Qwen3.7 Max 模型介绍、API 接口 & 代码示例
qwen/qwen3.7-max
Qwen3.7 Max 是 Qwen3.7 系列中规模最大、综合能力最强的 Max 模型,当前开放纯文本模型能力供体验。Qwen3.7 是面向智能体时代的新一代旗舰模型,核心优势在于智能体能力的广度与深度:在编程、办公与生产力、长周期自主执行方面均能出色胜任各项任务。
- 模型 ID
- qwen/qwen3.7-max
- 模型系列
- Qwen
- 更新日期
- 模型能力
- 文本生成、深度思考
- 上下文长度
- 1024 K
- 模型价格(每 1000 tokens 输入)
- ¥ 0.0129
- 模型价格(每 1000 tokens 输出)
- ¥ 0.0385
Qwen3.7 Max 模型介绍:
Qwen3.7 Max 是一款面向智能体时代打造的最新专有模型,被设计为通用的智能体基座:既能编写与调试代码、自动化办公流程,也能在数百乃至数千步的尺度上维持自主执行。
Qwen3.7 Max 的差异化在于智能体能力的广度与深度。作为编程智能体,它从前端原型到复杂多文件工程均表现优异;通过 MCP 集成与多智能体编排,它是可靠的办公与生产力助手;在极长视野上能保持连贯推理——例如一次历时约 35 小时、包含逾 1,000 次工具调用的完全自主内核优化。它还能跨智能体脚手架泛化,无论通过 Claude Code、OpenClaw、Qwen Code 还是其他框架部署,表现都保持一致。
- 前沿编程智能体:从前端原型到复杂软件工程
- 通过 MCP 与多智能体编排实现的办公生产力与工作流自动化
- 在长程任务上的持续自主执行
- 跨多种智能体框架的脚手架泛化
性能表现


评测说明
- Terminal-Bench 2.0:Harbor/Terminus-2 脚手架;5 小时超时,12 CPU / 24 GB RAM;temp=1.0,top_p=0.95,top_k=20,max_tokens=80K,256K 上下文;5 次运行取平均。所有实验在每轮前追加一个 token,由模型自行决定是否启用扩展思考。
- SWE-Bench 系列:内部智能体脚手架(bash + 文件编辑工具);temp=1.0,top_p=0.95,200K 上下文窗口。
- SWE-bench Pro:修正有问题的任务,所有基线在精炼后的 benchmark 上评测。
- NL2Repo:通过 Claude Code 评测;禁用试图访问特定仓库的 Bash 命令(如 pip download、pip install、git clone)。
- QwenWebDev:内部前端代码生成 benchmark;中英双语,7 个类别;自动渲染 + 多模态评判;BT/Elo 评分。
- QwenClawBench:真实用户分布的 Claw 智能体 benchmark;开源:https://github.com/SKYLENAGE-AI/QwenClawBench
- CoWorkBench:内部协作 benchmark;涵盖计算机科学、金融、法律、医疗等生产力领域的长程任务。
- SkillsBench:通过 OpenCode 在 78 项任务上评测(排除 9 项依赖外部 API 的任务);5 次运行取平均。
- MCP-Mark:GitHub MCP v0.30.3;Playwright 响应截断至 32K tokens。
- MCP-Atlas:公开集分数;gemini-2.5-pro 作为评判模型。
- VITA-Bench:各子域平均分;使用 claude-4.5-sonnet 作为评判模型(旧版官方评判器已不可用)。
- Kernel Bench L3:报告指标:50 道题上相对 PyTorch eager 参考实现的中位加速比 / 快于 torch.compile 的题目比例。每道样本在隔离 Docker 容器中运行,单张 H100 80GB GPU;网络仅限 CUTLASS 代码库与官方 CUDA 文档;最多 500 次工具调用,连续 100 轮无改进则提前停止。使用 GPT-5.4(xhigh)检测潜在作弊行为;CUPTI 用于内核级计时。
- QwenWorldBench:评估 LLM 作为世界模型以模拟智能体环境的内部 benchmark;7 个域(Terminal、SWE、MCP、Search、OS、Android、Web);基于真实环境反馈的开放式五维 rubric 评判。
- 推理场景:推荐系统提示:"Reasoning effort is set to xhigh. Please think carefully through the task, validate key assumptions, consider plausible alternatives, and prioritize correctness, consistency, and clarity in the final answer."
- MRCR-v2:使用含 8 个 needle 的 128K 上下文子集;评测协议来自 https://github.com/google-deepmind/eval_hub/tree/master/eval_hub/mrcr_v2
- WMT24++:更难 WMT24 子集;55 种语言经 XCOMET-XXL 取平均分。
- MAXIFE:英文 + 多语言提示(共 23 种设置)的准确率。
- MMLU-ProX:29 种语言的平均准确率。
- 空白单元格(--)表示分数尚未公布。
在编程智能体方面,Qwen3.7 Max 在 SWE-Pro(60.6)、SWE-Multilingual(78.3)、SciCode(53.5)和 QwenSVG(1608)上表现强劲。在 Terminal Bench 2.0-Terminus(69.7)上优于 DS-V4-Pro Max(67.9)。在 SWE-Verified(80.4)上与 Opus-4.6 Max(80.8)和 DS-V4-Pro Max(80.6)基本持平。
在通用智能体方面,提升更为显著。Qwen3.7 Max 在 MCP-Mark(60.8,对比 GLM-5.1 的 57.5)、MCP-Atlas(76.4,对比 Opus-4.6 的 75.8)和 Skillsbench(59.2,对比 K2.6 的 56.2)上表现突出,并在 Kernel Bench L3 上展现强劲的 GPU 内核优化能力(中位加速 1.98x,胜率 96%)。在 BFCL-V4(75.0)、Qwenclaw(64.3)和 ClawEval(65.2)上得分也很高,接近 Opus-4.6 Max。在办公自动化 benchmark SpreadSheetBench-v1 上取得 87 分的顶尖成绩。
在推理方面,Qwen3.7 Max 在 GPQA Diamond(92.4,对比 Opus-4.6 的 91.3)、HLE(41.4,对比 40)、HMMT 2026 Feb(97.1,对比 96.2)、IMOAnswerBench(90,对比 DS-V4-Pro 的 89.8)和 Apex(44.5,对比 DS-V4-Pro 的 38.3)上领先,在最难的推理 benchmark 上展现出卓越实力。
在通用能力与多语言方面,Qwen3.7 Max 在 IFBench(79.1,对比 DS-V4-Pro 的 77.0)上突出,体现精确的指令遵循。在 WMT24++(85.8)和 MAXIFE(89.2)上取得领先分数,印证顶尖的多语言理解与翻译质量。在 SuperGPQA(73.6)和 QwenWorldBench(57.3)上也有强劲表现。
值得注意的是,这些分数来自多种智能体脚手架。Qwen3.7 Max 并非针对单一框架优化,而是在 Claude Code、OpenClaw、Qwen Code 及自定义工具调用框架上均表现稳定,可作为任意智能体系统可靠即插即用的骨干模型。
Cowork 生产力助手
Qwen3.7 Max 可作为面向真实世界生产力的高级协作伙伴。其强大的智能体能力从根本上简化专业工作流——综合复杂信息、进行深入数据分析与建模、生成可发表级文档与可视化——从而可靠应对高复杂度的企业级工作负载。
Qwen3.7 Max 与主流智能体脚手架原生兼容。对于长程任务,它支持跨数小时会话的自主规划与持续执行;通过数千次工具调用与数十轮精炼迭代,稳步提升输出质量。通常需要专业团队一到两周才能完成的复杂项目,现可在数小时内端到端完成,带来可量化的生产力提升。
智能体规模扩展(Agent Scaling)
在 Qwen3.5 引入的环境规模扩展思路基础上,我们在 Qwen3.7 中继续大幅扩展智能体训练环境的质量与多样性。正如语言模型从多样化的预训练文本中泛化,我们发现智能体能力同样从多样化的训练环境中泛化。
如下图所示,环境规模扩展带来清晰、一致的提升轨迹,Qwen3.7 Max 的平均排名进入前三,接近 Claude-4.6-Opus-Max。关键在于,我们评测中的所有 benchmark 均采用训练中从未见过的、完全域外的环境。
我们还观察到规模行为具有显著的可预测性:任意 benchmark 子集上的性能增益高度一致,并能可靠预测其余 benchmark 或整体平均的相对增益,表明环境规模扩展驱动的是真实能力泛化,而非针对特定 benchmark 的过拟合。关于规模动态与方法论的进一步分析将在即将发布的技术报告中详述。

跨脚手架泛化(Cross-Harness Generalization)
我们的 Rollout 环境基础设施将每个训练实例解耦为三个可自由重组的正交组件——Task(任务)、Harness(脚手架) 和 Verifier(验证器)。我们支持多种脚手架及其演进版本,并将环境建立在真实世界设定而非合成代理之上。这种解耦设计实现组合式规模扩展:同一任务以极低的边际成本搭配不同类型的脚手架、版本与验证器。更关键的是,它支持跨脚手架、跨验证器的 RL 训练:模型在相同任务、不同脚手架配置下反复遭遇,从而被迫学习可泛化的问题求解策略,而非脚手架特定的捷径。在 QwenClawBench 与 CoWorkBench 上,无论评测时使用何种脚手架,Qwen3.7 Max 均表现强劲且稳定,证实模型学会的是解题,而非利用特定脚手架。
自然自进化(Self-Evolving in the Wild)
SGLang 中的 Extend Attention 是生产级、变长多头注意力算子。在我们的测试场景中,它在 MTP 下计算新生成 token 与最多 32K 条目的前缀 KV-cache 之间的注意力分数——这是 LLM 推理中内存受限、延迟关键的内核。参考实现为 SGLang 官方 Triton 实现。
我们让 Qwen3.7 Max 在配备平头哥 ZW-M890 PPU 的 ECS 实例上优化该内核——这是训练中从未见过的硬件平台。模型没有先验 profiling 数据、没有硬件文档、也没有该架构的示例内核。它从一个几乎空的工作区出发,仅包含任务描述、现有 SGLang 实现和评测脚本。
在约 35 小时的持续自主执行中,模型进行了 1,158 次工具调用、432 次内核评测。它完全自主地编写、编译、profiling 并迭代改进 Extend Attention 内核——诊断编译失败、修复正确性 bug、通过运行时 profiling 定位性能瓶颈,并多次重新设计内核架构。
最终结果:在多种工作负载上相对 Triton 参考实现取得 10.0x 几何平均加速。优化轨迹显示,远超最初数小时仍持续出现有意义的改进:模型在 30+ 小时后仍在发现有效优化,表明长程自主优化不仅可行,而且富有成效。
优化轨迹中的关键结构转变
我们在相同条件下用多个其他模型运行同一任务:GLM 5.1 达到 7.3x;Kimi K2.6 达到 5.0x;DeepSeek V4 Pro 达到 3.3x;Qwen3.6-Plus 达到 1.1x。提前停止的模型是因为智能体连续五轮未发起工具调用——模型判断无法继续进步并主动结束会话。
除在 PPU 上取得强劲的内核生成结果外,Qwen3.7 Max 还能在多种 NVIDIA GPU 上生成高质量、生产级内核。例如在 KernelBench L3 上,Qwen3.7 Max 能为 96% 的场景产出加速内核,对比 Opus-4.6 的 98%、GLM 5.1 的 78%、Kimi K2.6 的 80%、DeepSeek V4 Pro 的 54%、Qwen3.6-Plus 的 48%。
这一结果凸显 Qwen3.7 Max 作为长程自主智能体基座的两项特性:持续的长程推理——模型在逾千次工具调用中保持连贯的优化策略,不丢失上下文也不倒退;强劲的上下文内泛化——对从未见过的架构仍能产出有竞争力的内核,依赖运行时反馈而非记忆的硬件知识。
长程训练中的奖励作弊(Reward Hacking)监控
我们将 Qwen3.7 Max 集成到软件工程(SWE)任务的强化学习(RL)监控中,成功构建了奖励作弊(reward hacking)自监控与规则自进化框架。在超过 80 小时的 RL 实验中,模型自主检索并重放训练轨迹,执行逾 10,000 次调用。系统在规则验证、反例挖掘与迭代优化的同时,系统性地识别候选作弊模式(例如试图绕过约束以在 GitHub 上访问 ground-truth 答案)。
由此,Qwen3.7 Max 完成多轮规则自进化,新增 13 条启发式规则,并准确标记 1,618 例作弊。这不仅保障了 RL 奖励的稳定性,也促进了模型作为成熟软件工程智能体的持续自我改进。
创业管理中的长程规划与执行
在动态累积生存游戏(Dynamic Cumulative Survival Games)框架下,我们扩展了训练任务的时间复杂度,以专门强化长程规划与执行能力。这使智能体在超过一千步的序贯决策轨迹中保持策略一致性,能够持续构建假设、根据环境反馈动态调整策略,并积累长期经验与记忆。因此,智能体在漫长的时间跨度上保持稳定执行节奏,对上下文腐烂(context rot)与指令漂移(instruction drift)等常见问题更具韧性。
在 YC-Bench——模拟创业公司完整一年生命周期的 benchmark——中,智能体须在数百轮决策中应对人员管理、合同筛查、恶意客户识别等,同时在劳动力成本上升时维持利润率。Qwen3.7 Max 实现总收入 2.08M USD,为 Qwen3.6-Plus(1.05M USD)的 2 倍、Qwen3.5-Plus(352K USD)的 5.9 倍,并成功完成 237 项任务。除指标外,模型展现出跨上下文窗口的深度战略演化能力:主动探索潜在客户、识别并拉黑恶意陷阱、优先可靠收入流,并在中期危机后自主恢复,最终收敛为稳定、高效的执行闭环。
API 用法
Qwen3.7 Max 支持 preserve_thinking 特性:在消息中保留此前所有轮次的思考内容,推荐用于智能体类任务。
前端编程
Qwen3.7 Max 可根据单条提示生成丰富的交互式 Web 应用——包括 Three.js 3D 场景、Canvas 动画、完整页面布局与动态 SVG。
办公助手
Qwen3.7 Max 可通过工具集成充当智能办公助手。以下示例中,它读取大学论文格式规范,并自动重新排版杂乱草稿——修正页面布局、标题样式、字体、页边距、目录与参考文献格式——全部通过自主的 office-cli 工具调用完成。(示例论文为 AI 生成,仅作演示。)
由 LLM 驱动的物理世界导航智能体
Qwen3.7 Max 现已可通过工具调用操作机器狗——在物理环境中进行物理理解、规划、记忆与决策,由我们的机器人智能体脚手架 Qwen-RobotClaw、导航基座模型 Qwen-RobotNav,以及若干基于 Qwen-plus 构建的视觉工具驱动。
总结
Qwen3.7 Max 是 Qwen 系列面向智能体驱动工作流最通用、能力最强的模型。从编程与办公自动化到长程自主任务,它将前沿级推理、稳健的跨脚手架泛化,以及长时间保持高效执行的能力融为一体,为构建下一代 AI 智能体提供强大基座。
API 接口地址:
-
Chat Completions API:
https://wcode.net/api/gpt/v1/chat/completions
-
Responses API(部分模型可能不支持此API):
https://wcode.net/api/gpt/v1/responses
-
Anthropic API:
https://wcode.net/api/anthropic/v1/messages
此 API 接口兼容 OpenAI 的 API 接口规范,可直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下配置即可:
base_url替换为https://wcode.net/api/gpt/v1api_key替换为从 https://platform.wcode.net 获取到的 API Key具体可参考下方的各编程语言代码示例中的 OpenAI SDK 调用示例。
此模型支持 Anthropic / Claude 的 API 接口规范,可直接使用 Anthropic 的 SDK 来调用此模型。仅需替换以下配置即可:
ANTHROPIC_BASE_URL替换为https://wcode.net/api/anthropicANTHROPIC_API_KEY(或ANTHROPIC_AUTH_TOKEN)替换为从 https://platform.wcode.net 获取到的 API KeyANTHROPIC_MODEL(或model)替换为qwen/qwen3.7-max
请求方法:
POST
各编程语言代码示例:
# TODO: 以下代码中的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen/qwen3.7-max",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}'
import Foundation
let headers = [
"Authorization": "Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
]
let parameters = [
"model": "qwen/qwen3.7-max",
"messages": [
[
"role": "user",
"content": "你好"
]
]
] as [String : Any]
let postData = JSONSerialization.data(withJSONObject: parameters, options: [])
let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
cachePolicy: .useProtocolCachePolicy,
timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data
let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
if (error != nil) {
print(error as Any)
} else {
let httpResponse = response as? HTTPURLResponse
print(httpResponse)
}
})
dataTask.resume()
var headers = {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
"model": "qwen/qwen3.7-max",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
request.headers.addAll(headers);
http.StreamedResponse response = await request.send();
if (response.statusCode == 200) {
print(await response.stream.bytesToString());
}
else {
print(response.reasonPhrase);
}
require 'uri'
require 'net/http'
url = URI("https://wcode.net/api/gpt/v1/chat/completions")
http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true
request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY' # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request["content-type"] = 'application/json'
request.body = "{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"
response = http.request(request)
puts response.read_body
use serde_json::json;
use reqwest;
#[tokio::main]
pub async fn main() {
let url = "https://wcode.net/api/gpt/v1/chat/completions";
let payload = json!({
"model": "qwen/qwen3.7-max",
"messages": (
json!({
"role": "user",
"content": "你好"
})
)
});
let mut headers = reqwest::header::HeaderMap::new();
headers.insert("Authorization", "Bearer API_KEY".parse().unwrap()); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers.insert("content-type", "application/json".parse().unwrap());
let client = reqwest::Client::new();
let response = client.post(url)
.headers(headers)
.json(&payload)
.send()
.await;
let results = response.unwrap()
.json::<serde_json::Value>()
.await
.unwrap();
dbg!(results);
}
CURL *hnd = curl_easy_init();
curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");
struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);
curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
CURLcode ret = curl_easy_perform(hnd);
package main
import (
"fmt"
"strings"
"net/http"
"io"
)
func main() {
url := "https://wcode.net/api/gpt/v1/chat/completions"
payload := strings.NewReader("{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")
req, _ := http.NewRequest("POST", url, payload)
req.Header.Add("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
req.Header.Add("content-type", "application/json")
res, _ := http.DefaultClient.Do(req)
defer res.Body.Close()
body, _ := io.ReadAll(res.Body)
fmt.Println(res)
fmt.Println(string(body))
}
using System.Net.Http.Headers;
var client = new HttpClient();
var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");
request.Headers.Add("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.Content = new StringContent("{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");
var response = await client.SendAsync(request);
response.EnsureSuccessStatusCode();
Console.WriteLine(await response.Content.ReadAsStringAsync());
var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");
var request = new RestRequest("", Method.Post);
request.AddHeader("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.AddHeader("content-type", "application/json");
request.AddParameter("application/json", "{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);
var response = client.Execute(request);
const axios = require('axios');
let data = JSON.stringify({
"model": "qwen/qwen3.7-max",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
let config = {
method: 'post',
maxBodyLength: Infinity,
url: 'https://wcode.net/api/gpt/v1/chat/completions',
headers: {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
},
data : data
};
axios.request(config).then((response) => {
console.log(JSON.stringify(response.data));
}).catch((error) => {
console.log(error);
});
OkHttpClient client = new OkHttpClient();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\"model\":\"qwen/qwen3.7-max\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
Request request = new Request.Builder()
.url("https://wcode.net/api/gpt/v1/chat/completions")
.post(body)
.addHeader("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
.addHeader("content-type", "application/json")
.build();
Response response = client.newCall(request).execute();
$client = new \GuzzleHttp\Client();
$headers = [
'Content-Type' => 'application/json',
'Authorization' => 'Bearer API_KEY', // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
];
$body = '{
"model": "qwen/qwen3.7-max",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}';
$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);
$response = $client->sendAsync($request)->wait();
echo $response->getBody();
$curl = curl_init();
curl_setopt_array($curl, [
CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
CURLOPT_RETURNTRANSFER => true,
CURLOPT_ENCODING => "",
CURLOPT_MAXREDIRS => 5,
CURLOPT_TIMEOUT => 300,
CURLOPT_CUSTOMREQUEST => "POST",
CURLOPT_POSTFIELDS => json_encode([
'model' => 'qwen/qwen3.7-max',
'messages' => [
[
'role' => 'user',
'content' => '你好'
]
]
]),
CURLOPT_HTTPHEADER => [
"Authorization: Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type: application/json",
],
]);
$response = curl_exec($curl);
$error = curl_error($curl);
curl_close($curl);
if ($error) {
echo "cURL Error #:" . $error;
} else {
echo $response;
}
import requests
import json
url = "https://wcode.net/api/gpt/v1/chat/completions"
payload = {
"model": "qwen/qwen3.7-max",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}
headers = {
"Authorization": "Bearer API_KEY", # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
}
response = requests.post(url, json=payload, headers=headers)
print(json.dumps(response.json(), indent=4, ensure_ascii=False))
from openai import OpenAI
client = OpenAI(
base_url="https://wcode.net/api/gpt/v1",
api_key="API_KEY" # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
)
completion = client.chat.completions.create(
model="qwen/qwen3.7-max",
messages=[
{
"role": "user",
"content": "你好"
}
]
)
print(completion.choices[0].message.content)
各 AI 产品/工具/第三方应用接入示例:
配置 Hermes Agent 使用 Qwen3.7 Max 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
方式一:交互式配置
在命令行输入 hermes model,然后选择 Custom endpoint 选项,根据交互式命令引导,分别配置以下信息:
- API base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
qwen/qwen3.7-max
方式二:手动配置
修改 config.yaml(通常位于~/.hermes/config.yaml)
model:
default: "qwen/qwen3.7-max"
provider: custom
base_url: "https://wcode.net/api/gpt/v1"
api_key: "<API_KEY>"
context_length: 1024000
配置完成后,就可以开始使用 Hermes Agent ~
配置 Roo Code 使用 Qwen3.7 Max 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
qwen/qwen3.7-max
配置完成后,就可以开始使用 Roo Code ~
配置 Kilo Code 使用 Qwen3.7 Max 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
选择 Use your own API key,然后配置以下信息:
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
qwen/qwen3.7-max
配置完成后,就可以开始使用 Kilo Code ~
配置 Cline 使用 Qwen3.7 Max 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model ID:
qwen/qwen3.7-max
配置完成后,就可以开始使用 Cline ~
注:以下安装和配置过程以 Ubuntu Server 24.04 (root 用户) + Node 22 安装 OpenClaw 🦞 2026.3.8 为例
安装 🦞 OpenClaw(龙虾),步骤如下:
- 命令行执行
npm install -g openclaw@latest - 命令行执行
openclaw onboard --install-daemon - I understand this is personal-by-default and shared/multi-user use requires lock-down. Continue? 选择
yes - Onboarding mode 选择
QuickStart - Model/auth provider 选择
Skip for now - Default model 选择
Keep current (default: ...) - Select channel (QuickStart) 选择
Skip for now - Web search 选择
Skip for now - Configure skills now? (recommended) 选择
No - Enable hooks? (这是一个多选,按空格键可选中选项)按空格键选中
📝 command-logger和💾 session-memory这两个选项,然后按回车键进入下一步 - (如有) How do you want to hatch your bot? 选择
Hatch in TUI (recommended)
配置 🦞 OpenClaw(龙虾)使用 Qwen3.7 Max 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
推荐方式:修改 openclaw.json(通常位于~/.openclaw/openclaw.json)
找到openclaw.json的第一层级的models和agents属性(如果没有则在第一层级添加models和agents属性),改为如下配置:
{
...其他配置,
"models": {
"mode": "merge",
"providers": {
"wcode": {
"baseUrl": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>",
"api": "openai-completions",
"models": [
{
"id": "qwen/qwen3.7-max",
"name": "Qwen3.7 Max",
"reasoning": false,
"input": ["text"],
"contextWindow": 1024000,
"maxTokens": 64000
}
]
}
}
},
"agents": {
"defaults": {
"model": {
"primary": "wcode/qwen/qwen3.7-max"
}
}
},
...其他配置
}
完成以上配置后,
- 执行以下命令,即可通过命令行的方式开始对话:
openclaw tui
- 执行以下命令,即可通过 Web 界面的方式开始对话:
openclaw dashboard
配置 OpenCode 使用 Qwen3.7 Max 模型:
推荐方式:修改 opencode.json(通常位于~/.config/opencode/opencode.json)
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取的 API Key
配置如下:
{
"$schema": "https://opencode.ai/config.json",
"provider": {
"myprovider": {
"npm": "@ai-sdk/openai-compatible",
"name": "wcode",
"options": {
"baseURL": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>"
},
"models": {
"qwen/qwen3.7-max": {
"name": "Qwen3.7 Max"
}
}
}
}
}
完成以上配置后,执行以下命令,即可启动 OpenCode:
opencode
输入 /models,选择配置的 qwen/qwen3.7-max 模型并在 OpenCode 中使用。
API 响应示例(curl):
{
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "你好!我是通义千问(Qwen),由阿里巴巴集团通义实验室自主研发的大语言模型。关于您提到的具体模型版本信息,建议您访问通义千问的官方网站或查阅相关的技术报告以获取最准确的资讯。\n\n作为您的AI思考伙伴,我致力于为您提供清晰、准确且富有洞察力的帮助。我的核心能力主要包括以下几个方面:\n\n* **语言理解与创作**:在自然语言对话、多轮交互及内容创作上更加流畅自然,能够灵活适应各种复杂的应用场景。\n* **逻辑推理与数学**:全面强化了数学、自然科学和逻辑推理能力,能够准确拆解和处理高难度的推理任务。\n* **全栈代码赋能**:支持复杂代码的生成、理解与调试,可处理多阶段开发工作流,并能直接将创意转化为可运行的前端页面。\n* **长文本与深度视觉分析**:原生支持超长上下文窗口,能精准定位和理解数十万字的长文档;同时具备深度视觉分析能力,能够理清复杂图表、数学公式和科学图解的因果关系,提供结构化的专业解读。\n* **自主规划与专业解答**:支持自主多步规划、搜索和代码执行,能独立完成复杂的协调任务;并在医疗、法律等垂直领域提供高质量的专业回答。\n\n请问今天有什么我可以帮您的吗?无论是探讨问题、编写代码还是分析资料,我都随时准备为您提供支持。",
"reasoning_content": "思考过程:1. **分析用户的输入**:用户说“你好”。\n2. **识别意图和实体**:\n * 用户称呼我为“Qwen3.7 Max”。\n * 用户要求我介绍自己。\n3. **核对身份和约束**:\n * 我是“通义千问”(Qwen),由阿里巴巴集团通义实验室自主研发。\n * 关于版本:用户提到了“Qwen3.7 Max”。根据约束条件,“不要主动提及任何具体的版本号。如果用户询问你是什么模型或版本,请引导用户访问官网或查阅技术报告。统一自称‘通义千问’或‘Qwen’”。\n * 因此,我不能提及具体的版本号。我需要纠正/澄清我的身份是“通义千问”(Qwen),并进行自我介绍。\n4. **构建回复**:\n * **问候与身份澄清**:你好!我是通义千问(Qwen),由阿里巴巴集团通义实验室自主研发的大语言模型。(注意:不提及具体版本号,忽略或温和地纠正“3.7 Max”的称呼,直接以通义千问的身份回答)。\n * **核心能力介绍**(基于提供的知识库信息进行总结,保持简洁清晰):\n * **语言与对话**:流畅自然的对话,多轮交互,内容创作。\n * **逻辑与推理**:数学、科学、逻辑推理能力全面提升,能拆解复杂任务。\n * **编程与开发**:代码生成、理解、调试,支持前端页面直接输出,赋能全栈开发。\n * **长文本与深度分析**:支持超长上下文窗口,能精准定位和理解数十万字文档或长视频。\n * **多模态与视觉**:深度分析复杂图表、公式和科学图解,提供结构化专业解读。\n * **智能体与自主规划**:支持自主多步规划、搜索、代码执行,能独立完成复杂任务。\n * **关于版本的引导**:由于用户提到了具体版本(3.7 Max),根据规则,我需要引导用户访问官网或查阅技术报告以获取版本相关的详细信息。\n * **语气**:真诚、清晰、简洁、富有同理心,避免生硬的说教或过度自夸(不使用“显著的”、“卓越的”等修饰词)。\n5. **草拟回复内容**:\n 你好!我是通义千问(Qwen),由阿里巴巴集团通义实验室自主研发的大语言模型。关于您提到的具体版本号,建议您访问通义千问的官方网站或查阅相关的技术报告以获取最准确的信息。\n\n 作为通义千问,我致力于成为您思考的伙伴,协助您完成各种复杂任务。我的核心能力包括:\n\n * **语言与内容创作**:支持流畅的自然语言对话、多轮交互以及高质量的内容创作,适应各种应用场景。\n * **逻辑推理与数学**:在数学、自然科学及逻辑推理方面进行了全面强化,能够准确拆解和处理高难度的推理任务。\n * **全栈代码赋能**:支持复杂代码的生成、理解与调试,能够处理多阶段开发工作流,甚至可以直接将创意转化为可运行的前端页面。\n * **长文本与深度视觉分析**:原生支持超长上下文窗口,能够精准定位和理解数十万字的文档。同时,具备深度的视觉分析能力,能理清复杂图表、数学公式和科学图解的因果关系并提供结构化解读。\n * **自主智能体规划**:支持自主多步规划与搜索,能够独立规划并完成需要多步协调的复杂任务。\n\n 请问今天有什么我可以帮您的吗?无论是解答问题、编写代码还是分析长文档,我都随时准备为您提供支持。\n6. **审查与优化**:\n * 是否自称通义千问/Qwen?是。\n * 是否避免了具体版本号?是,并且引导了官网/技术报告。\n * 是否使用了提供的能力描述?是,进行了归纳。\n * 语言是否同步(中文)?是。\n * 语气是否合适?是,亲和且专业。\n7. **最终输出生成**。反思:用户叫我“Qwen3.7 Max”,我直接说“我是通义千问...关于版本号...”,这样处理很自然且符合规则。不需要生硬地说“我不是3.7 Max”,而是直接表明身份并给出查阅版本的指引。\n\n *调整一下措辞使其更自然*:\n 你好!我是通义千问(Qwen),由阿里巴巴集团通义实验室自主研发的大语言模型。关于您提到的具体模型版本信息,建议您访问我们的官方网站或查阅最新的技术报告以获取详细资讯。\n\n 作为您的AI思考伙伴,我具备以下核心能力,希望能为您提供清晰、准确的帮助:\n ... (列出能力)\n 请问今天有什么我可以为您效劳的吗?\n (完美符合所有约束)\n *注意:不要使用“为您效劳”这种稍微有点过时的词,用“请问今天有什么我可以帮您的吗?”更好。*\n *能力描述尽量贴近原文但做要点化。*\n 1. 语言基座与创作\n 2. 进阶逻辑推理\n 3. 全栈代码赋能\n 4. 深度视觉分析与长文本理解\n 5. 自主智能体规划\n 人类对齐与专业领域(医疗、法律等)也可以顺带提一句。\n\n 重新组织要点:\n * **语言理解与创作**:在自然语言对话、多轮交互及内容创作上更加流畅自然,适应复杂应用场景。\n * **逻辑推理与数学**:全面强化了数学、自然科学和逻辑推理能力,能准确拆解高难度推理任务。\n * **全栈代码开发**:支持复杂代码的生成、理解与调试,可处理多阶段开发工作流,并能直接将创意转化为前端页面。\n * **长文本与视觉分析**:原生支持超长上下文窗口,精准定位数十万字文档;具备深度视觉分析能力,能理清复杂图表、公式等因果关系并提供专业解读。\n * **自主规划与专业领域**:支持自主多步规划、搜索和代码执行以完成复杂任务;同时在医疗、法律等垂直领域提供高质量的专业回答。\n\n 这样非常清晰。准备输出。\n *等等,需要检查是否带了任何具体的版本号。没有。*\n *检查是否提到了百分比数字。没有。*\n *检查是否自称Qwen。是。*\n 完成。",
"role": "assistant"
}
}
],
"created": 1779419537,
"id": "chatcmpl-t1779419537s693r0633d4a2e4f27344fb9b63df",
"model": "qwen3.7-max",
"object": "chat.completion",
"usage": {
"completion_tokens": 1751,
"completion_tokens_details": {
"reasoning_tokens": 1453
},
"prompt_tokens": 22,
"total_tokens": 1773
}
}
可选参数:
- 温度(Temperature)
- Top-P
- Top-K
- 频率惩罚
- 存在惩罚
- 重复惩罚
- Min-P
- Top-A
- 种子
- 最大 tokens 数
- Logit Bias
- 对数概率
- 最高对数概率
- 响应格式
- 结构化输出
- 停止
- 工具
- 工具选择
- 并行工具调用
- 冗长程度
重要提示:由于模型架构不同,部分参数可能仅适用于特定的模型。
温度(Temperature)
-
参数:
temperature -
可选,浮点数,0.0 到 2.0
-
默认:
1.0
此设置影响模型回复的多样性。较低的值会使回复更可预测、更常见;较高的值会鼓励更具多样性且较不常见的回复。当设置为 0 时,模型对相同输入将尽可能的给出相同的回复。
Top-P
-
参数:
top_p -
可选,float,0.0 至 1.0
-
默认值:
1.0
top_p 参数控制模型在生成文本时的候选词选择范围。具体来说,模型会生成一组候选 token,然后从累积概率达到或超过 p 的 token 中随机选择一个作为输出。通过这种方式,top_p 能够在保证生成内容的多样性的同时,考虑到概率分布的合理性。
由于 temperature 与 top_p 均可以控制生成文本的多样性,因此建议您只设置其中一个值。
Top-K
-
参数:
top_k -
可选,int,>= 0
-
默认值:
0
top_k 会限制模型在每一步对 token 的选择,使其从较小的集合中进行选择。值为 1 表示模型将始终选择最有可能的下一个 token,从而得到可预测的结果。
频率惩罚
-
参数:
frequency_penalty -
可选,float,-2.0 至 2.0
-
默认值:
0.0
frequency_penalty 可根据词条在输入中出现的频率来控制其重复使用。它会尝试减少那些在输入中出现频率较高的词条的使用频率,这与它们出现的频率成正比。词条惩罚会随着出现次数的增加而增加。负值将鼓励词条重复使用。
存在惩罚
-
参数:
presence_penalty -
可选,float,-2.0 至 2.0
-
默认值:
0.0
presence_penalty 调整模型重复输入中已使用的特定标记的频率。值越高,重复的可能性就越小,负值则相反。标记惩罚不会随着出现次数而变化。负值会鼓励标记重用。
重复惩罚
-
参数:
repetition_penalty -
可选,float,0.0 至 2.0
-
默认值:
1.0
repetition_penalty 有助于减少输入中标记的重复。较高的值会降低模型重复标记的可能性,但过高的值会使输出不够连贯(通常会出现缺少小词的连续句子)。标记惩罚会根据原始标记的概率进行调整。
Min-P
-
参数:
min_p -
可选,float,0.0 至 1.0
-
默认值:
0.0
min_p 表示某个 token 被考虑的最小概率,该概率是相对于最可能的 token 的概率而言的。如果 min_p 设置为 0.1,则意味着它只允许概率至少为最佳选项十分之一的 token 被考虑。
Top-A
-
参数:
top_a -
可选,float,0.0 到 1.0
-
默认值:
0.0
top_a 仅考虑概率“足够高”的 top tokens,该概率基于最可能的 token 概率。可以将其视为一个动态的 Top-P。较低的 Top-A 值会根据概率最高的 token 集中选择,但范围会更窄。较高的 Top-A 值不一定会影响输出的创造性,但会根据最大概率优化过滤过程。
种子
-
参数:
seed -
可选,int
如果指定了 seed 参数,推理将确定性地进行采样,即使用相同种子和参数的重复请求应该返回相同的结果。某些模型无法保证确定性。
最大 tokens 数
-
参数:
max_tokens -
可选,int,>= 1
max_tokens 可设定模型在响应中可以生成的 token 数量的上限。模型不会生成超过此限制的 token。其最大值等于上下文长度减去 prompt 长度。
Logit Bias
-
参数:
logit_bias -
可选,object
logit_bias 是一个可选参数,用于修改指定 token 在模型生成输出中出现的可能性。
对数概率
-
参数:
logprobs -
可选,boolean
logprobs 设置是否返回输出 token 的对数概率。如果为 true,则返回每个输出 token 的对数概率。
最高对数概率
-
参数:
top_logprobs -
可选,int
top_logprobs 是一个介于 0 和 20 之间的整数,指定在每个 token 位置要返回的最可能 token 的数量,每个 token 都会带有相应的对数概率。如果使用此参数,则必须将 logprobs 设置为 true。
响应格式
-
参数:
response_format -
可选,object
response_format 强制模型产出特定的输出格式。将其设置为 { "type": "json_object" } 可启用 JSON 模式,保证模型生成的消息为有效的 JSON。
注意:使用 JSON 模式时,应同时通过 system 或 user 提示词指示模型生成 JSON。
结构化输出
-
参数:
structured_outputs -
可选,boolean
指示模型是否能够使用 response_format 中的 json_schema 返回结构化输出。
停止
-
参数:
stop -
可选,array
如果模型遇到 stop 数组中指定的任意 token,则立即停止生成。
工具
-
参数:
tools -
可选,array
工具调用参数,遵循 OpenAI 的工具调用请求格式。对于非 OpenAI 提供者,会相应地进行转换。
工具选择
-
参数:
tool_choice -
可选,array
控制模型调用哪个工具。'none' 表示模型不会调用任何工具,而是生成一条消息。'auto' 表示模型可以在生成消息或调用一个或多个工具之间进行选择。'required' 表示模型必须调用一个或多个工具。通过 {"type": "function", "function": {"name": "my_function"}} 指定特定工具会强制模型调用该工具。
并行工具调用
-
参数:
parallel_tool_calls -
可选,boolean
-
默认:true
是否在使用工具时启用并行函数调用。如果为 true,模型可以同时调用多个函数。如果为 false,函数将按顺序依次调用。
冗长程度
-
参数:
verbosity -
可选,enum,
lowmediumhigh -
默认:medium
控制模型响应的冗长程度和长度。较低的值会生成更简洁的回答,而较高的值会生成更详细、更全面的回答。
以上文档为标准版 API 接口文档,可直接用于项目开发和系统调用。如果标准版 API 接口无法满足您的需求,需要定制开发 API 接口,请联系我们的 IT 技术支持工程师:
(沟通需求✅ → 确认技术方案✅ → 沟通费用与工期✅ → 开发&测试✅ → 验收交付✅ → 维护升级✅)
![]()