El equipo Qwen de Alibaba lanzó Qwen3.7-Plus en Bailian (el Model Studio de Alibaba Cloud para desarrolladores internacionales) hoy, el sibling multimodal del Qwen3.7-Max text-only que aterrizó en mayo. Capacidades listadas: comprensión de imágenes y video (lee, no genera), razonamiento profundo, invocación de herramientas, self-programming, verificación y testing, e "iteración autónoma" (el framing de Alibaba para bucles de agente sostenidos). Ventana de contexto 1M tokens. El claim agéntico concreto que vale la pena flagear: "run autónomo de 35 horas sin degradación medible, encadenando más de 1.000 llamadas a herramientas en una sola sesión." Solo API al lanzamiento; Plus está comprometido con pesos abiertos (Max sigue propietario), sin timeline específico aún, sin presencia HuggingFace en la publicación.
Conteo de parámetros no divulgado. Arquitectura (densa vs MoE) no divulgada. El mecanismo de "razonamiento profundo" no está detallado: sin mención de un toggle thinking-mode como la línea Qwen3-Max-Thinking previa, sin multiplicador de costo divulgado. Invocación de herramientas = function calling a nivel básico; soporte MCP no confirmado. El ranking Vision Arena es #16 overall (Alibaba #5 lab globalmente), sólido pero no frontier-SOTA. El sibling Qwen3.7-Max scoreó 56,6 en Artificial Analysis Intelligence Index v4.0 (5to overall, #1 modelo chino), 50,8% en Terminal-Bench Hard, 92,4 en GPQA Diamond (superando Claude Opus-4.6 a 91,3), con la tasa de alucinación más baja entre modelos frontier a 22,9%. Esos son números Max, no Plus. Bailian añade una capa "Agentic RL" que usa feedback de ejecución real para refinar la precisión en el tiempo, una feature continual-learning a nivel plataforma que opera sobre el modelo base. El demo de 35-horas-1000-tool-calls es vendor-published sin disclosure de harness y sin reproducción de tercera parte aún.
Dos hilos a trackear. Primero, el split tier open-weights. Alibaba está haciendo Plus open y manteniendo Max propietario, espejeando el patrón que DeepSeek estableció y que MiniMax M3 acaba de doblar (pesos abiertos prometidos en 10 días). La dinámica Chinese-lab open-weights versus Western-lab proprietary-frontier continúa afilándose, con cada release empujando la línea "fully open frontier" un poco más lejos. Segundo, el framing agéntico. "Iteración autónoma" es el rebrand de Alibaba para lo que es funcionalmente un bucle ReAct multi-turn tool-use, pero el claim de duración (35 horas, 1000+ tool calls) es el número frontier operacional. Si reproducible, cambia qué tipos de agentes long-running son económicamente viables. La verificación independiente es la brecha: sin disclosure de harness, sin reproducción de tercera parte en material publicado. La feature Bailian Agentic RL (fine-tuning por feedback de ejecución durante despliegue) es el claim sustantivo a nivel plataforma que va más allá de las capacidades del modelo, continual learning desde trazas de producción reales, lo que la mayoría de plataformas de agentes dicen y casi ninguna realmente ship.
Lunes por la mañana, si despliegas agentes long-running y tienes acceso a Bailian: Qwen3.7-Plus vale la integración hoy específicamente para testear el claim de durabilidad de long-tool-run. Corre tu propia tarea multi-hora con conteos de herramientas concretos y mide dónde la degradación realmente se instala versus el número vendor de 35 horas. Si no estás en Bailian y no quieres una dependencia de agente en cloud-API, el drop de pesos abiertos es el evento a esperar; hasta entonces, esta es una historia de plataforma vendor. Si evalúas pesos abiertos de labs chinos para tu stack, observa la release abierta de Plus junto al drop prometido de 10 días para MiniMax M3, ambos probablemente aterrizarán en la misma ventana y la comparación importará para cuál pertenece en tu flota de inferencia. Y si construyes una plataforma de continual-learning tú mismo, el claim Bailian Agentic RL es el design pattern a estudiar, la descripción vendor es delgada pero el framing (feedback de ejecución real como señal RL) es la forma correcta.