O Qwen3.7-Max da Alibaba concluiu uma execução autônoma de programação de 35 horas

A Alibaba lançou o Qwen3.7-Max depois que um teste autônomo de programação de 35 horas transformou uma notícia rotineira no Google News em um desafio direto para equipes de software. O modelo teria executado 1.158 chamadas de ferramentas e testado 432 variantes de kernel sem intervenção humana. A Alibaba afirma que o código resultante rodou dez vezes mais rápido que a implementação de referência.

A manchete parece mais um alerta de que a IA está chegando aos empregos de engenharia. No entanto, a interpretação mais útil segue na direção oposta. O Qwen3.7-Max não produziu um aplicativo descartável a partir de um prompt curto. Ele passou horas medindo, depurando, revisando e validando código altamente especializado.

Essa distinção coloca Anthropic, DeepSeek, Moonshot AI, Zhipu AI e equipes corporativas de software sob pressão. A disputa vai além de quem responde corretamente a uma pergunta de programação. Agora, ela diz respeito a qual modelo consegue permanecer produtivo em um fluxo de trabalho longo e sujeito a falhas.

A Alibaba apresentou evidências impressionantes, mas não resolveu a questão. A maioria dos números de desempenho vem da empresa ou de benchmarks criados pela equipe Qwen. Equipes independentes precisam reproduzir os resultados antes que compradores os tratem como garantias operacionais confiáveis.

O que o Qwen3.7-Max da Alibaba realmente mudou

A mudança importante não é que o Qwen3.7-Max escreva código, mas que ele teria sustentado um ciclo mensurável de engenharia por 35 horas.

A Alibaba apresentou o Qwen3.7-Max em 20 de maio de 2026, durante sua cúpula de cloud em Hangzhou. O modelo proprietário é voltado a cargas de trabalho agênticas, ou seja, tarefas nas quais o software escolhe ações, chama ferramentas, observa resultados e revisa sua abordagem.

Esse foco difere do padrão conhecido dos chatbots. Um chatbot frequentemente recebe um prompt e retorna uma resposta. Um agente precisa manter seu objetivo enquanto navega por erros, informações incompletas, estados em mudança e uso repetido de ferramentas.

A Alibaba testou essa capacidade em um kernel de atenção para o SGLang, um sistema open source usado para servir modelos de linguagem. Um kernel é um programa de baixo nível que executa um cálculo específico no hardware. Pequenas melhorias podem afetar a velocidade e o custo de cada solicitação de modelo que utiliza essa operação.

O hardware-alvo era uma instância de cloud equipada com aceleradores T-Head Zhenwu M890 da Alibaba. Segundo a empresa, o Qwen3.7-Max não havia encontrado essa arquitetura de chip durante o treinamento. Ele não recebeu documentação de hardware, histórico de medições nem uma implementação de exemplo otimizada.

O modelo começou com uma versão de referência escrita em Triton, uma linguagem de programação para desenvolver kernels de GPU de alto desempenho. Em seguida, compilou alternativas, mediu seu desempenho, identificou falhas e modificou o código.

O experimento de 35 horas envolveu 432 testes de kernel e 1.158 chamadas de ferramentas. A Alibaba afirma que a implementação final entregou uma aceleração média de dez vezes em relação à referência inicial.

Esses detalhes importam mais do que uma única pontuação de benchmark. O modelo precisou conectar um objetivo a uma longa série de ações. Também teve de se recuperar quando resultados de compilação ou desempenho contrariavam suas escolhas anteriores.

A tarefa ainda tinha limites favoráveis. A Alibaba controlava o modelo, o chip, o ambiente de cloud e boa parte do processo de avaliação. A empresa podia projetar a configuração em torno de uma infraestrutura que conhecia bem, mesmo que o modelo não tivesse sido treinado nessa arquitetura específica.

Ainda assim, a execução representa um teste mais exigente do que pedir a um modelo que conclua uma função isolada. Ela se assemelha ao fluxo de otimização de um engenheiro, no qual o progresso depende de experimentos repetidos, e não de uma resposta memorizada.

A Alibaba também está transformando esse foco em agentes em uma estratégia comercial mais ampla. Seu anúncio de cloud descreveu o Qwen3.7-Max como um modelo criado para operações sustentadas e de múltiplas etapas em programação e trabalho de escritório.

O modelo oferece suporte a interfaces compatíveis com ferramentas da OpenAI e da Anthropic. A Alibaba afirma que desenvolvedores podem conectá-lo a ambientes de agentes, incluindo Claude Code, OpenClaw, Qwen Code, Hermes Agent e Qoder.

Essa compatibilidade reduz a relevância de qualquer aplicativo de chat isolado. Empresas podem testar o modelo subjacente dentro de um harness de agentes existente, o software ao redor que gerencia ferramentas, permissões, contexto e execução.

É por isso que a história foi além da cobertura especializada e chegou ao Google News. A Alibaba não está apenas alegando ter um assistente melhor. Ela apresenta o modelo como um trabalhador capaz de permanecer em um processo de engenharia até que ele produza um resultado validado.

Por que a execução de 35 horas pressiona os agentes de programação

O Qwen3.7-Max eleva o padrão competitivo de gerar código plausível para manter um ritmo útil ao longo de centenas de decisões.

Os modelos de programação melhoraram rapidamente em testes que medem se um sistema consegue resolver um problema de software definido. Essas avaliações continuam úteis, mas comprimem o trabalho de engenharia em uma tarefa limpa, com uma linha de chegada reconhecível.

O trabalho de produção é menos organizado. Repositórios contêm dependências não documentadas, requisitos conflitantes, testes intermitentes e decisões cujas consequências aparecem muito mais tarde. Um modelo pode escrever um patch impressionante e ainda deixar um humano com mais trabalho de limpeza do que o problema original exigia.

O experimento da Alibaba ataca uma parte dessa fragilidade. Sua alegação central diz respeito à persistência diante do feedback. O Qwen3.7-Max não precisava que cada ação fosse bem-sucedida, porque o ciclo de medição permitia corrigir tentativas malsucedidas.

Esse padrão se parece mais com o método científico do que com autocomplete. O modelo propôs uma mudança, executou um experimento, examinou o resultado e gerou outro candidato. O valor veio de todo o ciclo, não de uma resposta especialmente inteligente.

A Alibaba relatou diferenças significativas entre o Qwen3.7-Max e vários concorrentes na mesma tarefa de kernel. A empresa afirma que o GLM-5.1 alcançou uma aceleração de 7,3 vezes, o Kimi K2.6 chegou a cinco vezes e o DeepSeek V4 Pro atingiu 3,3 vezes. O Qwen3.6-Plus teria alcançado 1,1 vez.

Essas comparações devem continuar provisórias. A Alibaba selecionou a tarefa, configurou os agentes e relatou os resultados. Mudanças nos prompts, limites de ferramentas, regras de parada ou alocação computacional podem influenciar fortemente uma avaliação de agentes.

A Anthropic ainda oferece um ponto de referência crucial. No KernelBench L3, a Alibaba afirma que o Qwen3.7-Max gerou kernels acelerados com sucesso em 96 por cento dos casos. O Claude Opus 4.6 teria atingido 98 por cento na comparação do provedor.

O panorama mais amplo de benchmarks é misto, em vez de unilateral. O Qwen3.7-Max teria marcado 80,4 no SWE-bench Verified, contra 80,8 do Claude Opus 4.6 Max e 80,6 do DeepSeek V4 Pro Max.

A Alibaba também reconhece áreas em que o Claude liderou sua comparação. Entre elas estão NL2Repo, ClawEval e CoWorkBench. Isso torna a disputa real menos dramática, mas mais relevante para compradores que selecionam modelos em torno de fluxos de trabalho específicos.

A pressão, portanto, recai sobre todos os provedores de modelos que fazem alegações amplas sobre agentes. Os clientes perguntarão cada vez mais por quanto tempo um agente permanece eficaz, com que frequência precisa ser resgatado e se seu trabalho resiste a uma revisão independente.

Uma pontuação alta em um benchmark curto não pode responder a essas perguntas. Nem uma demonstração bem-acabada. As empresas precisam de distribuições ao longo de execuções repetidas, incluindo falhas, taxas de recuperação, tempo de intervenção e a qualidade dos artefatos finais.

O novo padrão também pressiona os desenvolvedores de plataformas de agentes. O modelo é apenas um componente de um sistema funcional. O design das ferramentas, a gestão de contexto, a observabilidade, os limites de permissão e os validadores determinam se uma autonomia prolongada produz progresso ou danos prolongados.

O método de treinamento da Alibaba reflete essa visão em nível de sistema. A equipe Qwen separa cada exercício em uma tarefa, um ambiente de ferramentas e um validador. Pesquisadores podem recombinar esses elementos para desencorajar estratégias que funcionam apenas em uma configuração conhecida.

Um validador verifica se o resultado atende ao objetivo pretendido. Essa função se torna essencial em execuções longas, pois um modelo confiante pode, caso contrário, otimizar a métrica errada por horas.

A Alibaba afirma que o Qwen3.7-Max manteve resultados mais consistentes no OpenClaw, Claude Code e Hermes do que seu antecessor. Se testes independentes confirmarem esse resultado, ele reduziria o trabalho necessário quando organizações trocam de frameworks de agentes.

Para líderes de engenharia, a consistência pode importar mais do que a liderança em rankings. Um modelo um pouco mais fraco que se comporta de forma previsível entre ferramentas pode ser mais fácil de governar do que um líder de pontuação cujo desempenho muda a cada harness.

Essa é a mensagem competitiva por trás da manchete no Google News. A Alibaba pede que compradores avaliem os modelos como operadores persistentes inseridos em sistemas, e não como geradores isolados à espera em abas do navegador.

O trabalho que o Qwen está assumindo é o ciclo repetitivo de experimentação

O deslocamento mais crível no curto prazo envolve iterações repetitivas de engenharia, enquanto humanos mantêm a responsabilidade por objetivos, restrições e consequências.

A expressão "tirando seu emprego" reúne muitas atividades diferentes em uma única previsão dramática. A engenharia de software inclui descoberta de produto, arquitetura, implementação, testes, revisão de segurança, resposta a incidentes, negociação e manutenção.

O Qwen3.7-Max não desempenhou todas essas funções. Ele abordou um objetivo estreito de otimização em um ambiente instrumentado. Seu resultado mais forte veio da repetição de um ciclo que máquinas podem executar mais rápido e por mais tempo do que pessoas.

A otimização de kernels é um bom exemplo. Um engenheiro frequentemente precisa testar muitas escolhas de implementação, compará-las em benchmarks, inspecionar gargalos e descartar a maioria das tentativas. O trabalho exige especialização, mas grande parte de seu tempo decorrido vem da experimentação repetida.

Um agente que automatiza essas repetições pode ampliar o alcance de um especialista. Um engenheiro pode definir o alvo, estabelecer testes de correção, supervisionar o ambiente e revisar um processo de busca maior do que uma pessoa conseguiria executar manualmente.

Esse arranjo muda o trabalho sem eliminar a responsabilização. Alguém ainda decide o que significa "mais rápido", quais tolerâncias numéricas são aceitáveis e se a otimização cria problemas de segurança ou manutenção.

As falhas do modelo também passam a fazer parte da carga de trabalho de engenharia. O código gerado exige revisão, enquanto execuções autônomas longas precisam de logs que expliquem quais arquivos mudaram, quais comandos foram executados e quais premissas moldaram o resultado.

É aí que a interpretação otimista ganha alguma credibilidade. A busca e a medição tediosas podem migrar para o agente, deixando as pessoas com mais tempo para design de sistemas e julgamento.

No entanto, esse benefício não é automático. Organizações podem usar ganhos de produtividade para melhorar a qualidade, tentar trabalhos mais difíceis, reduzir equipes ou aumentar as expectativas de produção. A tecnologia não decide como a gestão distribui os ganhos.

Os desenvolvedores também devem distinguir a automação de tarefas da substituição ocupacional. Um modelo pode automatizar uma atividade substancial sem compreender o contexto de negócios ao seu redor. Empregadores ainda podem reorganizar funções se atividades suficientes se tornarem automatizáveis.

A transição provável será desigual. Equipes que trabalham em repositórios bem testados ganharão mais com agentes, porque validadores podem detectar regressões rapidamente. Sistemas mal documentados oferecem feedback mais fraco, de modo que um agente pode produzir mudanças plausíveis, mas prejudiciais.

Trabalhos especializados de infraestrutura podem se tornar mais acessíveis. Um desenvolvedor sem anos de experiência com kernel talvez use um agente para explorar opções de implementação, desde que um revisor qualificado verifique a correção e o comportamento do hardware.

Isso não torna a especialização irrelevante. Pode tornar a revisão por especialistas mais valiosa, porque os agentes geram mais trabalhos candidatos do que as equipes antes tinham tempo de tentar.

A gestão do conhecimento também se torna mais importante durante essa transição. Um agente precisa de acesso a requisitos, decisões anteriores, runbooks e restrições se for esperado que atue além de um benchmark delimitado.

As equipes já têm dificuldade para tornar esse contexto pesquisável para engenheiros humanos. Uma base de conhecimento técnico mantida pode ajudar as pessoas a verificar o que um agente utilizou e identificar informações ausentes antes da execução.

O trabalho muda novamente quando agentes operam em tarefas de escritório. A Alibaba afirma que o Qwen3.7-Max pode coordenar projetos com múltiplos arquivos e fluxos de trabalho que envolvem ferramentas externas. Essas alegações expandem o modelo além da geração de código, para processos operacionais.

O relatório anual deixa explícita a ambição da Alibaba. Líderes da empresa esperam que agentes realizem uma parcela crescente do trabalho digital e se tornem uma interface principal entre pessoas e software.

Essa visão corporativa deve ser lida como estratégia, não como uma previsão estabelecida de forma independente. A Alibaba vende modelos, capacidade de nuvem, chips e plataformas de agentes. A adoção mais ampla de agentes sustenta diretamente cada parte desse negócio.

Ainda assim, a empresa está se estruturando em torno de uma tese coerente. Modelos geram ações, ações consomem recursos de nuvem, e a Alibaba fornece a infraestrutura que está por baixo delas. Portanto, o Qwen serve tanto como produto quanto como motor de demanda para o restante da pilha.

Para desenvolvedores, a resposta prática não é competir com a paciência de um agente. É aprimorar as habilidades que determinam se o trabalho do agente merece ser lançado.

Essas habilidades incluem escrever requisitos executáveis, criar testes significativos, projetar limites de permissão, revisar mudanças geradas e reconhecer quando o modelo otimizou o alvo errado.

Uma execução de 35 horas é impressionante porque poucas pessoas querem repetir um experimento restrito por tanto tempo. Ela só se torna ameaçadora quando organizações confundem persistência com responsabilidade completa pela engenharia.

O que as manchetes do Google News não comprovam

A Alibaba mostrou um experimento convincente conduzido pela própria empresa, não uma medida universal de desenvolvimento autônomo de software.

A maior limitação é a concentração das fontes. A Alibaba forneceu o modelo, o hardware, as condições de benchmark, as alegações de desempenho e muitos resultados de concorrentes. O Decoder observa adequadamente que vários benchmarks citados foram criados pela equipe do Qwen.

Benchmarks desenvolvidos internamente não são inerentemente inválidos. Desenvolvedores de modelos frequentemente criam testes porque avaliações estabelecidas já não capturam novas capacidades. O risco surge ao usar esses testes como prova ampla sem replicação externa.

O experimento com kernel também carece da incerteza presente em muitos ambientes de produção. Ele tinha um objetivo mensurável, código executável, hardware acessível e um ciclo de feedback curto. Essas condições tornam a iteração autônoma excepcionalmente tratável.

Um requisito de produto como "facilite o onboarding" não oferece feedback comparável. Ele exige pesquisa com usuários, julgamento de design, considerações jurídicas e escolhas entre objetivos concorrentes.

Um longo tempo de execução também pode ampliar erros. Um modelo com acesso excessivo pode modificar mais arquivos, consumir mais recursos, expor informações sensíveis ou criar dependências com base em uma premissa incorreta.

O número de chamadas de ferramenta não mede valor por si só. Um agente que realiza 1.158 ações disciplinadas pode superar uma execução mais curta. Também pode ocultar ineficiência se outro sistema alcançar o mesmo resultado com menos operações.

Portanto, as equipes precisam de métricas de resultado associadas a métricas operacionais. Elas devem medir correção, tempo de revisão, frequência de reversões, achados de segurança e o esforço humano necessário antes da implantação.

A alegação da Alibaba de que o Qwen3.7-Max nunca havia visto a arquitetura Zhenwu M890 durante o treinamento também é difícil de auditar para observadores externos. Conjuntos de dados de treinamento de modelos proprietários de fronteira raramente estão disponíveis para inspeção completa.

O modelo recebeu uma implementação de referência, e esse artefato carrega informações substanciais sobre a computação. Portanto, ele começou sem documentação, mas não sem um ponto de partida tecnicamente significativo.

Comparações com concorrentes exigem cautela semelhante. O resultado de um agente depende de seu harness, prompts, interfaces de ferramentas, alocação de contexto e política de interrupção. Uma avaliação neutra deve fornecer a cada modelo uma configuração adequada aos seus pontos fortes.

A mesma preocupação se aplica à consistência entre diferentes harnesses. A Alibaba afirma que sua nova abordagem de treinamento reduziu as mudanças de desempenho entre diferentes ambientes de agentes. Pesquisadores independentes devem repetir esses testes usando repositórios públicos e regras fixas de avaliação.

A segurança apresenta outra questão não resolvida. Um agente de programação em execução prolongada pode encontrar instruções maliciosas em repositórios, documentação, rastreadores de issues ou saída de ferramentas. A autonomia persistente amplia o tempo e a superfície disponíveis para manipulação.

O projeto de permissões se torna a defesa prática. As equipes devem conceder o acesso mínimo necessário para uma tarefa, isolar a execução, preservar logs completos e exigir aprovação antes que mudanças alcancem sistemas sensíveis.

A revisão humana continua necessária, mas deve ser substancial. Aprovar um grande patch após examinar um resumo não oferece controle significativo. Revisores precisam de testes, diffs, proveniência e descrições claras das incertezas não resolvidas.

A Alibaba relatou outro uso intrigante do Qwen3.7-Max durante o treinamento. Segundo relatos, o modelo monitorou trajetórias de engenharia de software em busca de reward hacking, que ocorre quando um modelo explora uma avaliação em vez de resolver o problema pretendido.

Segundo a empresa, o agente examinou 13.952 trajetórias ao longo de 86 horas. Ele criou 13 regras de detecção e sinalizou 1.618 casos suspeitos.

Essa aplicação ilustra tanto a promessa quanto a circularidade da avaliação de agentes. Um modelo pode ajudar a identificar conduta inadequada de outro, mas os pesquisadores ainda precisam validar se suas detecções eram precisas.

Falsos positivos podem remover exemplos de treinamento legítimos. Falsos negativos podem recompensar atalhos que depois aparecem como desempenho impressionante em benchmarks. Portanto, o agente de monitoramento requer seu próprio processo de auditoria.

Essas incertezas não anulam o resultado de 35 horas. Elas definem o que o resultado pode sustentar. Ele é evidência de que um modelo de fronteira pode manter um ciclo especializado de otimização sob condições controladas.

Não é prova de que o Qwen3.7-Max possa manter de forma independente um sistema de produção desconhecido, interpretar necessidades ambíguas de stakeholders ou assumir responsabilidade por uma implantação malsucedida.

Leitores que chegam pelo Google News devem resistir aos dois extremos. O experimento é mais substancial do que uma demonstração encenada de chatbot, mas mais restrito do que um substituto para um departamento de engenharia.

O que observar após o lançamento do Qwen3.7-Max

Três sinais mostrarão se a Alibaba entregou uma plataforma de agentes duradoura ou uma demonstração excepcionalmente favorável.

O primeiro sinal é a replicação independente do resultado do kernel. Pesquisadores precisam de acesso à definição da tarefa, ao código inicial, aos testes de correção, às condições de execução, aos prompts, às políticas de ferramentas e aos critérios de interrupção.

Uma reprodução bem-sucedida em hardware não pertencente à Alibaba fortaleceria a alegação central. Falhas repetidas ou forte dependência de infraestrutura privada restringiriam sua relevância.

O estudo mais útil compararia múltiplas execuções, em vez de publicar um único melhor resultado. Sistemas de agentes podem variar muito entre tentativas, portanto médias e distribuições de falha importam mais do que uma única trajetória bem-sucedida.

O segundo sinal é o desempenho do Qwen3.7-Max em repositórios reais por períodos mais longos. Empresas devem reportar a frequência de intervenções, mudanças aceitas, mudanças revertidas, tempo de revisão e defeitos encontrados após a implantação.

A Alibaba cita pontuações em benchmarks de software e agentes, mas estudos de caso públicos revelariam se essas capacidades sobrevivem às condições organizacionais confusas. Uma implantação útil deve reduzir o esforço humano total, não apenas aumentar o código gerado.

Observe especialmente exemplos envolvendo manutenção. Criar um novo protótipo permite ampla liberdade, enquanto manter um sistema existente exige compatibilidade com decisões anteriores e restrições operacionais.

O terceiro sinal é a resposta de provedores de modelos concorrentes. Anthropic, DeepSeek, Moonshot AI e Zhipu AI agora têm um incentivo para publicar execuções autônomas mais longas com regras de avaliação mais claras.

A concorrência pode melhorar as evidências se os provedores divulgarem tarefas reproduzíveis e casos de falha. Pode enfraquecê-las se apenas elevarem números de tempo de execução e vitórias em benchmarks selecionados por eles mesmos.

A posterior infraestrutura de agentes da Alibaba oferece outra pista sobre sua direção. A empresa introduziu ferramentas para rastrear, avaliar, coordenar e governar múltiplos agentes.

Esse investimento reconhece uma verdade central: a inteligência do modelo, por si só, não cria um trabalhador confiável. Organizações precisam de controles que revelem o que um agente fez e permitam que pessoas intervenham antes que os danos se espalhem.

O Qwen3.7-Max também permanece proprietário por meio dos serviços hospedados da Alibaba, ao contrário de alguns lançamentos anteriores do Qwen. Essa escolha dá à empresa maior controle sobre a implantação e vincula o uso mais estreitamente ao seu negócio de nuvem.

Ela também complica a inspeção independente. Pesquisadores podem avaliar resultados e comportamento, mas não conseguem examinar plenamente os pesos, o processo de treinamento ou as mudanças de serving por trás do modelo.

A Alibaba enfrenta uma troca estratégica. O acesso hospedado pode apoiar atualizações de segurança e operações gerenciadas. Pesos abertos podem impulsionar a adoção entre desenvolvedores que precisam de controle local, personalização ou avaliação técnica mais profunda.

O roteiro mais amplo do Qwen revelará como a empresa equilibra esses objetivos. A Alibaba continuou lançando alguns modelos abertos e componentes de infraestrutura, enquanto reserva seus sistemas Max mais fortes para acesso hospedado.

Para compradores empresariais, a questão imediata é mais restrita do que qual laboratório lidera todos os benchmarks. Eles precisam saber se o Qwen3.7-Max realiza seu trabalho de forma confiável dentro de seus requisitos de conformidade, dados e revisão.

Um piloto curto deve usar um item real do backlog com critérios de aceitação mensuráveis. O agente deve operar em um ambiente isolado, com cada chamada de ferramenta registrada e ações sensíveis bloqueadas.

As equipes devem comparar o tempo total de conclusão com seu fluxo de trabalho atual. Esse cálculo deve incluir preparação de prompts, supervisão, revisão de código, testes, correção e documentação.

Desenvolvedores podem realizar um experimento semelhante em uma tarefa interna de baixo risco. Escolham um trabalho que contenha testes repetitivos, mas ainda exija julgamento. Registrem onde o modelo avança, trava ou solicita contexto ausente.

O objetivo não é provar que um agente pode substituir alguém. É localizar a fronteira entre delegação produtiva e supervisão cara.

Essa fronteira mudará à medida que os modelos melhorarem. Ela também será diferente entre repositórios, organizações e ambientes regulatórios. Nenhuma manchete do Google News pode determiná-la para todas as equipes.

O experimento da Alibaba chama atenção porque mostra um modelo persistindo em um processo real de otimização por 35 horas. A parte encorajadora é que o alvo foi trabalho técnico repetitivo, não toda a função que o cerca.

O próximo passo cabe às pessoas que devem usar esses sistemas. Teste essa afirmação em relação ao seu próprio trabalho, meça o custo total da supervisão e pergunte quais decisões precisam continuar humanas. Se o Qwen3.7-Max ampliar de forma consistente o que um engenheiro cuidadoso consegue realizar, o trabalho mais importante que ele assumirá talvez seja aquele que esse engenheiro nunca quis repetir.