Alibaba показала Qwen3.7-Max для автономной оптимизации кода на AI-чипе

Qwen3.7-Max — новая большая языковая модель Alibaba для долгих агентных задач, где AI не просто отвечает в чате, а сам планирует действия, вызывает инструменты и проверяет результат. По данным команды Qwen, модель смогла около 35 часов автономно оптимизировать код вычислительного ядра для собственного ускорителя Alibaba и добиться существенного прироста скорости.

Для рынка это важный сигнал: AI-агенты переходят от коротких подсказок к многочасовой инженерной работе. AI Digest (ai-digest.ru) уже разбирал, что такое AI-агенты и почему они становятся отдельным классом программ, а новый пример Alibaba показывает эту тенденцию на уровне инфраструктуры.

Что именно сделала модель Qwen3.7-Max?

Модель получила задачу ускорить attention kernel — низкоуровневый фрагмент кода, который отвечает за одну из ключевых операций в современных нейросетях. Attention — механизм внимания, позволяющий модели определять, какие части текста или данных важнее для текущего ответа.

Эксперимент проходил на облачном инстансе с ускорителями T-Head-ZW-M890. Это AI-чипы Alibaba, рассчитанные на выполнение нейросетевых вычислений. По заявлению команды, модель не имела готовой документации по этой архитектуре и начала с референсной реализации на Triton. Triton — язык и набор инструментов для написания быстрых вычислительных ядер на GPU и специализированных ускорителях.

Как AI-агент работал без постоянного человека рядом?

За 35 часов Qwen3.7-Max выполнила сотни тестов ядра и больше тысячи обращений к инструментам. Она компилировала код, измеряла скорость, исправляла ошибки сборки и повторяла цикл, пока не находила более удачные варианты. Такой режим похож не на разовую генерацию кода, а на работу младшего инженера, которому дали задачу, тестовую среду и критерий успеха.

Разница в том, что агент не устает и может продолжать однообразный цикл проверки много часов. Именно поэтому тема пересекается с нашим разбором как выбрать AI coding agent: главным становится не красивый ответ, а способность стабильно работать с файлами, тестами и ошибками.

Почему результат важен для AI-инфраструктуры?

Если заявленные цифры подтвердятся независимыми проверками, подобные модели смогут ускорять не только прикладной код, но и саму инфраструктуру для запуска нейросетей. Инференс — этап, когда уже обученная модель отвечает пользователю или приложению. Чем быстрее работают ядра инференса, тем дешевле обходятся чат-боты, ассистенты, генераторы изображений и корпоративные AI-сервисы.

Alibaba утверждает, что Qwen3.7-Max добилась примерно десятикратного ускорения относительно исходной реализации. В сравнении с конкурентами модель также показала сильные результаты на задачах, где нужно долго работать с инструментами. Но часть бенчмарков создана самой командой Qwen, поэтому к ним стоит относиться как к заявке на направление, а не как к окончательному рейтингу рынка.

Что это меняет для конкуренции моделей?

Qwen постепенно смещается от полностью открытых релизов к закрытым моделям через облачный API. API — программный интерфейс, через который разработчики подключают модель к своим приложениям. Это делает Qwen3.7-Max ближе к коммерческим системам уровня Claude, Gemini и GPT, где важны не только параметры модели, но и среда инструментов вокруг неё.

Для разработчиков главный вывод простой: следующая волна конкуренции будет идти вокруг автономности, качества tool-use и способности проходить длинные задачи без развала контекста. Подробнее о слабом месте длинных задач можно прочитать в материале AI Digest про контекстное окно современных LLM.

Что будет дальше?

Следующий этап — независимые тесты и технический отчёт с методологией. Пока Alibaba показала сильную демонстрацию, но рынку нужны воспроизводимые результаты: исходные условия, сравнимые лимиты, понятные правила остановки и одинаковый доступ к инструментам.

Если такие эксперименты станут нормой, AI-модели начнут конкурировать не только в текстах и задачах программирования, но и в оптимизации собственных вычислительных платформ. Это уже не просто гонка чат-ботов, а борьба за то, кто сможет дешевле и быстрее обслуживать будущие AI-сервисы.