阿里 Qwen3.7-Max 編程能力全球登頂第二！Code Arena 1541 分，僅次 Claude，35 小時自主任務刷新生產力上限
重點摘要
阿里巴巴Qwen3.7-Max在最新Code Arena榜單中以1541分位列全球第二，僅次於Claude系列，超越GPT-5.5、Gemini3.5Flash等模型，成為國產大模型編程領域新標杆，標誌著中國AI在Agentic Coding和長時程任務上的重大突破。
## 重點整理
阿里巴巴推出的 Qwen3.7-Max 在最新 Code Arena 程式碼競賽中，以 1541 分拿下全球第二，僅次於 Claude 系列，並超越 GPT-5.5、Gemini 3.5 Flash 等模型。這項成績創下國產大型語言模型在程式碼生成與長時間自主任務處理上的新標竿，也展現出阿里在 AI 領域的持續突破。
## 背景脈絡
過去國產模型在程式碼生成領域常被國外強敵壓制，但 Qwen3.7-Max 的表現證明台灣與中國的 AI 團隊已能與頂尖模型直接競爭。尤其該模型在 35 小時的自主任務測試中展現高效能，意味著它不僅擅長短暫的程式碼補全，更能處理複雜、需長時間執行的開發工作。
## 可能影響
對於軟體開發者與企業而言，Qwen3.7-Max 提供了另一個高品質的程式碼生成選擇，尤其適合需要長時間自動化任務的場景。這可能促使更多團隊採用阿里雲的模型來加速開發流程，也讓 Claude 與 OpenAI 感受到更強的市場壓力。
## 讀者可關注的後續
接下來值得觀察的是 Code Arena 排行榜是否會因 Qwen3.7-Max 的出現而帶動更多國產模型投入類似的長時間任務評測。另外，阿里是否會基於此成績推出更完整的商業化解決方案，以及 Claude 與其他對手如何回應這波挑戰，都將影響未來 AI 編碼工具的競爭格局。
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。