Qwen3.7 Max ist das Flaggschiff der „Agent Frontier“-Generation des Qwen-Teams, von Alibaba als sein bisher fortschrittlichstes und umfassendstes Agent-Modell beschrieben.
- Eingabe
- Text $2.5/M
- Ausgabe
- Text $7.5/M
- Cache-Lesen
- $0.5/M
- Kontext
- 1M
- vs. GPT-4o
- ~50% günstiger
Benchmarks
Anbieterangaben: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preis im Vergleich
Der Preis im Feld von 68 vergleichbaren Modellen
Der Balken zeigt, wo der Preis dieses Modells unter allen Modellen derselben Art auf Synthorai liegt. An beiden Enden stehen das günstigste und das teuerste Modell. Angegeben sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibzugriffe stehen auf der Preisseite.
Spezifikationen & Limits
Tokens
| Kontextfenster (laut Anbieter) | 1.000.000 |
|---|---|
| Max. Ausgabe (laut Anbieter) | 65.536 |
Prompt-Caching
| Modus | automatisch + explizit |
|---|---|
| Min. Präfix | 1.024 |
| Lebensdauer | explizit: 5 Min., bei Treffer zurückgesetzt |
| Schreibkosten | 1.25x |
Thinking
| Anbieter-Parameter | enable_thinking + thinking_budget + preserve_thinking |
|---|---|
| Zulässige Werte | enable_thinking true · false; thinking_budget in tokens; preserve_thinking true · false |
| Standardwert | an; die Qwen3.7-Max-Reihe nutzt hybrides Thinking, das standardmäßig aktiviert ist, und preserve_thinking ist aus gilt, wenn die Anfrage nichts angibt |
| Abschaltbar | Ja |
| Thinking-Verhalten | Die Spur wird in reasoning_content zurückgegeben und in späteren Turns verworfen, sofern preserve_thinking nicht true ist; die qwen3.7-max-preview-Snapshots sind reine Thinking-Modelle und können es nicht abschalten. |
| Parameter | reasoning_effort |
| Werte | minimal · low · medium · high Parameter des Gateways; maßgeblich ist das Anbieter-Mapping oben |
Modell
| Modalitäten | Text → Text |
|---|
- „Agent Frontier“-Flaggschiff: rein textbasiert, Thinking standardmäßig aktiv, 1M-Token-Kontext
- gebaut für langfristige autonome Agent-Läufe (offiziell demonstrierte Sitzung von 35 Stunden mit 1.158 Tool-Aufrufen)
- nicht für den JSON-Modus gelistet
Ein Prompt, gemessen über das Gateway
Qwen3.7 Max bestanden · 3 sentences
Enabling reasoning requires the model to generate extensive, step-by-step internal logic before delivering a final answer, drastically increasing our consumption of premium-priced output tokens. Because AI providers charge significantly higher rates for generated text than for input prompts, this surge in behind-the-scenes computation directly multiplied our baseline API costs. However, this increased spend delivers a strong ROI by successfully automating complex workflows that previously required expensive human intervention.
Ausgabe 1700 tok (+1613 Thinking) Latenz 28.9 s
Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.
Qwen3.7 Max bestanden · 8/8 cases
## Fixed Function ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` ## Explanation The bug is that `cur` and `best` are initialized to `0`, which makes the function count adjacent equal **pairs** (transitions) rather than the number of **elements** in a run. A run of *n* consecutive equal items contains only *n − 1* adjacent pairs, so the reported length is always one less than the true length. This causes single-element inputs (and any list with no adjacent duplicates) to return `0` instead of `1`, and causes every longer run—including those that extend to the final index—to be undercounted by one. […]
Ausgabe 3433 tok (+3149 Thinking) Latenz 50.6 s
Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.
Qwen3.7 Max bestanden · 5/5 fields, guidance "withheld"
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld" }
Ausgabe 1595 tok (+1534 Thinking) Latenz 26.9 s
Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.
Qwen3.7 Max bestanden · 120 words, 0 banned, 1 question
Introducing Global Prompt Caching for our API gateway. Why pay multiple artificial intelligence vendors for the exact same query? Our new feature intercepts identical requests before they reach external models, serving cached responses instantly. This reduces your monthly bills significantly while dropping latency to near absolute zero. Developers routing traffic between various large language models now share a unified memory layer. When a user asks a repeated question, the gateway retrieves the stored answer, bypassing redundant compute entirely. You maintain complete control over cache expiration and invalidation rules directly through your main configuration dashboard. Stop wasting your expensive tokens on duplicate prompts today. Upgrade your infrastructure right now and watch your operational costs drop while your overall application speed increases.
Ausgabe 8147 tok (+8005 Thinking) Latenz 114.3 s
Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.
Qwen3.7 Max in 30 Sekunden nutzen
OpenAI-kompatibel: base_url austauschen, SDK behalten. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="qwen3.7-max",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "qwen3.7-max",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3.7-max",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "qwen3.7-max",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("qwen3.7-max")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Über Qwen3.7 Max
- Es bringt ein Kontextfenster von 1M Token mit, das Doppelte des Preview-Limits der vorherigen Generation, und ist für langfristige autonome Ausführung über Hunderte oder gar Tausende von Schritten gebaut, einschließlich Coding und Debugging sowie der Automatisierung von Büro-Workflows.
- Alibabas eigene Demonstration dieser Aussage ist eine einzelne Sitzung, die rund 35 Stunden über mehr als tausend Tool-Aufrufe hinweg lief.
- Es konzentriert sich auf Texteingabe mit tiefem Reasoning und Tool-Aufrufen (Vision liegt in der Plus-Stufe) und gibt bis zu 65.536 Output-Token zurück, zusätzlich zum größten dokumentierten Reasoning-Kontingent der Qwen-Reihe, gegenüber Qwen3.6 erneut verdoppelt.
- Alibabas Auswahlhinweis ist unmissverständlich, wann sich die Ausgabe dafür lohnt: Max wählen, wenn das stärkste Reasoning nötig ist, sonst Plus.
- Thinking ist hybrid und standardmäßig aktiviert, wird mit enable_thinking abgeschaltet und mit thinking_budget begrenzt, wobei die Spur in reasoning_content zurückkommt und als Output abgerechnet wird; zu beachten ist, dass die Preview-Snapshots dieses Modells reine Thinking-Modelle sind und es nicht abschalten können.
- Die kennzeichnende Steuerung der Generation ist preserve_thinking, das Reasoning über Turns hinweg mitführt, sodass die frühere Abwägung eines Agenten verfügbar bleibt, statt neu hergeleitet zu werden, und Alibaba nennt dieses Modell unter der Handvoll, die es unterstützen, was hier angesichts der angepeilten Sitzungslängen mehr zählt als anderswo.
- Function Calling, Batch-Inferenz sowie explizites und implizites Caching werden unterstützt; der JSON-Modus ist nicht gelistet.
- Synthorai stellt Qwen3.7 Max für die nahtlose Übernahme hinter seine OpenAI-kompatible API.
FAQ
Lässt sich die Qwen3.7 Max API kostenlos testen?
Ja. Neue Konten erhalten 10 Testaufrufe und bis zu $1 Gratisguthaben, ohne Kreditkarte. Bei $2.5/M für Eingabe-Tokens reicht allein dieses Guthaben für rund 49 Anfragen an Qwen3.7 Max mit je ~8K Tokens.
Worin ist Qwen3.7 Max am besten?
1M Kontext, doppelt so groß wie das vorherige Preview-Limit; langfristige Ausführung über Tausende von Schritten; bisher fortschrittlichstes und umfassendstes Agent-Modell. Mehr dazu im Über-Abschnitt, der auf den offiziellen Release Notes des Anbieters beruht.
Was kostet Qwen3.7 Max?
Qwen3.7 Max kostet auf Synthorai $2.5 pro Million Eingabe-Tokens und $7.5 pro Million Ausgabe-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattformaufschlag. Gecachte Eingabe-Tokens werden mit $0.5/M abgerechnet.
Wie groß ist das Kontextfenster von Qwen3.7 Max?
Qwen3.7 Max hat auf Synthorai ein Kontextfenster von 1M Tokens. Eine einzelne Antwort kann bis zu 65,536 Tokens lang sein.
Unterstützt Qwen3.7 Max Prompt-Caching?
Ja, automatisches Caching ist standardmäßig aktiv, dazu ein expliziter Modus für garantierte Einsparungen. Gecachte Eingabe-Tokens werden mit $0.5/M statt $2.5/M (ungecacht) abgerechnet; Prompts brauchen ein stabiles Präfix von 1,024 Tokens, um gecacht zu werden (TTL explizit: 5 Min., bei Treffer zurückgesetzt). Leitfaden zum Prompt-Caching →
Wie erhalte ich Zugang zu Qwen3.7 Max?
Setzen Sie in Ihrem vorhandenen OpenAI SDK base_url="https://synthorai.io/v1" und model="qwen3.7-max", mehr ist nicht nötig. Ein API-Schlüssel gilt für alle Modelle im Gateway.
Verwandte Modelle
Vergleichen
Jeder Wert auf dieser Seite stammt aus der oben verlinkten Dokumentation des Anbieters und trägt das Datum, an dem wir ihn geprüft haben. Preise vergleichen wir über den gesamten Katalog. Spezifikationen, die Anbieter unterschiedlich definieren, zeigen wir mit einem Hinweis auf den Unterschied und nicht als Diagramm. Wir messen hier nichts selbst und vergeben keine Bewertungen.