Qwen 3.7 Max supera Gemini i GPT-5.5 en aquesta prova
Tres models creen prototips visuals en agents diferents. Qwen guanya la prova, però l’entorn i la metodologia limiten la comparació.
AISeeKing compara Qwen 3.7 Max, Gemini 3.5 Flash i GPT-5.5 en tres encàrrecs de programació visual. El guanyador de la seva prova és Qwen: genera interfícies més convincents, acaba abans i es manté centrat en la tasca. GPT-5.5 queda segon per la seva utilitat potencial en enginyeria complexa, i Gemini, últim.
No és un benchmark científic ni una mesura general de capacitat. Cada model s’executa en un agent diferent, amb eines, instruccions i pressupostos de raonament que no s’igualen. El vídeo és més útil com a relat d’experiència real que com a classificació universal.
1. Tres models i tres entorns diferents
A 00:00, el creador presenta els models que en aquell moment es promocionaven per a agents de codi. Alibaba descriu Qwen 3.7 Max com el seu model principal per a càrregues agentives. Google va llançar Gemini 3.5 Flash amb èmfasi en velocitat, programació i ús paral·lel d’eines. OpenAI va fer GPT-5.5 disponible a l’API l’abril de 2026.
La comparació utilitza Qwen dins d’OpenCode i Hermes, Gemini en Antigravity i GPT-5.5 en Codex. Això reflecteix el producte que veu l’usuari, però barreja model i plataforma. Un agent decideix quins fitxers llegir, quines ordres executar, quan provar l’aplicació i quanta informació retornar al model. Una diferència de resultat pot provenir de qualsevol d’aquestes capes.
El mateix autor ho adverteix abans de començar. Aquesta honestedat metodològica és important: no intenta convertir tres execucions en una mesura pura d’intel·ligència.
2. El simulador d’ascensors
A 01:00, el primer encàrrec demana diversos pisos, tres ascensors, passatgers amb destinació i capacitat d’una sola persona. La tasca combina estat, assignació de recursos, animació i disseny frontal.
Gemini 3.5 Flash triga més de cinc minuts en l’entorn d’Antigravity i entrega una càmera estranya, animacions poc polides i una interfície que no convenç l’autor. GPT-5.5 aconsegueix una simulació funcional, però pateix parpelleig i aplica el patró de targetes genèriques que AISeeKing associa a altres generacions d’OpenAI.
Qwen 3.7 Max completa la prova en uns dos minuts. Els ascensors es mouen, els passatgers apareixen, la lògica general s’entén i l’aspecte és coherent. En aquesta execució concreta guanya tant en temps com en qualitat percebuda.
Falten, però, criteris reproduïbles. No veiem si tots reben exactament el mateix prompt de sistema, si parteixen del mateix projecte, quants tokens consumeixen o si es repeteix la prova. Tampoc hi ha tests automàtics per comprovar que cap passatger queda bloquejat o que l’algoritme funciona sota càrrega. “Sembla millor” és una observació legítima, però continua sent subjectiva.
3. Una capsa 3D i una aplicació mòbil
A 02:00, els models han de construir amb Three.js una capsa de lents de contacte que s’obre en clicar-la. Gemini no genera una interacció aprofitable. GPT-5.5 crea una tapa que es mou, però ho fa en una direcció poc natural. Qwen produeix el model que més s’assembla a l’objecte demanat i una obertura coherent.
El creador amplia després la prova només amb Qwen. Li dona una aplicació Expo amb React Native i li demana un gestor de pel·lícules. En quatre o cinc minuts, l’agent construeix una interfície consistent i una cerca funcional. AISeeKing destaca que no fa crides d’eines aleatòries ni reescriu parts no relacionades.
Aquesta segona part reforça la impressió positiva de Qwen, però ja no és comparativa: Gemini i GPT-5.5 no executen el mateix projecte. Serveix per observar el comportament de l’agent, no per sumar un altre punt contra els rivals.
4. Velocitat, preu i qualitat no es poden separar
A 03:00, el vídeo passa dels resultats als entorns. Qwen respon ràpid i de manera focalitzada en OpenCode i Hermes. L’autor troba Antigravity 2.0 inestable i poc acabat, mentre que valora de Codex la prova amb navegador, l’ús de l’ordinador i els complements.
Aquest contrast explica per què una taula de benchmarks del fabricant no resol l’elecció. Un model lleugerament millor pot ser menys productiu si l’agent falla en editar, executar o verificar. També pot passar el contrari: un bon arnès pot compensar algunes limitacions del model.
El preu que comenta el vídeo és una fotografia d’una ruta concreta. Les tarifes varien segons proveïdor, longitud del context, memòria cau, modalitat per lots i nivell de servei. A més, el cost per milió de tokens no és el cost per tasca. Un model barat que produeix moltes iteracions pot sortir més car que un model car que resol l’encàrrec en una sola passada.
Per comparar bé cal registrar tokens d’entrada i sortida, temps total, nombre de crides, errors, intervencions humanes i qualitat final. Sense aquestes dades, “més barat” significa tarifa nominal, no eficiència demostrada.
5. Quin model triaria el creador
A 04:00, AISeeKing escull Qwen 3.7 Max per construir aplicacions visuals. Li atribueix el millor acabat, velocitat alta i un cost adequat per iterar. GPT-5.5 queda segon: el considera seriós per depurar o treballar en repositoris, però no veu justificat pagar més per les interfícies d’aquesta prova.
Gemini 3.5 Flash queda últim perquè no compleix bé cap dels dos prototips i tampoc és ràpid en la seva sessió. L’autor admet que l’accés inclòs o gratuït a través d’Antigravity pot fer-lo útil per experimentar.
La jerarquia és coherent amb les evidències mostrades, però només per a aquest perfil: prototips front-end curts, valoració visual i els agents utilitzats. No diu gaire sobre migracions grans, codi backend, seguretat, manteniment, ús de context llarg o taxa d’èxit després de vint repeticions.
Conclusions
El vídeo ofereix una conclusió pràctica: Qwen 3.7 Max va ser l’eina més agradable i efectiva en les proves d’AISeeKing. El mèrit és mostrar els resultats i reconèixer que els entorns no estan controlats.
La millor manera d’aprofitar la comparació no és adoptar-ne el rànquing, sinó copiar-ne els encàrrecs amb el propi repositori. Cal repetir cada prova, mantenir el mateix agent quan sigui possible, definir tests i mesurar cost total. En programació assistida, el millor model és el que resol de forma verificable les tasques reals de l’equip, no necessàriament el que guanya una demo visual.
Contrast i context
Fonts consultades
- 01
-
02
Alibaba Group Alibaba unveils Qwen 3.7 Max for agentic workloads
- 03
-
04
OpenAI Introducing GPT-5.5
Font de treball
Transcripció amb marques de temps
Consulta la transcripció
-
0:00
, obre el vídeo en una pestanya nova
Hi. Welcome to another video. So, we now have three new models being pushed heavily for coding agents. Qwen 3.7 Max, Gemini 3.5 Flash, and GPT 5.5. All three promise to build apps, use tools, and handle longer agentic coding work. But after testing them, I think one of them is clearly the most interesting option here. And surprisingly, it is Qwen 3.7 Max. So,
-
0:26
, obre el vídeo en una pestanya nova
let's get right into it. Qwen 3.7 Max is Alibaba's new flagship agent model. Gemini 3.5 Flash was launched by Google at Google I/O, and GPT 5.5 is OpenAI's new model for agentic coding work. Also, a quick correction from my earlier GPT 5.5 testing video. At that time, I said it was not available through the API. GPT 5.5 is now available through the API as well. Now, rather than looking at company benchmarks, I tested
-
0:52
, obre el vídeo en una pestanya nova
practical visual coding tasks. And to be clear, I use these through different agent environments. So, this is not a completely isolated raw model benchmark, but that is also the actual experience you get when you use these models every day. The first comparison is an elevator simulator. I asked the models to create multiple floors, three elevators, and passengers with destination floors, where every elevator can only take one
-
1:12
, obre el vídeo en una pestanya nova
person at once. So, it tests logic, animation, and front-end quality. Gemini 3.5 Flash was not good here. Inside anti-gravity, the camera view was wonky, the animation did not feel polished, and the final output did not look frontier-level. The worst part is that it took more than 5 minutes. This is supposed to be a flash model, so speed should be one of the major upsides. But in this test, it was
-
1:32
, obre el vídeo en una pestanya nova
neither the best nor the fastest. GPT 5.5 kind of worked, but it still had the same front-end problem that I have seen with previous GPT models. It used that generic card style UI. The simulation flickered too much, and overall, it did not feel polished. I do think GPT 5.5 can be capable for debugging and harder engineering tasks. But when I ask it to make an app that should look good, it still often feels
-
1:54
, obre el vídeo en una pestanya nova
off. Then, we have Qwen 3.7 Max. I tested it through Open Code, and it finished the elevator simulator in about 2 minutes. More importantly, the generation was genuinely good. The elevators worked, the people were spawned properly, the simulation made sense, and the UI looked clean. So, on this task, Qwen was faster than Gemini Flash and much better visually than both Gemini and GPT 5.5.
-
2:19
, obre el vídeo en una pestanya nova
The next test was a 3JS contact lens case. I asked the models to build a 3D contact lens case that opens when clicked. Gemini 3.5 Flash basically failed this task for me. The simulation did not work properly, and the generation was not useful. GPT 5.5 was a bit better. It did create a case, and clicking it opened the cap, but it opened in a weird direction and
-
2:40
, obre el vídeo en una pestanya nova
did not really look correct. Qwen 3.7 Max nailed this one as well. The model looked right, and the interaction made sense. I also tested Qwen on a more proper agentic project. I gave it an Expo React Native app and asked it to build a good-looking movie tracker. It finished in around 4 to 5 minutes, and the result was really very good. The UI felt coherent, and the search worked smoothly. The thing I liked most was
-
3:02
, obre el vídeo en una pestanya nova
that it stayed focused. It did not make random tool calls or start rewriting unrelated parts of the project. It simply did the task, and for coding agents, that matters a lot. Now, let's talk about the actual environments. Qwen worked extremely well for me in Open Code and Hermes. It was fast and focused. Gemini 3.5 Flash is tied heavily to Antigravity, and I really do not enjoy
-
3:22
, obre el vídeo en una pestanya nova
Antigravity 2.0 right now. The CLI has been buggy for me, and the desktop app feels unfinished. GPT 5.5 has a stronger environment through Code X with browser testing, computer use, and plugins. But, in these app building tests, it still did not give me the front-end quality I wanted. Now, pricing makes this comparison even more interesting. In the route that I used, Qwen 3.7 Max cost about 2.50 per million input tokens and
-
3:44
, obre el vídeo en una pestanya nova
90 per million output tokens. That is a difficult price to justify for a Flash model when Qwen was faster in my test, produced better results, and is cheaper on output. GPT 5.5 costs $5 per million input tokens and 30 per million output tokens through the API. OpenAI says it is more token efficient than GPT 5.4, and that may be true. But if it costs that much more, I want it to very clearly outperform cheaper
-
4:09
, obre el vídeo en una pestanya nova
models on the tasks I actually do. Here, it did not. So, if you ask me which of these three I would use, I would pick Qwen 3.7 Max. It gave me the best front-end results, it was fast, and the pricing makes much more sense for regular iteration. GPT 5.5 comes second for me. If you already use Codex and care more about complex debugging or repository work than front-end generation, it is
-
4:31
, obre el vídeo en una pestanya nova
still a serious option. But for building visual apps, I do not think it justifies the API price over Qwen. Gemini 3.5 Flash comes last. If you can use it for free through antigravity, then it is fine to experiment with. But if you are paying for API usage, I cannot recommend it over Qwen based on what I tested. Qwen is faster, cheaper on output, and gave me better working results. So, yeah, Qwen 3.7 Max is the clear winner
-
4:55
, obre el vídeo en una pestanya nova
for me in this comparison. Overall, it's pretty cool. Please share your thoughts below and subscribe to the channel. [music] I'll see you in the next video. Until then, bye. >> [music] [music]
