Qwen3.7-Max (2026-05-20 snapshot) — Phiên bản checkpoint có ngày tháng của mô hình chủ lực độc quyền thời đại tác tử của Alibaba, được ghim để đảm bảo khối lượng công việc sản xuất tái tạo được. Cửa sổ ngữ cảnh gốc 1 triệu token, 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 bài đánh giá đa ngôn ngữ (WMT24++ trên 55 ngôn ngữ). Được thiết kế cho thực thi tự chủ dài hạn và hành vi nhất quán trên các khung tác tử bao gồm Claude Code, OpenClaw và Qwen Code. Sử dụng phiên bản ghim này khi bạn cần hành vi ổn định giữa các bản phát hành; sử dụng qwen/qwen3.7-max cho bí danh luân phiên.
Qwen3.7 Max là một mô hình ngôn ngữ lớn thuộc dòng Qwen của Alibaba, cụ thể là checkpoint được phát hành vào ngày 20 tháng 5 năm 2026. Đây là một transformer chỉ dành cho bộ giải mã, được tối ưu hóa…
Qwen3.7 Max xuất sắc trong việc sinh văn bản, suy luận, tóm tắt, trả lời câu hỏi và sinh mã. Cửa sổ ngữ cảnh lớn của nó cho phép thực hiện các tác vụ như đọc toàn bộ một cuốn sách và sau đó trả lời các câu hỏi chi tiết về nó, hoặc phân tích một kho mã nguồn hoàn chỉnh để xác định lỗi. Mô hình có thể làm theo các hướng dẫn phức tạp gồm nhiều bước được nhúng trong một lời nhắc hệ thống kéo dài hàng nghìn token. Nó hỗ trợ các tham số sinh chuẩn như temperature, top_p, max_tokens và stop sequences thông qua API tương thích với OpenAI. Vì chỉ hỗ trợ văn bản, nó không thể thực hiện nhận diện hình ảnh, phiên âm âm thanh hoặc các tác vụ đa phương thức khác. Đối với các tác vụ văn bản yêu cầu ngữ cảnh hoặc đầu ra rất dài, Qwen3.7 Max là một lựa chọn mạnh mẽ.
Các trường hợp sử dụng tốt nhất của mô hình tập trung vào khối lượng công việc có ngữ cảnh dài, đầu ra lớn. Ví dụ bao gồm: tóm tắt hợp đồng pháp lý 500 trang trong một lần; tạo sổ tay kỹ thuật 50.000 từ từ một dàn ý ngắn; thực hiện kiểm tra thực tế chuyên sâu trên một kho tài liệu nghiên cứu lớn; và tạo dữ liệu tổng hợp để huấn luyện các mô hình khác khi cần các chuỗi dài. Các nhà phát triển làm việc với mã nguồn có thể yêu cầu mô hình tái cấu trúc toàn bộ tệp hoặc viết kiểm thử đơn vị bao phủ nhiều hàm. Mô hình cũng phù hợp cho các tác nhân hội thoại cần duy trì ngữ cảnh qua các cuộc đối thoại rất dài, tuy nhiên lưu ý rằng đầu ra bị giới hạn ở 64.000 token. Đối với các tác vụ có ngữ cảnh ngắn, các mô hình nhỏ hơn trên OrcaRouter có thể mang lại độ trễ tốt hơn và hiệu quả chi phí.
Mặc dù Qwen3.7 Max cung cấp độ dài ngữ cảnh và đầu ra cực lớn, nhưng nó có mức giá cao hơn trên mỗi token so với nhiều mô hình nhỏ hơn. Nếu tác vụ của bạn yêu cầu cửa sổ ngữ cảnh dưới 32.000 token và đầu ra dưới 4.000 token, hãy cân nhắc sử dụng một mô hình ít tốn kém hơn như Qwen3.5-7B hoặc các LLM nhỏ gọn khác có sẵn trên OrcaRouter. Ngoài ra, nếu bạn không cần khả năng suy luận của một mô hình lớn, một mô hình nhỏ hơn có thể đáp ứng đủ. Đối với các ứng dụng yêu cầu độ trễ thấp, các mô hình nhỏ hơn cũng cung cấp thời gian phản hồi nhanh hơn. Luôn đánh giá kích thước và độ phức tạp yêu cầu điển hình của bạn; sử dụng mô hình lớn cho các tác vụ đơn giản dẫn đến chi phí không cần thiết. Trang giá của OrcaRouter liệt kê tất cả các mô hình có sẵn để giúp so sánh.
Có, Qwen3.7 Max hỗ trợ phản hồi dạng stream thông qua API tương thích OpenAI. Bạn có thể đặt tham số `stream` thành `true` để nhận token theo từng phần, giúp cải thiện trải nghiệm người dùng cho các nội dung dài. Mô hình cũng hoạt động tốt với endpoint Chat Completions, chấp nhận tin nhắn theo định dạng chuẩn (vai trò system, user, assistant). Hội thoại nhiều lượt được hỗ trợ trong giới hạn cửa sổ ngữ cảnh. Vì mô hình chỉ xử lý văn bản, tất cả tin nhắn phải chứa nội dung văn bản. Cửa sổ ngữ cảnh lớn cho phép lịch sử trò chuyện rất dài, phù hợp với các phiên tương tác kéo dài. Nên sử dụng stream cho đầu ra dài hơn vài nghìn token để tránh hết thời gian chờ.
Điểm chuẩn cụ thể cho checkpoint chính xác này (2026-05-20) không được cung cấp trong mục danh mục này. Dòng Qwen trong lịch sử đã hoạt động cạnh tranh trên các điểm chuẩn về lập luận, lập trình và hiểu ngôn ngữ. Chúng tôi khuyến nghị đánh giá mô hình trên các tác vụ đại diện của riêng bạn để đánh giá hiệu suất. OrcaRouter cung cấp một sân chơi nơi bạn có thể kiểm tra mô hình với các lời nhắc của mình mà không phải chịu phí ngoài việc sử dụng token. Cửa sổ ngữ cảnh lớn của mô hình có thể cải thiện hiệu suất trên các tác vụ yêu cầu phụ thuộc xa, nhưng không có số liệu công bố, người dùng nên tự thực hiện xác thực của mình. Các điểm chuẩn như MMLU, HumanEval hoặc GSM8K thường được sử dụng để so sánh nhưng không được trích dẫn ở đây.
Độ trễ phụ thuộc vào tổng số token đầu vào và đầu ra, cũng như tải máy chủ tại thời điểm yêu cầu. Do Qwen3.7 Max xử lý tới 1.000.000 token trong ngữ cảnh, các yêu cầu có đầu vào rất lớn có thể mất nhiều thời gian hơn để xử lý do tính toán attention. Thời gian đến token đầu tiên điển hình cho đầu vào có độ dài vừa phải (ví dụ: 10.000 token) là hàng chục giây, nhưng con số chính xác không được công bố công khai. Streaming có thể giảm độ trễ cảm nhận bằng cách trả về các token ngay khi chúng được tạo ra. Để có hiệu suất tối ưu, hãy giữ cho prompt đầu vào ngắn gọn khi có thể. Hạ tầng của OrcaRouter được tối ưu hóa để giảm thiểu chi phí; hãy liên hệ hỗ trợ nếu bạn cần đảm bảo độ trễ cho các trường hợp sử dụng sản xuất.
Điểm mạnh chính của nó là cửa sổ ngữ cảnh 1.000.000 token, cho phép xử lý các tài liệu rất dài trong một yêu cầu duy nhất. Giới hạn đầu ra 64.000 token cũng nằm trong số cao nhất hiện có. Mô hình được xây dựng trên kiến trúc Qwen của Alibaba, vốn đã chứng tỏ hiệu suất mạnh mẽ trong các tác vụ suy luận, lập trình và kiến thức tổng quát. Mức định giá không biên lợi nhuận thông qua OrcaRouter có nghĩa là bạn chỉ trả theo giá của nhà cung cấp mà không có thêm phí. Đối với các quy trình làm việc yêu cầu duy trì tính mạch lạc trên các chuỗi cực dài—chẳng hạn như phân tích cấp độ sách hoặc tạo mã nguồn quy mô lớn—mô hình này là một lựa chọn hàng đầu. Trọng tâm chỉ có văn bản giúp giữ chi phí thấp hơn so với các mô hình đa phương tiện có kích thước ngữ cảnh tương tự.
Mô hình chỉ hỗ trợ văn bản; không thể xử lý hình ảnh, âm thanh hoặc video. Mức giá của nó, mặc dù cạnh tranh trong cùng phân khúc, nhưng cao hơn so với các mô hình nhỏ hơn: $1.25/1M đầu vào và $3.75/1M đầu ra. Đối với các tác vụ có ngữ cảnh ngắn, các mô hình rẻ hơn sẽ tiết kiệm chi phí hơn. Không có khả năng đa phương thức, vì vậy các ứng dụng yêu cầu thị giác hoặc giọng nói phải sử dụng các mô hình khác. Điểm chuẩn không được cung cấp ở đây, vì vậy bạn không thể dựa vào các bảng xếp hạng của bên thứ ba; bạn phải tự kiểm tra mô hình. Mô hình là một checkpoint từ tháng 5 năm 2026; kiến thức có thể lỗi thời đối với các sự kiện rất gần đây. Cuối cùng, cửa sổ ngữ cảnh lớn có thể làm tăng độ trễ và chi phí tính toán, đặc biệt nếu đầu vào gần giới hạn 1M.
Giá cả rất đơn giản: $1.25 cho mỗi 1,000,000 token đầu vào và $3.75 cho mỗi 1,000,000 token đầu ra. Các mức giá này là giá của nhà cung cấp; OrcaRouter không thêm phụ phí. Không có phí đăng ký hàng tháng hay cam kết tối thiểu. Bạn được tính phí dựa trên lượng token thực tế được đo bằng bộ tokenizer của mô hình. Token đầu vào bao gồm tin nhắn hệ thống, tin nhắn người dùng và bất kỳ lịch sử hội thoại nào. Token đầu ra chỉ bao gồm văn bản được tạo ra. Cửa sổ ngữ cảnh lớn có nghĩa là ngay cả một yêu cầu đơn lẻ cũng có thể tiêu thụ một lượng token đáng kể. Ví dụ, một yêu cầu với 500,000 token đầu vào và 10,000 token đầu ra có chi phí (500k * $1.25 + 10k * $3.75)/1M = $0.625 + $0.0375 = $0.6625.
Sự đánh đổi chính là chi phí so với khả năng. Mặc dù Qwen3.7 Max cung cấp độ dài ngữ cảnh và đầu ra tốt nhất trong phân khúc, nhưng nó đắt hơn các mô hình nhỏ hơn với cửa sổ ngắn hơn. Nếu các yêu cầu điển hình của bạn sử dụng ít hơn 100.000 token ngữ cảnh và ít hơn 10.000 token đầu ra, bạn có thể trả ít hơn khi sử dụng mô hình như Qwen3.5-14B hoặc Qwen3-72B nếu có. Tuy nhiên, nếu bạn cần tránh việc chia nhỏ các tài liệu dài, chi phí xử lý toàn bộ tài liệu trong một lần gọi có thể được bù đắp bởi độ chính xác và sự đơn giản tăng lên. Định giá không chênh lệch có nghĩa là bạn không phải trả thêm phí cho lớp API; bạn chỉ trả theo mức giá của nhà cung cấp. Không có thông tin chi tiết về bộ nhớ đệm—hãy liên hệ với bộ phận hỗ trợ OrcaRouter để biết các tùy chọn bộ nhớ đệm hiện tại có thể giảm chi phí cho các lời nhắc lặp lại.
Để ước tính chi phí, hãy tính số lượng token đầu vào và token đầu ra trung bình cho mỗi yêu cầu. Sử dụng công thức: chi phí = (input_tokens * 1.25 + output_tokens * 3.75) / 1.000.000. Ví dụ, một yêu cầu với 200.000 token đầu vào và 5.000 token đầu ra có chi phí là (200k * 1.25 + 5k * 3.75)/1M = $0.25 + $0.01875 = $0.26875. Đối với xử lý hàng loạt, nhân với số lượng yêu cầu. Bảng điều khiển sử dụng của OrcaRouter cung cấp số lượng token theo thời gian thực và phân tích chi phí. Vì không có phụ phí, chi phí bạn thấy chính là chi phí của nhà cung cấp. Bạn có thể đặt giới hạn ngân sách trong cài đặt khóa API của mình để tránh các khoản phí bất ngờ. Đối với sử dụng sản xuất khối lượng lớn, hãy cân nhắc thương lượng giảm giá theo khối lượng trực tiếp với nhà cung cấp (không qua OrcaRouter).
Không. OrcaRouter không thu phí nền tảng, không tính phụ phí, không phí hàng tháng và không yêu cầu cam kết tối thiểu. Bạn chỉ trả tiền cho lượng token bạn sử dụng theo mức giá công bố của nhà cung cấp. Sẽ không có phí cho các yêu cầu thất bại hoặc hết thời gian chờ (mặc dù token đã tiêu thụ trước khi hết thời gian chờ có thể vẫn bị tính phí). Xác thực qua khóa API, được tạo miễn phí. Bạn có thể bắt đầu sử dụng Qwen3.7 Max ngay lập tức bằng cách nạp tiền vào tài khoản OrcaRouter của mình. URL cơ sở và ID mô hình ổn định; không có chi phí ẩn nào tồn tại. Đối với khách hàng doanh nghiệp, có sẵn hợp đồng tùy chỉnh nhưng không bắt buộc. Luôn xem lại trang giá mới nhất trên trang web của OrcaRouter vì giá có thể thay đổi, mặc dù các cập nhật nhanh chóng được thực hiện cho danh mục.
Sử dụng API tương thích OpenAI với URL cơ sở https://api.orcarouter.ai/v1, ID mô hình "qwen/qwen3.7-max-2026-05-20". Xác thực sử dụng khóa API được cung cấp trong bảng điều khiển OrcaRouter. Ví dụ sử dụng 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":"Giải thích tính toán lượng tử trong 50 từ."}], max_tokens=100 ) print(response.choices[0].message.content) ``` Đảm bảo bạn đặt tham số `max_tokens` theo độ dài đầu ra mong muốn, tối đa 64.000.
API OrcaRouter hỗ trợ các tham số hoàn tất chat chuẩn của OpenAI: `model`, `messages`, `max_tokens`, `temperature`, `top_p`, `n`, `stop`, `stream`, `presence_penalty`, `frequency_penalty`, `logit_bias` và `user`. `temperature` kiểm soát tính ngẫu nhiên (0–2, mặc định 1). `top_p` là lấy mẫu hạt nhân (nucleus sampling). `stop` xác định các chuỗi dừng việc sinh. `stream` cho phép xuất từng token một. `max_tokens` có thể đặt tối đa 64.000. Tổng số token prompt + token sinh ra không được vượt quá cửa sổ ngữ cảnh 1.000.000. Nếu tổng vượt quá, API sẽ trả về lỗi. Bạn có thể điều chỉnh lượng token sử dụng bằng cách cắt bớt lịch sử tin nhắn hoặc dùng prompt ngắn hơn.
Việc di chuyển đơn giản vì OrcaRouter sử dụng API tương thích với OpenAI. Thay đổi URL cơ sở trong mã hiện tại của bạn từ endpoint trước đó thành https://api.orcarouter.ai/v1. Cập nhật ID mô hình thành "qwen/qwen3.7-max-2026-05-20". Thay thế khóa API của bạn bằng khóa từ OrcaRouter. Không cần thay đổi định dạng yêu cầu; cấu trúc tin nhắn, tham số và logic truyền phát tương tự vẫn hoạt động. Nếu trước đây bạn đã sử dụng ID mô hình khác cho cùng checkpoint Qwen3.7 Max, hãy điều chỉnh cho phù hợp. OrcaRouter cũng cung cấp chế độ proxy để chuyển hướng yêu cầu mà không cần thay đổi mã; liên hệ bộ phận hỗ trợ để biết chi tiết. Hãy kiểm tra bằng một vài lệnh gọi để xác minh hành vi trước khi chuyển lưu lượng sản xuất.
Xác thực được thực hiện bằng cách sử dụng khóa API được truyền trong header HTTP Authorization: `Authorization: Bearer YOUR_API_KEY`. Bạn có thể lấy khóa API từ bảng điều khiển OrcaRouter sau khi tạo tài khoản. Khóa phải được giữ bí mật và không được để lộ trong mã phía máy khách. OrcaRouter hỗ trợ giới hạn tốc độ và theo dõi sử dụng theo từng khóa. Nếu bạn cần đồng thời cao hơn, hãy yêu cầu khóa có giới hạn tăng lên. Không có bước xác thực bổ sung; chỉ cần khóa là đủ để cấp quyền truy cập. Để bảo mật, hãy luân chuyển khóa thường xuyên và sử dụng biến môi trường để lưu trữ chúng. Khóa không gắn với một mô hình cụ thể; sử dụng cùng một khóa bạn có thể truy cập bất kỳ mô hình nào có sẵn trên OrcaRouter.
Qwen3.7 Max là mô hình lớn nhất trong dòng Qwen3.7, cung cấp cửa sổ ngữ cảnh dài nhất (1 triệu token) và giới hạn đầu ra cao nhất (64k). Các mô hình Qwen3.7 tiêu chuẩn thường có cửa sổ ngữ cảnh nhỏ hơn (ví dụ: 128k hoặc 32k) và giới hạn đầu ra thấp hơn (thường là 8k hoặc 16k). Biến thể Max được tối ưu hóa cho các tác vụ quy mô cực lớn. Giá thành cao hơn so với các mô hình Qwen nhỏ hơn; ví dụ, Qwen3.7-72B có thể có chi phí thấp hơn cho mỗi token. Hiệu suất về lý luận và lập trình được dự kiến là tương đương hoặc tốt hơn một chút nhờ quy mô lớn hơn, mặc dù không có so sánh cụ thể nào được cung cấp. Đối với hầu hết khối lượng công việc, các mô hình nhỏ hơn mang lại hiệu quả chi phí tốt hơn; Qwen3.7 Max được khuyến nghị dành cho các tác vụ thực sự cần đến ngữ cảnh và đầu ra khổng lồ của nó.
Qwen3.7 Max có cửa sổ ngữ cảnh lớn hơn (1 triệu token) so với GPT-4 Turbo (128k) và Claude 3.5 (200k). Giới hạn đầu ra 64k token của nó cũng vượt quá các mô hình này (thường 4k-8k). Tuy nhiên, GPT-4 và Claude hỗ trợ đầu vào đa phương thức (hình ảnh, tài liệu), trong khi Qwen3.7 Max chỉ hỗ trợ văn bản. Giá cả: Qwen3.7 Max ở mức $1.25/$3.75 cho mỗi 1 triệu token thường rẻ hơn GPT-4 Turbo ($10/$30) và cạnh tranh với Claude 3.5 Haiku ($0.25/$1.25) mặc dù có chi phí trên mỗi token đầu ra cao hơn. Sự lựa chọn phụ thuộc vào việc bạn cần khả năng đa phương thức hay độ dài ngữ cảnh cực lớn. Đối với các tác vụ văn bản thuần túy dài, Qwen3.7 Max có thể phù hợp và tiết kiệm chi phí hơn GPT-4 hoặc Claude khi bạn tính đến nhu cầu phân đoạn các mô hình đó.
Chọn Qwen3.7 Max khi tác vụ của bạn yêu cầu xử lý hơn 200.000 token ngữ cảnh trong một lần, hoặc khi bạn cần tạo đầu ra dài hơn 10.000 token. Đây cũng là lựa chọn tốt nếu bạn muốn tránh sự phức tạp của việc chia nhỏ tài liệu. Đối với các tác vụ có nhu cầu ngữ cảnh nhỏ hơn, các mô hình khác trên OrcaRouter—như Qwen3.5-7B, Qwen3-72B, hoặc Llama 3.1-405B—cung cấp độ trễ và chi phí thấp hơn. Chính sách giá không chênh lệch trên OrcaRouter có nghĩa là bạn có thể thử nghiệm nhiều mô hình mà không lo về phụ phí nền tảng. Nếu bạn cần khả năng đa phương thức, hãy cân nhắc các mô hình Qwen-VL hoặc GPT-4V. Luôn đo điểm chuẩn cho trường hợp sử dụng cụ thể của bạn để tìm ra sự cân bằng chi phí - hiệu suất tốt nhất.
Qwen3.7 Max là một mô hình độc quyền được truy cập qua API. Các mô hình mã nguồn mở như Qwen2.5-72B hay Llama 3.1 có thể được tự triển khai, giúp giảm chi phí mỗi token khi khối lượng sử dụng cao. Tuy nhiên, tự triển khai đòi hỏi phần cứng GPU, bảo trì và chuyên môn về mở rộng hệ thống. Cửa sổ ngữ cảnh 1M của Qwen3.7 Max lớn hơn hầu hết các mô hình mã nguồn mở (thường là 128k hoặc ít hơn) và đầu ra 64k của nó cũng vượt quá những gì nhiều mô hình mở hỗ trợ. Mô hình API cũng được hưởng lợi từ cơ sở hạ tầng được quản lý, cập nhật tự động và không cần đầu tư ban đầu. Đối với các nhóm không có nhiều kinh nghiệm vận hành ML, lộ trình API với Qwen3.7 Max mang lại khả năng tiên tiến ngay lập tức. Đối với các khối lượng công việc có thể dự đoán cao, tự triển khai một mô hình nhỏ hơn có thể rẻ hơn, nhưng bạn sẽ mất đi lợi thế về ngữ cảnh lớn.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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)| 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.
GET /api/public/models/qwen/qwen3.7-max-2026-05-20Mở @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