Qwen3.7-Max（2026-05-20 快照）——阿里云旗舰级专有智能体时代模型的带日期检查点，固定用于可复现的生产工作负载。原生 100 万 token 上下文窗口，具备针对智能体任务调优的扩展思考模式（并支持跨轮次 preserve_thinking）。在编码（SWE-Verified、SWE-Pro、Terminal-Bench）、推理（GPQA Diamond、HMMT、IMO）、工具使用（BFCL、MCP-Mark、MCP-Atlas）以及多语言基准（覆盖 55 种语言的 WMT24++）方面取得前沿水平成果。专为长时间自主执行而设计，并在包括 Claude Code、OpenClaw 和 Qwen Code 在内的智能体框架中保持行为一致性。当您需要跨版本稳定行为时，请使用此固定版本；需要滚动别名时，请使用 qwen/qwen3.7-max。
Qwen3.7 Max 是阿里巴巴 Qwen 系列的大语言模型，具体为 2026 年 5 月 20 日发布的检查点。它是一个仅解码器的 transformer，针对文本输入和文本输出进行了优化。该模型托管在 OrcaRouter 上，通过兼容 OpenAI 的 API 访问，基础 URL 为 https://api.orcarouter.ai/v1。开发者使用模型 ID…
Qwen3.7 Max在文本生成、推理、摘要、问答和代码生成方面表现出色。其大上下文窗口使其能够处理诸如阅读整本书然后回答关于书的详细问题，或分析完整的代码库以识别错误等任务。该模型可以遵循嵌入在系统提示中的复杂多步指令，这些指令可能包含数千个token。它通过兼容OpenAI的API支持标准生成参数，例如temperature、top_p、max_tokens和停止序列。由于它是纯文本模型，因此无法执行图像识别、音频转录或其他多模态任务。对于需要极长上下文或输出的文本任务，Qwen3.7 Max是一个强有力的选择。
该模型的最佳使用场景集中在长上下文、高输出的工作负载上。例如：一次性总结一份500页的法律合同；根据简要大纲生成50,000字的技术手册；对大量研究论文进行深度事实核查；以及为训练其他模型生成需要长序列的合成数据。处理代码库的开发者可以要求模型重构整个文件或编写覆盖多个函数的单元测试。该模型同样适用于需要在超长对话中维持上下文的对话智能体，但请注意输出限制为64,000个token。对于短上下文的任务，OrcaRouter上的较小模型可能在延迟和成本效率方面更具优势。
尽管Qwen3.7 Max提供了极长的上下文和输出长度，但其每token的定价高于许多较小模型。若您的任务需要小于32,000 token的上下文窗口和小于4,000 token的输出，建议选用更经济的模型，例如Qwen3.5-7B或OrcaRouter上的其他轻量级LLM。此外，如果不需要大模型的推理能力，较小的模型也可能足够。对于延迟敏感的应用，小型模型还能提供更快的响应时间。请始终评估您典型的请求规模和复杂度；对琐碎任务使用大模型会导致不必要的成本。OrcaRouter的定价页面列出了所有可用模型，以便进行对比。
是的，Qwen3.7 Max 支持通过兼容 OpenAI 的 API 进行流式响应。您可以将 `stream` 参数设置为 `true` 来增量接收 token，从而改善长内容生成时的用户体验。该模型在 Chat Completions 端点也表现良好，可接受标准格式的消息（system、user、assistant 角色）。在上下文窗口限制内支持多轮对话。由于模型仅支持文本，所有消息必须包含文本内容。较大的上下文窗口允许极长的对话历史，适合长时间的交互会话。建议在输出超过数千个 token 时使用流式以避免超时。
此目录条目未提供此特定检查点（2026-05-20）的具体基准测试分数。Qwen系列在推理、编程和语言理解基准测试中历来表现具有竞争力。我们建议用户在自有代表性任务上评估模型以衡量性能。OrcaRouter提供了一个游乐场，您可以在其中用提示测试模型，且仅按token使用量收费，无额外费用。模型的大上下文窗口可能提升需要长程依赖关系的任务性能，但鉴于未公布数据，用户应自行验证。MMLU、HumanEval或GSM8K等基准测试常用于对比，但此处未引用。
延迟取决于输入和输出令牌的总数，以及请求时的服务器负载。由于Qwen3.7 Max最多可处理100万个令牌的上下文，因此输入量非常大的请求可能会因注意力计算而需要更长的处理时间。对于中等长度的输入（例如10,000个令牌），典型的首令牌生成时间为数十秒，但具体数值未公开。流式传输可以通过在生成令牌时即时返回来减少感知延迟。为了获得最佳性能，请尽可能保持输入提示简洁。OrcaRouter的基础设施经过优化以最大限度地减少开销；如果生产场景需要延迟保证，请联系技术支持。
主要优势在于其100万令牌的上下文窗口，允许在单次请求中处理非常长的文档。64,000令牌的输出限制也是现有最高之一。该模型基于阿里巴巴的Qwen架构构建，该架构在推理、编码和常识任务上表现出强劲性能。通过OrcaRouter的零加价定价意味着您只需支付提供商的价格，无需额外费用。对于需要在极长序列上保持连贯性的工作流——例如书籍级分析或大规模代码生成——该模型是领先的选择。其仅文本的专注有助于保持成本低于具有类似上下文大小的多模态模型。
该模型仅支持文本；无法处理图像、音频或视频。其定价虽然在其类别中具有竞争力，但高于较小模型：输入每百万token $1.25，输出每百万token $3.75。对于短上下文的任务，更便宜的模型更具成本效益。不具备多模态能力，因此需要视觉或语音的应用必须使用其他模型。此处未提供基准测试分数，因此您不能依赖第三方排名；您必须亲自测试该模型。该模型是2026年5月的检查点；对于最近的事件，知识可能已过时。最后，大上下文窗口可能会增加延迟和计算成本，尤其是当输入接近1M限制时。
定价简明清晰：输入令牌每1,000,000个1.25美元，输出令牌每1,000,000个3.75美元。这些价格是提供商自身定价；OrcaRouter不加任何加价。无需按月订阅费用或最低消费承诺。您只需根据模型分词器实际测量的令牌用量付费。输入令牌包括系统消息、用户消息以及任何对话历史记录。输出令牌仅包含生成的文本。较大的上下文窗口意味着即使单次请求也可能消耗大量令牌。例如，一次包含500,000个输入令牌和10,000个输出令牌的请求，费用为(500k * $1.25 + 10k * $3.75)/1M = $0.625 + $0.0375 = $0.6625。
主要权衡在于成本与能力。虽然Qwen3.7 Max提供了一流的上下文和输出长度，但其价格高于窗口较短的较小模型。如果您的典型请求使用少于100,000个上下文令牌和少于10,000个输出令牌，使用Qwen3.5-14B或Qwen3-72B（如果可用）这样的模型可能会支付更少。然而，如果您需要避免对长文档进行分块处理，将整个文档一次性处理所付出的成本或许会因更高的准确性和简化性而物有所值。零加价定价意味着您无需为API层支付额外费用；只需支付提供商的价格。未提供缓存详细信息——请联系OrcaRouter支持以获取当前可能降低重复提示成本的缓存选项。
为估算成本，计算每次请求的平均输入令牌数和输出令牌数。使用公式：成本 = (输入令牌数 * 1.25 + 输出令牌数 * 3.75) / 1,000,000。例如，一次包含200,000个输入令牌和5,000个输出令牌的请求，其成本为(200k * 1.25 + 5k * 3.75)/1M = $0.25 + $0.01875 = $0.26875。对于批量处理，乘以请求次数。OrcaRouter的使用仪表盘提供实时代币数量和成本明细。由于没有加价，您看到的成本即为提供商的成本。您可以在API密钥设置中设置预算上限，避免意外费用。对于高用量生产环境，考虑直接与提供商（而非通过OrcaRouter）协商批量折扣。
不。OrcaRouter不收取平台费、无加价、无月费、无最低承诺。您仅需按提供商公布的价格为您使用的令牌付费。失败请求或超时不收费（但超时前消耗的令牌可能仍会被计费）。认证通过API密钥进行，创建密钥免费。您只需向OrcaRouter账户充值，即可立即开始使用Qwen3.7 Max。基础URL和模型ID保持稳定；无隐藏成本。对于企业客户，可提供定制合同，但并非必需。请始终查看OrcaRouter网站上的最新定价页面，因为费率可能发生变化，不过我们会及时更新目录。
使用兼容OpenAI的API，基础URL为https://api.orcarouter.ai/v1，模型ID为"qwen/qwen3.7-max-2026-05-20"。认证使用OrcaRouter仪表盘中提供的API密钥。Python示例： ```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":"用50字解释量子计算。"}], max_tokens=100 ) print(response.choices[0].message.content) ``` 请确保将`max_tokens`参数设置为你期望的输出长度，最大可达64,000。
OrcaRouter API 支持标准的 OpenAI 聊天补全参数：`model`、`messages`、`max_tokens`、`temperature`、`top_p`、`n`、`stop`、`stream`、`presence_penalty`、`frequency_penalty`、`logit_bias` 和 `user`。`temperature` 控制随机性（0–2，默认 1）。`top_p` 是核采样参数。`stop` 定义停止生成的序列。`stream` 启用逐 token 输出。`max_tokens` 最多可设置为 64,000。提示词和生成 token 的总数不得超过 1,000,000 的上下文窗口。如果总合超出该限制，API 将返回错误。您可以通过裁剪消息历史或使用更短的提示词来调整 token 用量。
迁移非常简单，因为OrcaRouter使用与OpenAI兼容的API。将现有代码中的基础URL从之前的端点更改为https://api.orcarouter.ai/v1。将模型ID更新为"qwen/qwen3.7-max-2026-05-20"。将你的API密钥替换为OrcaRouter提供的密钥。无需更改请求格式；相同的消息结构、参数和流式逻辑均可正常工作。如果你之前为相同的Qwen3.7 Max检查点使用了不同的模型ID，请相应调整。OrcaRouter还提供代理模式，可在不修改代码的情况下重定向请求；联系支持团队获取详情。在切换生产流量之前，先进行少量调用测试以验证行为。
认证通过HTTP Authorization头部传递的API密钥进行：`Authorization: Bearer YOUR_API_KEY`。您可以在创建账户后从OrcaRouter仪表盘获取API密钥。该密钥必须保密，不应暴露于客户端代码中。OrcaRouter支持按密钥的速率限制和使用跟踪。如果需要更高的并发量，请申请具有更高限制的密钥。无需额外的认证步骤，仅凭密钥即可获得访问权限。为安全起见，请定期轮换密钥并使用环境变量存储它们。密钥不与特定模型绑定；使用同一密钥您可以访问OrcaRouter上可用的任何模型。
Qwen3.7 Max 是 Qwen3.7 系列中规模最大的模型，提供最长的上下文窗口（100万 tokens）和最高的输出限制（64k）。标准 Qwen3.7 模型通常具有较小的上下文窗口（例如 128k 或 32k）以及较低的输出上限（通常为 8k 或 16k）。Max 变体专为超大规模任务进行了优化。其定价高于较小的 Qwen 模型；例如，Qwen3.7-72B 的每 token 成本可能更低。由于规模更大，在推理和编码方面的性能预计相当或略有提升，但未提供具体对比。对于大多数工作负载，较小的模型性价比更高；Qwen3.7 Max 最适合用于真正需要其超大上下文和输出的任务。
Qwen3.7 Max 拥有更大的上下文窗口（100万 tokens），超过 GPT-4 Turbo（12.8万）和 Claude 3.5（20万）。其 6.4万 tokens 的输出限制也高于这些模型（通常为 4k-8k）。不过，GPT-4 和 Claude 支持多模态输入（图像、文档），而 Qwen3.7 Max 仅支持文本。定价方面：Qwen3.7 Max 每百万 tokens 收费 1.25美元/3.75美元，总体低于 GPT-4 Turbo（10美元/30美元），与 Claude 3.5 Haiku（0.25美元/1.25美元）相比具有竞争力，尽管其输出 token 成本更高。选择取决于您需要多模态能力还是极长的上下文长度。对于纯文本的长文档任务，考虑到其他模型需要分块处理，Qwen3.7 Max 可能比 GPT-4 或 Claude 更合适且更具成本效益。
当任务需要在单次处理中处理超过20万token的上下文，或需要生成超过1万token的输出时，请选择Qwen3.7 Max。如果您希望避免将文档分块的复杂性，这也是一个不错的选择。对于上下文需求较小的任务，OrcaRouter上的其他模型（如Qwen3.5-7B、Qwen3-72B或Llama 3.1-405B）能提供更低的延迟和成本。OrcaRouter的零加价定价意味着您可以尝试多种模型，无需担心平台附加费。如果您需要多模态能力，请考虑Qwen-VL或GPT-4V模型。请始终针对您的具体用例进行基准测试，以找到最佳性价比。
Qwen3.7 Max 是一款通过 API 访问的专有模型。像 Qwen2.5-72B 或 Llama 3.1 这样的开源模型可以自行托管，在高用量场景下可能降低每 token 成本。然而，自行托管需要 GPU 硬件、运维和扩展方面的专业知识。Qwen3.7 Max 的 100 万 token 上下文窗口大于大多数开源模型（通常为 128k 或更少），其 64k 输出也超出了许多开放模型的支持范围。API 模型还受益于托管基础设施、自动更新以及无需前期投入。对于没有丰富 ML Ops 经验的团队，使用 Qwen3.7 Max 的 API 路线可以立即获得前沿能力。对于可预测的高负载工作负载，自行托管一个较小的模型可能更便宜，但会失去大上下文窗口的优势。
兼容 OpenAI——沿用你现有的 SDK
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)| 输入 / 1M tokens | $1.25 |
| 输出 / 1M tokens | $3.75 |
| 缓存读取 / 1M | $0.250 |
| 缓存写入 / 1M | $1.563 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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