O agente multimodal da Alibaba que une visão e linguagem em um único loop

O Qwen3.7-Plus não é só mais um modelo multimodal: é a primeira versão da Alibaba que executa tarefas agênticas completas com percepção visual nativa *dentro do mesmo loop* que opera CLI e GUI, sem trocas de contexto ou orquestração externa. Ele vê uma tela, interpreta ícones e textos, navega em um app móvel, escreve o script necessário no terminal e valida o resultado, tudo sob um único ciclo de raciocínio. Isso é possível graças à alocação explícita de até 256 mil tokens para 'cadeia de pensamento interna' (parâmetro preserve_thinking), algo inédito na série Qwen até agora. Sua janela de 1 milhão de tokens e saída de até 65.536 tokens permite operar em cenários reais como depuração de aplicações desktop com logs extensos e capturas de tela simultâneas.

A arquitetura híbrida foi testada contra frameworks concorrentes: mantém 94% da acurácia no OpenClaw, 89% no Claude Code e 91% no Qwen Code, provando que não depende de um scaffold proprietário. E, diferentemente do Qwen3.7-Max (texto puro, 1T de parâmetros), o Plus sacrifica pouca performance em STEM (14/15 no AIME 2025) para ganhar 3,55× mais velocidade (147,5 t/s vs 41,5 t/s do Qwen3.6-Plus) e suporte nativo a imagem, sem comprometer a robustez em benchmarks de agentes como Terminal-Bench 2.0-Terminus (70,3 pontos).

O salto entre o Qwen3.7-Max (lançado em 22/05) e o Qwen3.7-Plus (31/05) é estrutural: o Max é um modelo de fundação puramente textual, otimizado para raciocínio profundo e benchmarks acadêmicos; o Plus é seu 'irmão operacional', projetado para ação real. Enquanto o Max precisava de wrappers externos para lidar com GUI ou imagens, o Plus integra visão, CLI e planejamento em um único loop, e isso já está funcionando no Model Studio. Também há mudança de custo: o Plus é 40% mais barato por token de saída que o Max (US$ 1,60 vs ~US$ 2,70/milhão), com preço listado fixo, não baseado em tempo de inferência. Além disso, o Plus traz o primeiro suporte oficial da Alibaba a entrada simultânea de texto + imagem com saída textual em produção, algo que só existia como preview experimental no Qwen3.6-Plus.

Agentes que operam GUI e CLI no mesmo ciclo são o próximo degrau para IA aplicada em empresas: não basta gerar código, é preciso executá-lo, inspecionar o resultado visual e corrigir, como um engenheiro humano faria. O Qwen3.7-Plus mostra que essa capacidade deixou de ser demo de laboratório e virou serviço acessível via API. Para desenvolvedores, isso significa menos integração de ferramentas distintas (ex: um LLM para raciocínio + outro para visão + um terceiro para CLI). Para infraestrutura, o custo-benefício (US$ 0,40/milhão de tokens de entrada) e a velocidade fazem dele uma alternativa viável ao Grok Build ou ao MAI-Code-1-Flash em cenários multimodais, especialmente onde a interação com interfaces visuais é essencial, como testes automatizados de UX ou suporte técnico remoto.