📢 Gate 廣場 TradFi 交易分享挑戰上線！
晒单瓜分 $30,000 獎池，新人首帖 100% 中獎！
📌 參與方式：
帶 #TradFi交易分享挑战 發帖，滿足以下任一即可：
🔹 帶今日指定 TradFi 幣種標籤發帖交流。
🔹 完成單筆大於 $10U 的 TradFi CFD 交易並掛載交易卡片。
🏷️ 今日指定標籤：USDJPY、AUDUSD、US30、TSLA、JPN225
🎁 寵粉福利：
1️⃣ 卡片分享獎： 抽 50 人，每人送 $100 仓位體驗券！
2️⃣ 發帖榜單獎： 衝排行榜，贏 WCTC 限定 T 恤！
3️⃣ 新粉見面禮： 新人首次發帖，100% 領 $10 體驗券！
詳情：https://www.gate.com/announcements/article/51221
Qwen3.7-Max正式發布：35小時自主寫代碼1158次，在國產芯片上煉出10倍加速算子
在優化過程中，模型歷經了五個核心演進階段。它首先通過 Split-K 分區將前綴 KV-cache 沿 token 維度劃分以填滿 36 個 SM 核心；隨後將主機與設備間同步的 cudaMalloc 替換為預分配的 PyTorch 變量，並通過使用 tensor 元數據完全抹去了查詢前綴長度時的同步 cudaMemcpy 動作，徹底移除了主機與設備間的通信開銷；在最後階段，模型重構算子以在單個線程塊中同時處理全部 4 個 query token，共享加載以分攤訪存開銷，完成了關鍵的架構級特化重構。
算子優化實測顯示，Qwen3.7-Max 取得 10.0x 幾何平均加速比，顯著超越 GLM 5.1（7.3x）與 Kimi K2.6（5.0x）。而 DeepSeek V4 Pro 僅為 3.3x 且在後半程因連續五輪未發出任何工具調用而提前主動結束任務。
為了在多變環境裡掌握通用的解題策略，Qwen3.7-Max 在訓練中將任務、運行框架與驗證器進行了解耦，並通過跨框架強化學習訓練避免了針對特定基準的捷徑過擬合。在通用的智能體基準 MCP-Mark（60.8 分）與 SpreadSheetBench（87.0 分）上，Qwen3.7-Max 展現了極強的泛化性，綜合性能表現已緊逼 Claude-4.6-Opus-Max。