Qwen3.7-Plusがでてるみたい。詳しく調べれてないから情報だけ乗っけておきます。
QwenStudioとかで使用可能みたい。
かなり性能は高い感じ。マルチモーダルで結構コンテキストも広い感じ。
うーむ、触ってみたいな
Qwen3.7-Plusの特徴は、マルチモーダルな対話型ハイブリッドエージェントとして動作できる点。
現実世界のシーンを認識し、画面を読み取ってGUIを操作し、視覚的な参照に基づいてコードを記述し、モバイルアプリをエンドツーエンドでナビゲートし、Webの知識に基づいた視覚的な質問に答えます。
単一のエージェントループ内でGUIとCLIのインタラクションをシームレスに融合させます。
汎用性の高いコーディングエージェントおよび生産性アシスタントとして、フロントエンドのプロトタイピングから複雑なソフトウェアエンジニアリング、マルチステップのワークフロー自動化まで、あらゆるモダリティの入力に対応します。
エージェントのフレームワークを横断して汎用性を発揮し、Claude Code、OpenClaw、Qwen Code、その他のフレームワークのいずれでデプロイしても一貫したパフォーマンスを実現します。
Qwen3.7-Plusは、あらゆる面でMax-tierモデルに匹敵する競争力のあるテキスト処理性能を発揮します。
コーディングエージェントでは、Terminal Bench 2.0、SWE-benchシリーズ、SciCodeで優れた性能を発揮し、実際のソフトウェアエンジニアリングと科学プログラミングの両方のタスクを効果的に処理します。
汎用エージェントでは、MCP-Mark、Deep-Planning、Kernel Bench L3で堅牢なツール使用とプランニング機能を発揮し、複雑なマルチステッププランニングとGPUカーネル最適化で特に強みを発揮します。
GPQA Diamond、HMMT、IMOAnswerBenchでの推論性能は、難易度の高いSTEMベンチマークにおいて、Plus-tierモデルの中でもトップクラスです。
指示追従と多言語タスクでは、IFBench、WMT24++、PolyMATHで一貫した品質を発揮し、多様な言語を幅広くカバーします。
マルチモーダルベンチマーク
Qwen3.7-Plusのマルチモーダル機能の向上は、視覚理解における個別の改善にとどまりません。
むしろ、複雑な視覚入力の理解、視覚情報に基づく推論、問題解決のためのツールの使用、そして最終的にはコード環境またはGUI環境でのタスク実行といった、マルチモーダルエージェントに求められるコア機能の体系的な強化を反映しています。
マルチモーダル推論において、Qwen3.7-PlusはBabyVision、MathVision、HiPhO、ERQA、VisFactorといった難易度の高い視覚推論ベンチマークで優れた性能を発揮します。
これらの結果は本モデルが、きめ細かな視覚知覚、空間関係、物理的常識、そして多段階論理推論を統合できる能力を持っていることを示しています。特にBabyVisionにおけるQwen3.6-Plusからの大幅な改善は、初期の人間の視覚認知や空間推論に近いタスクにおいて、より優れた汎化能力を発揮することを示唆しています。
Visual Agent & Codingにおいて、Qwen3.7-Plus は ScreenSpot Pro、OSWorld-Verified、および AndroidWorld で大幅な性能向上を示しました。
これは、このモデルが画面コンテンツを認識するだけでなく、主要な UI 要素を特定し、タスクの意図を理解し、複数ステップのインタラクションを完了できることを示しています。
QwenVision2Code では、このモデルは強力なビジョン・トゥ・コード生成機能も実証しており、画像、動画、およびデザイン参照を実行可能なコードに変換します。これらの機能は、マルチモーダルエージェントが「インターフェースの理解」から「インターフェースの操作」、さらには「インターフェースの構築」へと移行するための基盤となります。
マルチモーダル検索と知識QAにおいて、Qwen3.7-PlusはSimpleVQA、WorldVQA、MMSearchPlus、BC-VL、およびMMBCに対して明確な改善を実現しています。
このモデルは、画像コンテンツだけでは解決できない質問に対して、視覚的な入力と外部知識の検索を組み合わせることで回答を提供できます。
そのため、ユーザーが単に「画像に何が写っているか」と尋ねるだけでなく、視覚的な証拠、常識、最新の知識を組み合わせて信頼できる回答を提供することを期待する、現実世界のタスクにより適しています。
一般的な視覚理解において、Qwen3.7-Plusは、実世界のシーン、文書解析、グラフ理解、OCR、カウント、空間位置特定など、あらゆる場面で優れたパフォーマンスを発揮します。
RealWorldQA、CountQA、OmniDocBench、CharXiv、OCR-Bench-V2といったタスクでも高い性能を発揮します。
これらの機能は、スクリーンショット、領収書、表、レポート、ポスター、製品画像、複雑なUIページなど、実際のビジネス入力を確実に処理するために不可欠です。
Qwen3.7-Plusは、画像認識に加え、動画理解と運転シーン理解をさらに強化しています。VideoMMMU、MLVU、TVBench、LVBenchなどの動画ベンチマークにおいて、短い動画と長い動画の両方で、イベント、動作、時間的ダイナミクス、意味的関係を推論できます。
また、LingoQA、Ego3D-Bench、SURDS、VLADBenchなどの運転関連評価においても、動的なシーン、交通参加者、空間的関係を的確に理解します。これらの機能は、現実世界のマルチモーダルエージェント、自動運転理解、そして具現化されたAIシナリオにとって重要な基盤となります。
