hệt nhau. Không cần sửa đổi cấu trúc tin nhắn hay tham số. OrcaRouter không thêm markup, do đó hóa đơn của bạn sẽ giống như giá của nhà cung cấp, nhưng bạn có thể có độ trễ hoặc độ tin cậy khác. Hãy kiểm tra tích hợp với một vài yêu cầu mẫu trước khi chuyển lưu lượng sản xuất.
GPT-4o có cửa sổ ngữ cảnh 128K token và hỗ trợ đầu vào đa phương thức (văn bản, hình ảnh, âm thanh). Qwen3.7 Max cung cấp ngữ cảnh lớn hơn nhiều (1M token) nhưng chỉ hỗ trợ văn bản. Giới hạn đầu ra: GPT-4o tối đa thường là 4.096 token (trừ khi sử dụng chế độ mở rộng), trong khi Qwen3.7 Max cho phép tới 64K token. Định giá: GPT-4o có giá $2.50 đầu vào / $10.00 đầu ra (trên 1M token). Qwen3.7 Max rẻ hơn: $1.25 đầu vào / $3.75 đầu ra. Đối với các tác vụ yêu cầu ngữ cảnh hoặc đầu ra rất dài, Qwen3.7 Max có thể tiết kiệm chi phí hơn và có năng lực tốt hơn. Đối với các tác vụ đa phương thức hoặc tương tác ngắn hơn, GPT-4o có thể phù hợp hơn.
Claude 3.5 Sonnet có cửa sổ ngữ cảnh 200K token và hỗ trợ đầu vào đa phương thức (văn bản, hình ảnh). Giới hạn đầu ra là khoảng 4.096 token. Giá: $3.00 đầu vào / $15.00 đầu ra trên 1M token. Qwen3.7 Max cung cấp ngữ cảnh lớn gấp 5 lần (1M token) và đầu ra lớn hơn nhiều (64K so với 4K). Giá của nó thấp hơn: $1.25 đầu vào / $3.75 đầu ra. Tuy nhiên, Claude 3.5 Sonnet được biết đến với hiệu suất mạnh mẽ trong lý luận, an toàn và tuân theo hướng dẫn. Khả năng của Qwen3.7 Max không được đánh giá chuẩn ở đây. Sự lựa chọn phụ thuộc vào việc bạn có cần ngữ cảnh và kích thước đầu ra cực lớn hay không, và liệu hỗ trợ đa phương thức có được yêu cầu hay không. Đối với các tác vụ tài liệu dài chỉ văn bản thuần, Qwen3.7 Max có thể kinh tế hơn.
Gemini 1.5 Pro cung cấp cửa sổ ngữ cảnh 1M token và đầu ra 64K, tương tự như Qwen3.7 Max. Nó cũng hỗ trợ đầu vào đa phương thức (văn bản, hình ảnh, âm thanh, video). Giá cho Gemini 1.5 Pro là $1.25 cho đầu vào / $5.00 cho đầu ra văn bản; hình ảnh và âm thanh tính phí thêm. Qwen3.7 Max chỉ hỗ trợ văn bản với giá $1.25/$3.75. Nếu bạn cần đa phương thức, Gemini là lựa chọn rõ ràng. Nếu chỉ văn bản, Qwen3.7 Max cung cấp đầu ra rẻ hơn một chút. Cả hai đều có giới hạn ngữ cảnh và đầu ra tương tự. Không có số liệu benchmark, thật khó để so sánh chất lượng. Hãy cân nhắc thử nghiệm cả hai trên các tác vụ cụ thể của bạn. Ngoài ra, tính khả dụng và độ trễ có thể khác nhau giữa các nhà cung cấp. OrcaRouter cung cấp quyền truy cập vào Qwen3.7 Max thông qua API tiêu chuẩn.
Các mô hình Qwen nhỏ hơn, như Qwen3.7 (không phải Max) hoặc Qwen3.7-7B, thường có cửa sổ ngữ cảnh nhỏ hơn (ví dụ: 128K) và chi phí mỗi token thấp hơn. Chúng đủ dùng cho hầu hết các tác vụ tiêu chuẩn: hội thoại ngắn, tóm tắt tài liệu dưới 100K token, hoàn thiện mã trong một tệp đơn lẻ, v.v. Sử dụng Qwen3.7 Max cho các tác vụ như vậy là quá mức cần thiết và tốn kém hơn. Ngoài ra, các mô hình nhỏ hơn thường có tốc độ suy luận nhanh hơn và độ trễ thấp hơn. Nếu ứng dụng của bạn nhạy cảm với độ trễ hoặc chạy nhiều yêu cầu nhỏ, thì mô hình nhỏ hơn sẽ tốt hơn. Giá trị của Qwen3.7 Max thể hiện khi bạn cần ngữ cảnh hoặc độ dài đầu ra cực lớn — nếu không, hãy chọn một giải pháp thay thế rẻ hơn.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="qwen/qwen3.7-max",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| Đầu vào / 1M tokens | $1.25 |
|---|---|
| Đầu ra / 1M tokens | $3.75 |
| Đọc cache / 1M | $0.250 |
| Ghi cache / 1M | $1.563 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
Điều các nhà phát triển đang nói tuần này
GET /api/public/models/qwen/qwen3.7-maxMở @misc{orcarouter_qwen3_7_max,
title = {Qwen3.7 Max API},
author = {qwen},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.7-max}
}qwen. (2026). Qwen3.7 Max API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.7-max