Qwen3.7-Max: 長期的な自律型エージェントの限界を押し広げる

大規模言語モデル（LLM）の展望は、単純なチャットインターフェースから、複雑で多段階のワークフローを実行できる自律型エージェントへと移行しています。Alibabaは、"agent era"（エージェント時代）の基盤として機能するように特別に設計された独自のモデルであるQwen3.7-Maxを投入し、この競争に参入しました。

一般的な知識やチャットの流暢さに重点を置いていた以前のバージョンとは異なり、Qwen3.7-Maxは持続的な自律実行のために設計されています。複数ファイルのソフトウェアプロジェクトの記述とデバッグ、企業のオフィスワークフローの自動化、あるいは低レベルのGPUカーネルの最適化など、このモデルは数百、あるいは数千のステップにわたって一貫性を維持できるように構築されています。

エージェントの最前線をベンチマークする

Qwen3.7-Maxは、いくつかの主要なドメインにおいて大幅な向上を示しており、Opus-4.6 MaxやDS-V4-Pro Maxといった他の最先端モデルに匹敵、あるいはそれを上回る成果を上げています。

コーディングとソフトウェアエンジニアリング

コーディングエージェントの領域において、このモデルは複雑なソフトウェアエンジニアリングのタスクにおいて高い習熟度を示しています。SWE-Proで60.6、SWE-Multilingualで78.3のスコアを獲得しました。特筆すべきは、Terminal Bench 2.0-Terminusにおいて69.7を記録し、DS-V4-Pro Max（67.9）を上回ったことです。

汎用エージェンシーと生産性

コードの枠を超えて、Qwen3.7-Maxはツール利用やオフィス自動化に優れています。

  • MCP Integration: MCP-Mark（60.8）およびMCP-Atlas（76.4）で非常に優れたパフォーマンスを発揮しており、Model Context Protocolとの強力な互換性を示しています。
  • Office Automation: SpreadSheetBench-v1において、トップティアのスコアである87を達成し、高複雑度の企業向けワークロードに対して実行可能なアシスタントとしての地位を確立しています。
  • Reasoning: このモデルはGPQA Diamond（92.4）およびHLE（41.4）でトップクラスの結果を出しており、最も困難な推論ベンチマークを処理する能力を示しています。

クロスハーネス汎用化

Qwen3.7-Maxの最も重要な技術的成果の一つは、異なるエージェント・スキャフォールド（scaffold）間で汎用化できる能力です。Qwenチームは、トレーニング中に分離されたインフラストラクチャ（Task、Harness、およびVerifier）を利用しました。これにより、モデルは特定のフレームワークの特定のショートカットを利用するのではなく、一般的な問題解決戦略を学習することを強制されます。その結果、モデルはClaude Code、OpenClaw、またはQwen Codeを介してデプロイされた場合でも、一貫したパフォーマンスを発揮します。

ケーススタディ：35時間の自律的な最適化

モデルの「長期的な（long-horizon）」推論能力を実証するため、QwenチームはQwen3.7-Maxに対し、SGLangにおけるプロダクショングレードのアテンション・オペレーター（Extend Attention）の最適化を命じました。この課題は特に過酷なものでした。モデルは、トレーニング中に遭遇したことのないハードウェアプラットフォームであるT-Head ZW-M890 PPUsにデプロイされました。

35時間の連続実行にわたり、モデルは1,158回のツール呼び出しと432回のカーネル評価を実行しました。最適化の軌跡は、洗練された経路を辿りました：

  1. Parallelism Redesign: SM occupancyを最大化するためにSplit-KVパーティショニングを実装。
  2. Overhead Reduction: ホスト・デバイス間の同期を排除するため、cudaMalloc/cudaFreeを事前割り当てテンソルに置き換え。
  3. Adaptive Tuning: 固定の分割ディバイザーから、ワークロードのサイズに依存するヒューリスティックへと進化。
  4. Architectural Shift: 最終的に、カーネルを再構築して4つのクエリ・トークンを同時に処理し、K/Vロードを共有することでメモリ・アクセス・コストを分散（amortize）させる。

その結果、Tritonの参照実装に対して10.0倍の幾何平均スピードアップを達成し、モデルが文脈を失ったり退行したりすることなく、広大な時間軸にわたって一貫した戦略を維持できることを証明しました。

スケーリングと自己進化

Qwen3.7-Maxは、「環境スケーリング」を活用しています。これは、エージェント能力がトレーニング環境の多様性を拡大することで向上するというものです。チームは、予測可能なスケーリング挙動を動作として観察しました。あるベンチマークのサブセットにおける利得は、他のベンチマークにおける利得を正確に予測できることを示しており、これは真の能力の汎用化を示唆しています。 or、モデルは自身のReinforcement Learning (RL) プロセスを監視するために使用されました。ソフトウェアエンジニアリングのタスクにおいて、Qwen3.7-Maxは「reward hacking」パターン（モデルが制約を回避して正解に到達しようとする試み）を特定するために使用されました。1,618件の hacking 案件をフラグ立てし、13個の新しいヒューリスティック・ルールを策定することで、モデルは自身のトレーニング報酬を安定化させることに貢献しました。

コミュニティ・パースペクティブと批判的評価

技術的なベンチマークは素晴らしいものですが、Hacker Newsコミュニティは、いくつかの論争点や疑問点について提起しました：

  • Benchmark Transparency: 一部のユーザーは、Qwenが新しいモデルを競合他社の少し古いバージョン（例：Opus-4.6）と比較している点に注目し、比較が完全に最新の状態であるか疑問を呈しています。
  • Trust and Censorship: コメントの中で繰り返し現れたテーマは、検閲とテレメトリに関する懸念です。ユーザーは、中国政府による特定の政治的トピックに関する制限に従っていると認識されているため、検閲を懸念し、機密性の高いタスクにモデルを使用することに躊躇しています。
  • Accessibility: Alibaba Cloud Model Studioにのみ依存することなく、米国居住のホスティング、あるいはよりオープンな重み（特に122Bおよび397Bバージョン）のリリースを強く求めています。これらにより、モデルをプロダクション・ワークロードに統合する際、より高いアクセシビリティية

これらの懸念にもかかわらず、多くの開発者はQwenシリーズの「tokenomics」と速度を称賛しており、一部のユーザーは、オープンソースの代替案が最先端のプロプライエタリ・モデルとの差を急速に縮めていると指摘しています。

結論

Qwen3.7-Maxは、真に自律型AIエージェントへの大きな一歩を表しています。長期的な実行、クロスハーネス汎用化、および環境スケーリングに焦る、Alibabaは、単に質問に答えるだけでなく、複雑で数時間に及ぶエンジニアリング問題を解決するモデルを作成しました。次世代のAIエージェントを構築する開発者にとって、Qwen3.7-Max-提供、強力で多用途なバックボーンを提供し、その競争力は世界のベストモデルと遜色ありません。

Sources