Qwen3.7-Max 与 Qwen3.7-Plus 三项真实任务成本与质量对照

一句话结论

Ofox 用相同 prompt、5 次运行中位数和 senior reviewer 比较 Max/Plus：Max 在纯文本和长程迁移上有小幅质量/速度优势，但 Plus 在三个任务中约 5 倍便宜且支持视觉输入。

测试环境

• 接口：Ofox OpenAI-compatible API。

• 配置：相同 prompt，temperature 0.2；每个任务运行 5 次，报告中位数；质量由 senior reviewer 按 1–5 评分。

• 任务：1,200 行 Python 服务异步重构；截图+stack trace 的 flaky test 调试；1,000 步 Postgres 14→16 自主 CLI migration。

• 长程任务：每个模型 unattended 4 小时，低于页面所称 35 小时 ceiling。

输入/配置

文章公开了任务描述、输入/输出 tokens、耗时、tool calls、错误恢复和成本，但没有发布完整代码仓库、每轮工具 trace、随机种子、评审量表细则或原始 API 响应。它可以复刻方法与预算数量级，不能逐行复算。

结果数据

任务 1：1,200 行 Python 服务异步重构

任务 2：截图 + stack trace 的 flaky test 调试

任务 3：1,000 步 Postgres migration Agent

结论

• 纯文本 async refactor 中，质量同为 4/5，Max 中位耗时约快 14%，但任务成本约为 Plus 的 5 倍。

• 视觉调试任务不是“便宜的 Max vs 更贵的 Plus”：Max 不能接收截图，Plus 以 5/5 找到原因，Max 2/5 且猜错位置。

• 长程 migration 中 Max 100% 完成、5/5 错误恢复，Plus 96%、4/5；对不可逆生产迁移，小质量差异可能值得付费，对可回滚 staging 则 Plus 更有成本优势。

• 同一文章的价格表称 Max 输入/输出 $2.50/$7.50，Plus $0.40/$1.60；实际报价应以 Alibaba Cloud 当前页面为准。

局限

• Ofox 同时提供比较 API 和推广服务，存在平台方利益；任务集为 3 个，不能代表所有 coding/Agent 工作流。

• senior reviewer、样本代码和原始 trace 未公开，质量分可能含主观成分。

• Plus 视觉优势依赖 API 的 image 输入和任务设计；Max 的文本路径不能与视觉路径严格等价。

• 4 小时运行、342–351 tool calls 不是 35 小时上限或任意 Agent 的稳定性证明。

复现步骤

1. 使用同一 dated snapshot、同一 prompt、temperature 0.2 和相同工具权限，在自己的 API/网关中分别运行 Max 与 Plus。

2. 每个任务重复至少 5 次，保存 input/output tokens、TTFT、墙钟时间、tool calls、错误恢复和最终 diff。

3. 由两名不知模型身份的评审者按固定 rubric 评分，并独立记录“是否找到真实根因”和“是否通过测试”。

4. 将视觉任务的 image 输入与纯文本任务分开，不把“模型看不到图”误判成推理能力差。

5. 计算每个通过且无需人工重做的结果成本，再决定 Max 的质量溢价是否合理。

来源摘录或观察（仅做合规短引）

文章的成本结论是 “Plus wins on text-only cost”，但长程迁移的 100% vs 96% 提醒不可逆任务需要按失败代价路由。