AI看着我的电脑屏幕帮我干活？阿里巴巴 Qwen3.7-Plus 登场

想象一下这样的场景。早上来到办公室，打开电脑，对AI说：“帮我找出昨天收到的邮件中带有收据附件的邮件，并整理到Excel文件中。”如果是以前的AI，它可能只会友好地教你如何使用Excel函数，或者用文字为你写出一个报告模板。到头来，敲击键盘、点击鼠标完成这些工作的任务依然落在我们自己头上。

但现在情况不同了。AI可以直接打开你的电子邮箱界面，用“眼睛”读取收据图像，然后启动Excel程序将数据逐一录入。这就像是拥有了一位“透明秘书”，它和你注视着同一块电脑屏幕，代替你移动鼠标进行操作。

这个宛如科幻小说般的故事已然成为现实。这得益于阿里巴巴（Alibaba）在2026年6月1日最新发布的AI模型 Qwen3.7-Plus [2026年的Qwen3.7-Plus与Qwen3.7-Max：多模态Agent还是…]。这款AI超越了简单的“聪明的聊天机器人”，成为了能够自主观看电脑屏幕、像控制鼠标一样操作的真正意义上的“数字实习生”。

为什么这很重要？

在此之前，我们使用的聊天机器人AI就像一位非常有能力，但绝不离开自己座位的“图书管理员”。当你向它提问时，它能翻阅浩如烟海的书籍为你找到绝佳的答案，但它不会替你完成报告并用邮件发送给老板。

通俗解析：获得“眼睛”和“双手”的 AI

要充分理解 Qwen3.7-Plus 令人惊叹的能力，我们需要了解多模态（Multimodal，即不仅能理解文本，还能同时理解图像、声音等多种形式数据的技术）这个词的含义。模态（Modal）是指接收数据的一种“感官”。多模态就是在只懂阅读文字的传统AI基础上，大幅增加了能一眼识别图像、视频，甚至电脑屏幕的图形用户界面（GUI，如屏幕上的图标、菜单栏等视觉元素）的“视觉”能力 [Qwen3.7-Plus 评测：经测试的阿里巴巴 GUI Agent]。

用更日常的场景来打个比方。传统的纯文本 AI 就像是一位只能通过“电话交流”来工作的聪明同事。你必须用冗长的语言详细描述你屏幕上显示的表格或图片，它才能了解状况并给出建议。很多时候我们会觉得太麻烦，索性自己动手解决。

阿里巴巴的研究团队在处理文本逻辑的坚实骨架之上，大幅升级了这种视觉能力。通过这种方式，他们将“从视觉上把握状况”与“用语言推演下一步行动”的过程，整合成了无缝衔接的工作流 [Research - Qwen]。其结果是，它不再仅仅局限于猜出图片是什么，而是达到了能够自主决定工具调用（Tool invocation）的惊人水平：“看了这个屏幕，我接下来应该点击这个按钮，然后运行那个工具” [Qwen3.7-Plus 发布：多模态 Agent 该怎么测 - HotAI - 博客园]。

现状：旗舰文本 AI 与多模态 Agent 的双轨并行

在 2026 年 5 月 20 日至 21 日举行的阿里云峰会上，阿里巴巴首次将这款强大的 Qwen3.7 系列正式推向舞台 [Qwen 3.7 完整指南：阿里巴巴迄今为止最强大的 AI 模型 (2026)]。而在正式活动的前一天，即 5 月 19 日，它便通过 Qwen Chat 以预览版的形式悄然亮相，给人们带来了巨大的惊喜 [Qwen 3.7 评测：阿里巴巴的新旗舰在中国排名第一 …]。其中最有趣的看点在于，阿里巴巴同时推出了两款各具专长的旗舰模型。

第一位选手是将所有智能都集中在纯“文字”逻辑思考上的 Qwen3.7-Max。这款模型被极度优化以用于纯文本（pure-text）处理。在评估软件工程能力的极其严苛且权威的测试 SWE-Bench Pro 中，它创下了高达 60.6% 的惊人准确率。这证明了它具备足以媲美人类程序员的顶尖推理能力 [2026年的Qwen3.7-Plus与Qwen3.7-Max：多模态Agent还是…]。

那么，我们该如何使用这位聪明的 AI 秘书呢？目前，这些模型可以通过阿里巴巴的模型服务平台百炼（Bailian，又称 Model Studio）等平台体验 [百炼平台上的多模态 Agent：Qwen3.7-Plus - kiadev.net]。它们并非任何人都能下载代码并随意安装的“开源”形式，而是采用了闭源权重（closed-weights）模式，只能通过 API（程序间交换数据的通信工具）谨慎访问 [Qwen 3.7 完整指南：阿里巴巴迄今为止最强大的 AI 模型 (2026)]。

未来将何去何从？

Qwen3.7-Plus 的华丽登场向我们传递了一个重要信息：全球大型语言模型（LLM）技术已经远远超越了隔着屏幕用文本聊天的水平。如今的 AI 正以惊人的速度，朝着与物理现实世界或计算机操作系统环境直接碰撞并采取行动的“具身智能（Embodied intelligence，即通过躯体或工具与环境交互并解决问题的人工智能）”以及高级智能体（advanced agents）系统进化 [多模态 Agent 迎来重大升级！阿里巴巴正式 …]。

如果说过去将 AI 生成的代码复制、粘贴并运行的繁琐工作还要由人来完成，那么现在的 AI 模型已经进入了真正的“行动力”领域：它们能在无需人工干预的情况下自主制定工作计划、编写代码并直接执行（self-programming），如果出现报错，它们也不会停下，而是自己寻找原因并不断进行修正（autonomous iteration） [阿里巴巴推出 Qwen3.7-Plus 多模态 AI Agent 模型]。

在不久的将来，我们下达工作指令的方式将发生翻天覆地的变化。仅仅要求 AI 提供诸如“把这份英文文档翻译成韩文”这样碎片化结果的时代即将落幕。取而代之的，将是一个令人兴奋的崭新时代，你可以对它说：“从这次新产品项目的竞品市场调研开始，到数据分析，再到最终演示用的 PPT 报告制作，统统交给你来处理”，从而将庞大业务的权限全盘委托给它。

MindTickleBytes AI记者观点： 拥有“眼睛”和“双手”的多模态 Agent 的出现，表明人机交互方式的范式正在发生根本性的逆转。以前需要人类遵循键盘和鼠标的规则来操作电脑，而现在，电脑能够直接理解人类的“自然语言指令”与“视觉环境”，并自行运转。Qwen3.7-Plus 就如同发表了一份宣言：那个能完美领会我们指令、不知疲倦地工作的最优秀秘书，已经开始入驻我们的电脑。你下一个可靠的工作伙伴，或许不再是人类。

参考资料

1. Qwen3.7-Plus - Qwen Cloud

2. [Qwen3.7-Plus：多模态 Agent 智能 — LLM…

   explainx.ai](https://explainx.ai/llms/qwen3-7-plus-multimodal-agent-intelligence)

3. 2026年的Qwen3.7-Plus与Qwen3.7-Max：多模态Agent还是…

4. [Qwen3.7 Plus API

   AIML API](https://aimlapi.com/models/qwen3-7-plus)

5. [Qwen3.7 Plus 模型

   NanoGPT](https://nano-gpt.com/models/text/qwen3.7-plus)

6. Qwen 3.7 完整指南：阿里巴巴迄今为止最强大的 AI 模型 (2026)
7. Qwen3.7-Plus 评测：经测试的阿里巴巴 GUI Agent
8. Qwen3.7-Plus 发布：多模态 Agent 该怎么测 - HotAI - 博客园
9. 百炼平台上的多模态 Agent：Qwen3.7-Plus - kiadev.net
10. 多模态 Agent 迎来重大升级！阿里巴巴正式 …
11. Research - Qwen
12. 阿里巴巴推出 Qwen3.7-Plus 多模态 AI Agent 模型

13. [Qwen3.7 Plus：均衡的多模态旗舰

    Qwen 3.7](https://qwen3lm.com/qwen3.7-plus/)

14. Qwen 3.7 评测：阿里巴巴的新旗舰在中国排名第一 …