Qwen 3.7 Flashレビュー: 落とし穴のある0.03ドルのビジョンモデル

Qwen 3.7 Flashの正体

私はインテグレーションとAPIを構築するのを生業にしている。だからどんなローンチでも最初にやることは、発表を無視して実際にモデルカードを読みに行くことで、Qwen 3.7 Flashについてはそれが簡単だった。なぜなら無視すべき発表そのものが存在しなかったからだ。

このモデルについてのQwenのブログ記事は存在しない。qwen.aiの記事フィードにはQwen 3.7 MaxとQwen 3.7 Plusのローンチ記事が掲載されているが、Flashについては何もない。QwenCloudの変更履歴にある2026年7月25日付けの一行だけが、存在する唯一の公式な告知だ。

2026年7月27日にOpenRouterで公開され、正規のスラッグ qwen/qwen3.7-flash-20260727 で、qwen3.7-flash-2026-07-15 という名前のピン留めされたスナップショットが付いている。

以下がAlibaba Cloudのモデルカードからそのまま引用した、ポジショニングステートメントの全文だ。

"The Qwen3.7 native vision-language series Flash models comprehensively enhance multimodal understanding and Agent execution capabilities compared to 3.6-Flash. Key improvements include strengthened foundational multimodal abilities, enhanced object recognition, improved real-world perception and spatial intelligence."

これが売り込み文句のすべてだ。ベンチマーク表もなく、評価名もなく、パーセンテージもなく、アーキテクチャもない。Qwenはパラメータ数を公表していない。密なモデルか混合エキスパートかも、どれだけのトークンを見たかも公表していない。オープンリリースで評判を築いてきた企業にしては異なる姿勢であり、コミュニティもそれに気づいている。

機械的な事実の方がまだ役に立つ。テキスト、画像、動画が入力、テキストが出力。コンテキストは1,000,000トークンで、使用可能な入力は991,808に、出力は65,536に制限されている。これはPlusとMaxが許容する量の半分だ。思考連鎖の予算は262,144トークンまで及び、推論はデフォルトでオンになっている。関数呼び出しも機能する。組み込みツールとしてコード解釈やウェブ抽出、さらに画像・テキスト検索も用意されている。

ファミリーの全体図には本当の驚きがある。Flashは3モデル中最も安く、最も速く、毎秒59トークンとPlusの12を上回る。しかも動画を受け付ける唯一のモデルでもある。フラッグシップであるQwen 3.7 Maxはテキスト専用だ。通常はバジェット階層が機能を削られる側だが、ここではバジェット階層が最も多くを見ている。

価格、そして表示価格が語らない部分

この投稿を一つのセクションしか読まないなら、これを読んでほしい。誰もが引用している0.03ドルという数字は本物だ。ただし、これは3つのうちの最良のケースでしかない。

これらの料率はOpenRouterのモデルAPIから得たもので、同じ3段階の構造がAlibaba自身のカードでも人民元建てで確認できる。北京、フランクフルト、東京でそれぞれ入力100万トークンあたり0.2、0.6、1.2元だ。一つの価格体系を二つの視点から見ているだけなので、矛盾を解消する必要はない。

つまりマーケティングは「最も安いビジョンモデル」と「100万コンテキスト」を並べて、両方を同時に得られると思わせている。しかし実際はそうではない。100万コンテキストと0.03ドルの価格は互いに排他的だ。実際に長いウィンドウを必要とするものは、それが大きなコードベースであれ、動画であれ、ドキュメントの山であれ、予算していた料率の6.7倍にあたる最上位の価格帯に着地する。

これは理論上の話ではまったくない。OpenRouterはキャッシュ適用後に顧客が実際に支払っている金額を30日間のローリング平均として公開しており、このモデルでは入力0.044ドル、出力0.149ドル、キャッシュヒット率51.0%となっている。この平均が表示価格を上回るということは、実際のトラフィックのかなりの割合がすでに32Kおよび256Kの階層を支払っていることを意味する以外にありえない。キャッシュ割引もあなたを救ってはくれない。

自分の数字を当てはめてみよう。

エンドポイントを選ぶ前に知っておくべき地域ごとの癖がいくつかある。同じモデルでも、シンガポールは北京、フランクフルト、東京よりおよそ22%高い。ウェブ検索は北京とシンガポールでのみ機能する。バッチ推論は北京でのみ機能し、ファインチューニングはどこでも利用できない。

安価な階層の他モデルとの比較

価格帯を考慮してもなお、価格こそが主役だ。以下は現在の安価かつビジョン対応のフィールドで、数字はすべて各ベンダー自身の価格ページから取っている。Kimi K3のようなフロンティア価格帯のリリースはここでは対象外だ。

いくつか目を引く点がある。Qwenはここでは桁違いに安く、入力でMistral Small 4の5分の1、Gemini 3.5 Flash-Liteの10分の1だ。また、GPT-5.6 LunaとMistral Small 4が画像限定であるのに対し、動画を0.10ドル未満の入力レートで受け付ける唯一のモデルでもある。

自分で比較する場合に避けるべき落とし穴が一つある。Gemini 3.1 Flash-Liteは3.5 Flash-Liteよりも依然として安く、0.25ドル/1.50ドルに対して0.30ドル/2.50ドルだ。Googleのラインナップでは新しい方が必ずしも安いわけではなく、Gemini 3.6 Flashは上位に位置している。そしてGPT-5.6 Lunaは私がこれを書く1日前の2026年7月30日に価格を80%引き下げており、1週間前よりもはるかに近い競合になっている。

しかし実際にこのモデルが最も打ち負かしているのは、自らの前身だ。0.1875ドル/1.125ドルのQwen 3.6-Flashに対して、新しいベース階層は入力で6.25倍、出力で8.65倍安い。今回のローンチについて他に何が真実であれ、Alibabaは自社のビジョンの下限を一度のリリースで桁違いに引き下げたのだ。

"Flash"はここでは「安い」を意味し、「速い」を意味しない

ここで名前が誤解を招く。Googleのラインナップでは、Flashは低レイテンシーを意味する。ここでは低価格を意味する。これらはまったく異なる製品だ。

OpenRouterは唯一の提供者を毎秒59出力トークン（P50）、初回トークンまでの時間1.20秒と計測している。Artificial AnalysisはGemini 3.5 Flash-Liteを毎秒382トークン、GPT-5.4 miniを毎秒177と計測している。ハーネスも条件も異なるため、この比率は緩く受け止めるべきだ。それでも6倍の差は測定誤差と呼ぶには広すぎ、デフォルトでオンになっている推論がこの数字をさらに押し下げている。

これに異を唱えるデータポイントもある。あるコーディングツールでテストした開発者は、OpenRouterのテレメトリが示すよりもはるかに優れたスループットを報告している。

"Qwen 3.7 flash is already available in Command Code. Cheap tiered pricing, super fast 150 TPS. // Capabilities include. 💬 Text input ✓ 👁️ Vision ✓ 🧠 Reasoning ✓ Testing it out. It's gonna be a fun competitor to DeepSeek V4 Flash."

Ahmad Awais, X

彼の150 TPSはOpenRouterが計測したP50のおよそ2.5倍だが、短いプロンプトとウォームなキャッシュならそうなり得る。本番トラフィックをサンプリングしているのはOpenRouterの方なので、私なら150ではなく59を前提に計画を立てる。

夜も眠れなくなりそうなのはテール部分だ。エンドツーエンドのレイテンシーはP50で3.56秒、P75で8.54秒で、これは問題ない。しかしP90では17.96秒、P95では29.03秒、P99では90.19秒になる。

バッチジョブにとってこのテールは見えない存在だ。しかし人が待っている場合、100件に1件のリクエストが1分半かかるというのは、単なる指標ではなく製品上の決断事項になる。そしてこれはAIエージェントのループの中で複利のように効いてくる。1回の遅いツール呼び出しが、その後ろのすべてのステップを止めてしまうからだ。

同じパネルからもう2つの数字を挙げよう。ツール呼び出しのエラー率は8.88%で、Plusの6.45%に対して高く、これはエージェント作業向けと明確に謳われているモデルにおいて、およそ11回に1回ツール呼び出しが失敗することを意味する。そして提供者はちょうど1社だけだ。Alibaba Cloudが不調な午後を迎えても、フォールバックのルーティングは存在しない。

私が解決できなかった小さなドキュメントの矛盾もある。Alibabaのモデルカードは構造化出力をサポート対象として挙げている。OpenRouterのパラメータ一覧はFlashについて構造化出力フラグを公開していない。response_format のみで、PlusとMaxについては公開しているにもかかわらずだ。厳密なスキーマ強制がパイプラインにとって重要なら、どちらのページも信用せず、コミットする前にテストしてほしい。

唯一存在する独立ベンチマーク

Qwenは何も公表しなかったので、実際にスコアを付けた人を探しに行った。それはちょうど一件だけ存在する。

Artificial Analysisはこのモデルを掲載していない。モデルページは404を返し、サイトのサイトマップを確認しても、Qwen 3.7関連のページはMaxとPlusしかないことが分かる。LMArenaにもFlashのエントリはない。つまり、通常の情報源によるインテリジェンス指数はなく、Eloもなく、いかなる形の品質スコアの公表もない。

例外はRoboflowのビジョン評価で、その内容は芳しくない。

総合では23モデル中22位の61.7%で、GPT-5.4 miniの63.5%のすぐ後ろにつけ、コストでは23モデル中1位だ。公平を期すなら、OCRの結果は僅差のフィールドの中での最下位であり、失敗ではない。84.1%という平均一致率は絶対値としては立派なものだ。そしてQwenはFlashについてOCRやGUI操作を強みだと謳ったことはない。それらはPlusの領域だ。だから「OCRで最下位」というのは、破られた約束というより、Alibabaが言っていたことと一致している。

しかしこの結果は、あなたが何を買っているのかを明確にしてくれる。識別が84.4%という得意技であるのに対し、位置特定は42.8%という弱点だ。写っているものが何かを教える能力は、それがどこにあるかを教える能力よりもはるかに優れている。ワークロードが「1000万枚の画像をカテゴリ別にタグ付けする」というものなら、1000サンプルあたり1セントの10分の1という価格で見事にフィットする。「この請求書を読んで項目を抽出する」というものなら、別のモデルに手を伸ばした方がいい。

コミュニティの声、そしてなぜそれがこれほど少ないのか

これはこのリリースについて最も奇妙な点であり、私が最も示唆的だと考えている点でもある。

100万トークンあたり0.03ドルというビジョンモデルが4日前にローンチされたのに、Hacker Newsにはこれについてのコメントが一件もない。HNで qwen3.7-flash を全文検索しても、記事・コメントを問わず全期間でゼロ件がヒットする。ローンチスレッドは一度も投稿されていない。この期間中で唯一のQwen関連の記事、「Qwen 3.7 or 3.8 30B – 100B. QWhen?」は、コメントをゼロ件しか集めなかった。

さらに興味深いことがある。ローンチした週にHNで交わされていたQwenに関する生きた会話は、DeepSeekのスレッドの中で起きていたもので、そこでは人々がQwenが果たしてビジョンをリリースするのかどうかを議論していた。Qwenがビジョンモデルを出荷した4日後にもかかわらずだ。

"You have to remember DeepSeek v4 flash even though a bit cheaper, does not have vision abilities, which is a big draw for agentic tasks."

nickandbro on "DeepSeek-V4-Flash Update", Hacker News

"Most interesting part IMO is whatever Qwen open weight will include image / video capabilities since its where they are strongest."

SXX on "DeepSeek-V4-Flash Update", Hacker News

2つ目のコメントがまさに理由を突いている。かつてQwenのリリースを追いかけていた層はローカルウェイトのコミュニティであり、Qwenは彼らへのサービス提供をやめてしまった。同じ論点はGLM 5.2についてのスレッドでも浮上している。

"That's because Qwen's flagship models are not, in fact, open weight. Qwen3.7 Max, Qwen3.7 Plus and others are closed weight."

phainopepla2 on "GLM 5.2 Is Out", Hacker News

Flashも同様にクローズドだ。Hugging Faceは空の配列を返し、Roboflowはライセンスをプロプライエタリと表示している。それでもローンチ当日、別の期待を抱いていた人もいた。

"Qwen3.7 Flash vient de faire son apparition sur OpenRouteur, il y a une petite chance que Qwen3.7 soit bientôt dispo pour de l'IA locale !"

CAPET, X

これは「Qwen 3.7がまもなくローカルAI向けに利用可能になるかもしれない」という期待を訳したものだ。しかし、そうはならないだろう。

このセクションが何であるかについては正直に言っておくべきだ。これらの引用はどれもFlashについてのものではない。なぜならまだそうした引用は存在しないからだ。これらは3.7ファミリー全体と、Flashが埋めるために作られたギャップについてのものだ。ファミリーへの評価は両方向に分かれている。あるHNコメント投稿者は1ヶ月間毎日使った末に3.7 Proを「まったく使い物にならない」と評しているし、chewzは速度の面で3.7 MaxをOpusレベル以上と評価している。Qwenがそもそも一切ベンチマークを公表しなかったFlashに関して言えば、そのスレッドの一行が私の心に残った。

"Another thing I experience with the Qwen models is that I do not trust their benchmark scores at all."

Alifatisk on "Qwen 3.8", Hacker News

ベンチマークスコアをまったく信じなくなっていた層に対して、ベンチマークスコアを一切持たないモデルを送り出すというのは、ある種の対称性がある。

一方で、人々は静かにこれを使っている。OpenRouterのアクティビティパネルでは、Hermes AgentがClaude Codeや数種のコーディングツールを上回り、最大の利用元として表示されている。利用は実在するが、議論だけが一度も起きなかったのだ。

誰が実際に使うべきか

私の見解を率直に述べよう。

手を伸ばすべき人: たまに間違えることは安く済むが、コストがかかることは致命的である、という高ボリューム・低リスクのビジョン作業を行っている場合。大量の画像タグ付け。一次的なコンテンツ分類、サムネイルの選別、「このフレームに人が写っているか」といった、より優れたモデルが慎重なパスを行う前の事前フィルタリング。1サンプルあたりおよそ1セントの100分の1という価格は、そもそも何を処理する価値があるかという経済性を変えてしまうもので、これは大きな意味を持つ。

避けるべき人: OCRやドキュメント抽出、正確な物体の位置特定、予測可能なレイテンシー、ホストできる重み、あるいは関係者に示せる公表済みの品質シグナルが必要な場合。プロンプトが恒常的に長い場合も避けた方がいい。というのも、その時点では80%の値下げ後のGPT-5.6 Lunaが現実的な選択肢に見えてくるし、Gemini 3.5 Flash-Liteもそうだ。どちらもはるかに速い。

Qwenファミリーを具体的に望みつつもより高い能力が必要なら、Qwen 3.8 Maxがレンジの反対側にあり、Qwenの代替製品のまとめが残りをカバーしている。

決め手となる要因は、誤った答えが何かしらのコストを生むかどうかだ。これはベンチマークの問題というより製品の問題であり、統合コードを書き始める前に決めておくべき問いだ。

サポートキューに近づけるなら、まずこれを読んでほしい

ここは率直にならざるを得ない。実際に痛い経験をしてきた部分だからだ。

私はeeselでインテグレーションを構築しており、数千件の実際のチケットを通じて何年もの間、本番のサポートキューでAIを運用してきた。私が見てきた中で最も高くつく誤解は、この投稿の価格表がまさに助長しているものだ。「モデル=製品」という誤解だ。0.03ドルのモデルは、独自のサポートボットを構築することがほぼ無料であるかのように見せてくれる。チケットあたりのコスト計算もスプレッドシート上では素晴らしく見える。しかしモデルは決してコストの高い部分ではなかった。

コストがかかる部分は、矛盾だらけのヘルプセンターに対する検索であり、正しい場所にルーティングするチケット分類であり、いつ黙るべきかを知ることだ。顧客を取りこぼさないエスカレーション。顧客より先に自分が間違っていると気づく方法。そのどれもがトークン価格には含まれていない。私たちはそれを、自信満々に間違った答えを出すボットを見てきたことで痛みとともに学んだ。だからこそ今では、実施するすべてのロールアウトを本番キューに触れる前に過去のチケットに対してシミュレーションするようにしている。

誰もこの構築路線をうまく機能させられないと言うつもりはない。私たちの解約の一部はまさにこれだ。LLM APIの上に直接構築するために離れていった顧客で、AR/建設テック企業やDTCビューティーブランドが含まれる。それは実在する選択肢であり、時には正しい選択でもある。しかし最も真剣に検討したチームは、大抵別の場所に着地した。ConfluenceとTelegramにまたがる300記事のナレッジベースを運用する、あるビットコインATMハードウェア企業のエンジニアリングリーダーはこう表現した。

"We could try to write our own LLM application but we didn't want to invest our time into that. We wanted something that we would not have to maintain."

そして実際にサポートAIがうまく機能するかどうかを決めるのは自制心であり、どんなモデルスコアもそれを捉えることはできない。月間7000件のチケットを処理するブランドのCXリーダーは、どんなベンチマークよりも的確にこう表現した。

"The AI will never be able to answer 100% of the questions, but if it tries and just answers 'sorry I don't know this,' I cannot go and check all my 7,000 tickets to see if the AI actually made a good answer, then the point is a little bit gone. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

さて、Qwen 3.7 Flashをその基準に照らし合わせてみよう。8.88%のツール呼び出しエラー率、90秒に及ぶP99、公表された品質スコアもなく、23モデル中22位という結果の一件を除けば独立評価もない。これらは100万枚の画像にタグ付けするには十分に許容できる数字だ。しかし、自社ブランドと苛立った顧客の間に置きたい数字ではない。チケット偏向ガイドとAI解決率についてのノートでは、生のモデル性能よりも信頼度のしきい値がなぜ重要なのかをさらに深く掘り下げている。

それでも自前で構築する道を選ぶなら、まずRAG対ファインチューニングから始め、次にナレッジベースでのトレーニングを読んでほしい。そしてハルシネーションの防止に本気で時間をかけてほしい。トークンが安くなっても、これらの問題は一つも安くならない。

eeselを試す

0.03ドルのモデルから本当に欲しかったものが、より安価なサポート自動化だったのなら、組み立て作業自体を省略できる。eeselはあなたがすでに運用しているヘルプデスクに接続し、過去のチケットとヘルプセンターから学習した上で、自信がある質問には答え、それ以外は手を出さずに残す。

何を構築するにせよ盗む価値がある部分はこれだ。本番投入前に、実際のチケット履歴に対して実行し、それが何と答えていたかのスコア付きレポートを得られる。それが、顧客より先にモデルの誤りを見つける方法だ。どんなトークン価格でも買えないチェックだ。

eeselを試すのは無料だ。あるいは、まず自分のキューに対して実際に動かして見てみたいなら、デモを予約することもできる。