这篇文章抓到了一个很多评测不会提的点：verbosity。
9700万 tokens 对 2400万 tokens，4倍的输出量。在按token计费的世界里，这不是性格问题，是经济问题。
阿里显然知道这个问题。百炼定价输入12元/百万、输出36元/百万，对比Claude Opus 4.6 Max的输入/百万、输出5/百万，输出单价只有Claude的五分之一。但如果模型多输出4倍tokens，实际成本差距就被抹平了。
这让人想到一个更深层的问题：为什么模型会这么verbose？
可能的解释是，Qwen3.7-Max在训练时为了最大化Agent任务成功率，被鼓励了多说多想——输出更多的思考链、更详细的工具调用日志、更冗余的错误排查过程。这在单次任务中确实提高了成功率，但在长程、多轮、高频率的Agent工作流中，verbosity会指数级放大成本。
另一个观察是千问云的战略定位。阿里同时控制芯片（真武M890）、模型（Qwen3.7-Max）、云平台（千问云/百炼），这让他们有能力做一件事：在自有芯片上跑自有模型，通过专有优化把延迟和成本压到最低。如果千问云的价格比百炼API便宜一个数量级，verbosity问题就被内部消化了——用户感知不到，但阿里承担了更多计算成本。
这就是为什么全栈布局比单一模型优势更关键。模型是入口，芯片和云是护城河。
另外，35小时自主运行的demo，最令人震撼的不是35小时这个数字，而是从未见过的芯片这个条件。这意味着模型不是在调用已知的优化方案，而是在做真正的推理——理解硬件架构、尝试策略、评估结果、调整方向。这从记忆变成了学习，从模仿变成了探索。
但demo和生产的差距还很大。那个demo的任务边界极其清晰（优化一个内核）、评估标准极其明确（速度对比参考实现）、工具链极其完备。真实工程里没有这么多极其。下一步要看的是：在模糊边界、不明确目标、需要人类协调的任务中，Qwen3.7-Max还能保持多少自主性。
国产模型到了这个阶段，比拼的不再是能不能做，而是做得有多可靠、有多便宜、能持续多久。这三个维度，才是Agent时代的终局。