โดย Insightist™ | เผยแพร่: 2 มิถุนายน 2569 | อ้างอิง: Qwen Team — qwen.ai, พฤษภาคม 2569
สรุปสาระสำคัญ
- Alibaba เปิดตัว Qwen3.7-Plus โมเดล AI Agent แบบ Multimodal ที่รวมการมองเห็นและภาษาเข้าด้วยกัน ทำงานได้ทั้ง GUI และ CLI ในลูปเดียว
- ระบบ Hybrid Agent ทำงานต่อเนื่อง 11+ ชั่วโมง สร้างโค้ด 10,000+ บรรทัด เรียก Agent 1,000+ ครั้ง โดยไม่มีมนุษย์แทรกแซง
- Benchmark ด้านควบคุมหน้าจอ ScreenSpot Pro ได้ 79.0 — สูงกว่า GPT-5.4 (67.4) และ Claude Opus 4.6 Max (49.5) อย่างชัดเจน
- รองรับ Context Window 1,000,000 tokens และเชื่อมต่อ Claude Code ได้โดยตรงผ่าน Anthropic API Protocol
- เข้าใช้งานได้ทันทีผ่าน Alibaba Cloud Model Studio
ถ้าคุณเคยนึกภาพว่า “AI ช่วยเขียนโค้ด” นั้นหมายถึงการ copy-paste คำตอบจาก Chatbot แล้วเอาไปแก้เองต่อ — เรื่องนั้นกำลังจะล้าสมัย
ในเดือนพฤษภาคม 2569 Qwen Team จาก Alibaba ปล่อยโมเดลที่ นั่งทำงานแทนโปรแกรมเมอร์ได้จริงๆ ตั้งแต่วางแผน เขียนโค้ด กดทดสอบ แก้บั๊ก ไปจนถึงส่งงาน ทั้งหมดนี้ใน 11 ชั่วโมง โดยไม่มีมนุษย์แม้แต่คนเดียว
Qwen3.7-Plus คืออะไร และทำไมถึงไม่เหมือนโมเดลอื่นที่เคยเห็นมา?
Qwen3.7-Plus คือ Multimodal Agent — ไม่ใช่แค่โมเดลภาษาที่ “อ่านภาพได้” แต่คือระบบที่รวม “การมองเห็น + การคิด + การลงมือทำ” เข้าไว้ด้วยกันในลูปเดียว
สิ่งที่แตกต่างจากโมเดลทั่วไปคือ Qwen3.7-Plus ทำงานได้ทั้ง GUI (คลิก, พิมพ์, นำทางในแอป) และ CLI (รัน Command, แก้ไขไฟล์, ทดสอบโค้ด) พร้อมกัน โดยใช้ข้อมูลจาก “หน้าจอที่มองเห็น” ในการตัดสินใจทุกขั้นตอน
ทีมนักพัฒนาเรียกสิ่งนี้ว่า “Multimodal Interactive Hybrid Agent” — Agent ที่ไม่ต้องรอคนสั่งทีละก้าว แต่วางแผน ทำ และแก้ไขได้เองในวงรอบปิด
ระบบ Hybrid Agent ทำงาน 11 ชั่วโมงโดยไม่หยุด — มันทำได้จริงๆ ยังไง?
ทีม Qwen สาธิตด้วยการให้ Qwen3.7-Plus พัฒนา App เรียนคำศัพท์ภาษาอังกฤษตั้งแต่เริ่มจนจบ โดยอัตโนมัติ และผลลัพธ์ที่ได้น่าทึ่งมาก
| รายการ | ผลลัพธ์ |
|---|---|
| เวลาทำงานต่อเนื่อง | 11+ ชั่วโมง |
| โค้ดที่สร้าง | 10,000+ บรรทัด |
| Agent Calls | 1,000+ ครั้ง |
| มนุษย์ที่แทรกแซง | 0 คน |
กระบวนการทั้งหมดครอบคลุม: เขียน Requirement Document → เขียนโค้ดอัตโนมัติ → ติดตั้งและ Deploy → สร้าง Test Case → ทดสอบ GUI อัตโนมัติ → แก้บั๊ก → อัปเดตเอกสาร → วน Iteration ต่อเนื่อง
ตัวอย่างที่น่าประทับใจยิ่งกว่าคือการที่ Agent สร้าง macOS Stocks App ขึ้นมาใหม่ทั้งหมด โดยอัตโนมัติ ตั้งแต่เปิดแอปต้นฉบับเพื่อดู UI เอง → เขียน SwiftUI Code → เชื่อมต่อ API ข้อมูลหุ้นจริง → ทดสอบ 10 Feature อัตโนมัติ — ผ่านทั้งหมด 10/10
Benchmark ด้านควบคุมหน้าจอ — Qwen3.7-Plus ชนะ GPT-5.4 และ Claude Opus ได้จริงไหม?
ได้จริง — และห่างมากกว่าที่คิด โดยเฉพาะในงานที่ต้องควบคุม GUI บนหน้าจอ
ผลการทดสอบ ScreenSpot Pro (ทดสอบความสามารถควบคุม UI บนหน้าจอจริง):
| โมเดล | คะแนน |
|---|---|
| Qwen3.7-Plus | 79.0 🥇 |
| Gemini-3.1 Pro | 68.1 |
| GPT-5.4 (xhigh) | 67.4 |
| Qwen3.6-Plus | 68.2 |
| Claude Opus 4.6 Max | 49.5 |
AndroidWorld (ทดสอบการใช้งานแอปบน Android จริง):
| โมเดล | คะแนน |
|---|---|
| Qwen3.7-Plus | 81.0 🥇 |
| Gemini-3.1 Pro | 70.7 |
| Qwen3.6-Plus | 67.2 |
| Claude Opus 4.6 Max | 62.0 |
ความได้เปรียบของ Qwen3.7-Plus ไม่ใช่แค่การ “เห็นภาพ” แต่คือการ ระบุ UI Element ได้แม่นยำ เข้าใจว่าต้องกดตรงไหน แล้วลงมือทำได้จริงในสภาพแวดล้อมจริง
Browser Agent คืออะไร และมันเปลี่ยนวิธีทำงานบนเว็บยังไง?
Browser Agent คือ AI ที่ใช้เบราว์เซอร์แทนคุณได้จริงๆ — ไม่ใช่แค่บอกวิธี แต่ลงมือทำให้เลย
ระบบนี้ทำงานผ่าน Qwen for Chrome ซึ่งเป็น Extension ที่ฝังใน Chrome เมื่อเปิด Agent Mode มันจะมองเห็นหน้าเว็บ เข้าใจงานที่มอบหมาย วางแผนขั้นตอน แล้วลงมือ คลิก พิมพ์ นำทาง ตั้งค่า และตรวจสอบผลลัพธ์ได้เองแบบ Real-time
ตัวอย่างที่ทีม Qwen สาธิต: ผู้ใช้ที่ไม่มีความรู้ด้าน IT บอกว่า “ซื้อ ECS Server ที่ราคาถูกที่สุด” — Agent ก็:
- เข้า Cloud Console เอง
- เปรียบเทียบ Instance ต่างๆ เอง
- เลือก Configuration ที่ถูกที่สุด
- ตั้งค่า Storage, Security Group และรายละเอียดคำสั่งซื้อครบ
- ปรับกลยุทธ์เองเมื่อราคาเปลี่ยนหรือสินค้าหมด
- Verify ผลลัพธ์ก่อนสรุปงาน
ทั้งหมดนี้โดยที่ผู้ใช้ไม่ต้องแตะ Mouse เลยแม้แต่ครั้งเดียว
Vision-to-Code คืออะไร และใครได้ประโยชน์จากมันมากที่สุด?
Vision-to-Code คือความสามารถแปลง “ภาพ” ให้กลายเป็น “โค้ด” ทั้ง SVG, Frontend Web และ Mobile App
Qwen3.7-Plus รับ Input ได้หลายรูปแบบ ได้แก่ รูปภาพ, วิดีโอ, UI Screenshot และ Design Reference แล้วแปลงออกมาเป็นโค้ดที่รันได้จริง ครอบคลุม:
| Input | Output |
|---|---|
| ภาพ Icon / Illustration | SVG Code |
| UI Screenshot | HTML + CSS + JS |
| Design Reference | Interactive Webpage |
| วิดีโอ Demo | SwiftUI / Mobile App Code |
กลุ่มที่ได้ประโยชน์มากที่สุดคือ นักออกแบบ ที่ต้องการแปลง Mockup เป็น Code โดยไม่ต้องรอนักพัฒนา, Startup ที่ต้องการสร้าง Prototype เร็ว และ ทีม Marketing ที่ต้องการสร้างหน้าเว็บจาก Design ที่มีอยู่
นักพัฒนาและทีมงานไทยจะเริ่มต้นใช้ Qwen3.7-Plus ได้ยังไง?
Qwen3.7-Plus พร้อมใช้งานผ่าน Alibaba Cloud Model Studio ทันที และที่พิเศษมากสำหรับทีมที่ใช้ Claude Code อยู่แล้ว — ไม่ต้องเปลี่ยน Workflow เดิมเลย
วิธีเชื่อมต่อกับ Claude Code มีแค่ 4 บรรทัด:
bash
npm install -g @anthropic-ai/claude-code
export ANTHROPIC_MODEL="qwen3.7-plus"
export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=<your_api_key>นอกจากนี้ยังรองรับ OpenClaw และ Qwen Code โดยมี Context Window ถึง 1,000,000 tokens — หมายความว่าโยน Codebase ทั้งโปรเจกต์เข้าไปให้ AI อ่านได้เลยในครั้งเดียว
สำหรับทีมที่ต้องการทดลองโดยไม่ต้องเซ็ต Infrastructure เอง ลองเริ่มจากการทดสอบ API ผ่าน Alibaba Cloud Model Studio ก่อน แล้วค่อยประเมินว่า Use Case ไหนเหมาะกับงานของทีม
คำถามที่พบบ่อย (FAQ)
Qwen3.7-Plus ต่างจาก Qwen3.6-Plus ยังไง?
Qwen3.7-Plus เพิ่มความสามารถ Multimodal อย่างครบวงจร — มองเห็นภาพ, ควบคุม GUI, แปลงภาพเป็นโค้ด และทำงานแบบ Hybrid Agent ได้ในลูปเดียว ขณะที่ 3.6-Plus เป็นรุ่นก่อนหน้าที่เน้น Text เป็นหลัก
ต้องเสียเงินเพิ่มไหมถ้าใช้ผ่าน Claude Code?
การเชื่อมต่อผ่าน Anthropic API Protocol ไม่มีค่าใช้จ่ายเพิ่มเติมสำหรับ Setup แต่ค่า API จะคิดตาม Alibaba Cloud Model Studio ซึ่งแยกจาก Anthropic อย่างสมบูรณ์
ภาษาไทยรองรับดีแค่ไหน?
Benchmark MMMLU (Multilingual) ได้ 89.0 และ WMT24++ (การแปล 55 ภาษา) ได้ 84.6 — ถือว่าอยู่ในระดับสูงมากสำหรับการใช้งานภาษาไทยและการแปล
ใช้วิเคราะห์เอกสาร PDF และรูปภาพในงานธุรกิจได้จริงไหม?
ได้ — OmniDocBench1.5 ได้ 91.4 (สูงสุดในชุด) และ OCR-Bench-V2 (ภาษาอังกฤษ) ได้ 70.7 รองรับการอ่านเอกสาร ใบเสร็จ ตาราง และรายงานธุรกิจได้ดีมาก
Qwen3.7-Plus ใช้กับ Autonomous Driving ได้จริงไหม? ใช้ได้ในระดับ Research — LingoQA ได้ 83.4 (สูงสุดในชุด) บ่งชี้ว่าเข้าใจฉากการขับขี่และความสัมพันธ์เชิงพื้นที่ได้ดี แต่ยังต้องผ่าน Safety Validation ก่อน Deploy จริงในยานยนต์
Source:
- Qwen3.7-Plus: Multimodal Agent Intelligence — Qwen Team (พฤษภาคม 2569)
