階躍星辰

今天，階躍星辰開(kāi)源了他們的新模型：Step 3.7 Flash，支持視覺(jué)理解，為 Agent 工作進(jìn)行了全面優(yōu)化，MoE 架構(gòu)，196B 總參數(shù)，11B 激活

https://github.com/stepfun-ai/Step-3.7-Flash

除多模態(tài)外，在我看來(lái)，這模型還有一個(gè)優(yōu)勢(shì)：快至 400 token/s

我自己測(cè)試了下，有 300+ token/s，感受一下

我自己的實(shí)錄，感受一下速度

這個(gè)速度，應(yīng)是最快的常規(guī)模型了

在生成內(nèi)容的時(shí)候，這個(gè)模型的輸出速度能到 400 TPS 左右，大概是....當(dāng)你讀完這句話(huà)的時(shí)候，這篇文章就生成完了（啊不是...這篇文章是手敲的，不是生成的...）

這個(gè)速度大致上也符合我對(duì) Flash 模型的理解：在一目十行掃過(guò)上一頁(yè)內(nèi)容的時(shí)候，下一頁(yè)已經(jīng)生成了

下面，讓我們先看一下跑分，然后再聊聊模型本身的特點(diǎn)

BenchMark

模型跑分可以先看下面這個(gè)圖，Step 3.7 Flash 對(duì)比于 3.5 Flash、DeepSeek V4 Flash，以及海外御三家（Gemini、GPT、Claude）

Step 3.7 Flash Bench

簡(jiǎn)而言之：

• 對(duì)比海外御兩家，算了，反正大家都還有一些差距....誒....御兩家？？

• 對(duì)比 DeepSeek，部分 bench 里有所勝出；

• 對(duì)比上一代模型，大幅提升

• 在速度 bench 上... 遙遙領(lǐng)先（aa 榜單最快的是 gpt-5.3，100+）

幾個(gè) case

這里給大家看幾個(gè) demo，我覺(jué)得創(chuàng)造了一種叫做 *Realtime-UI 的范式，因?yàn)樽銐蚩欤钥梢砸詫?shí)時(shí)的方式，在你的屏幕上渲染出各種交互界面，并與你交互

*你可能對(duì) Realtime-UI 的這個(gè)概念不熟，沒(méi)關(guān)系，這是我瞎編的

這些東西都是同時(shí)基于【Agent 能力構(gòu)建】和【視覺(jué)理解能力處理】，并且在【高 TPS】下才能做到的，再度劃重點(diǎn)：高 TPS：

畫(huà)面實(shí)時(shí)解讀先看第一個(gè)例子，通過(guò) flash-3.7 來(lái)進(jìn)行多模態(tài)信息的實(shí)時(shí)理解

上傳一張飛機(jī)駕駛艙的照片后，鼠標(biāo)指向過(guò)去，模型就在【秒級(jí)以?xún)?nèi)】快速的識(shí)別區(qū)域內(nèi)的物品，并給出具體的細(xì)致講解；由于生成速度確實(shí)很不錯(cuò)，還可以通過(guò) function call 的方式，在非常短的時(shí)間里生成交互框，做出來(lái)一種 Realtime UI 的感覺(jué)

Pinterest 設(shè)計(jì)分析我們也可以把同一套視覺(jué)能力，搬到瀏覽網(wǎng)頁(yè)的場(chǎng)景里

在 Pinterest 的瀑布流里里，鼠標(biāo)停在哪張圖上，底部就可以實(shí)時(shí)彈出交互框，對(duì)那張海報(bào)的構(gòu)圖、字體和視覺(jué)概念進(jìn)行解讀，做到完全與操作進(jìn)行同步

Blender 三維軟件除了圖片、網(wǎng)頁(yè)之外，這玩意兒也可以對(duì)復(fù)雜軟件的界面進(jìn)行理解

以 blender 為例（這真算相當(dāng)復(fù)雜了），鼠標(biāo)移動(dòng)到哪，就能識(shí)別出嘗盡力的面板和對(duì)象信息，并順著指令告訴你接下來(lái)應(yīng)該怎么操作

其實(shí)我真覺(jué)得...這玩意兒應(yīng)該做成一個(gè)給家里老人用的工具，很多時(shí)候我需要遠(yuǎn)程給他們操作電腦，如果有了這個(gè)就會(huì)方便很多（甚至最好我在遠(yuǎn)程給他們說(shuō)：點(diǎn)這個(gè)，然后家里的電腦要被點(diǎn)擊的地方酒亮一下）

發(fā)票批量處理發(fā)票這個(gè)場(chǎng)景就太值得一提了

記賬的時(shí)候，把各種票據(jù)丟進(jìn)去，模型可以通過(guò) fucntion call 的方式，快速抽取到商戶(hù)、類(lèi)別、金額、稅額...等等各類(lèi)信息，然后做成表格

智能體集群在實(shí)際業(yè)務(wù)過(guò)程中，這些能力還可以影分身著來(lái)用

比如生成 40 個(gè)不同身份的 agent，讓他們進(jìn)行投票...誒...巧了不是，今天 claude code 新出了動(dòng)態(tài)工作流，是不是可以搭配著用上：

快速搭知識(shí)圖譜既然這么快，那么搭建一個(gè)圖譜，也即是幾秒鐘的事兒

給一個(gè)主題，比如「大語(yǔ)言模型」，模型就能幾秒鐘內(nèi)，快速鋪開(kāi)一張概念圖，節(jié)點(diǎn)連成網(wǎng)絡(luò)，從基礎(chǔ)定義一路連到 Transformer 架構(gòu)

模型特點(diǎn)

在我看來(lái)，Step 3.7 Flash 這個(gè)模型的兩大核心優(yōu)勢(shì)：多模態(tài)理解 + 快

要知道，同級(jí)別的開(kāi)源模型，大多開(kāi)源模型，不具備多模態(tài)能力

還要知道，在非特別的推理加速下，絕絕絕絕大多數(shù)的模型，推理速度在 100 tps（tokens/s） 以下，主流則在 30 tps 左右

上面這個(gè)是 AA 的速度天梯，此前最快的是 gpt-5.3

Step 3.7 Flash 在支持多模態(tài)的前提下，把速度拉到了 400 tps，也不知道是上了什么神奇魔法

我去看了下文檔，這個(gè)里面的圖片&視頻理解是原生支持的，并且在推理過(guò)程中還可以使用一個(gè)叫 Visual Python Tool的工具，對(duì)于看不清楚的地方，模型會(huì)自主對(duì)圖片做 crop、zoom、re-read...換句話(huà)說(shuō)，看不清就放大再看一遍，看完有疑問(wèn)就去搜，盡可能的準(zhǔn)確、高效的把事情搞定

同樣的，搜索也是用這種方法進(jìn)行循環(huán)：搜玩了如果覺(jué)得信息不夠，那就再搜、再推，belike...

至于其他信息，這個(gè)模型的默認(rèn)上下文是 256K，支持推理強(qiáng)度的手動(dòng)調(diào)節(jié)：low / medium / high，可以根據(jù)需求，具體的更改參數(shù)

多少錢(qián)

這個(gè)模型可以自己部署，也可以通過(guò)官方平臺(tái)或者第三方 MaaS 進(jìn)行調(diào)用，價(jià)格如下：

輸入 · 緩存命中 0.27 元

輸入 · 緩存未命中 1.35 元

輸出 8.1 元

Agent 場(chǎng)景下，緩存命中還是很高的

單看這個(gè)價(jià)格，是稍高于 DeepSeek v4 Flash的（輸入1元/輸出2元），但如果橫比一下支持多模態(tài)的高速模型，那就很有優(yōu)勢(shì)了

然后這個(gè)模型也可以在海外平臺(tái)調(diào)用，按美元計(jì)價(jià)，輸入命中 $0.04、未命中 $0.20、輸出 $1.15 每百萬(wàn) token

模型使用

step-3.7-flash 同時(shí)兼容兩套協(xié)議：OpenAI 家的，以及 Anthropic 家的

也可以直接用 Anthropic SDK，魔改下 endpoint 來(lái)用。在 Coding 和 Agent 工具上，對(duì) Claude Code、OpenClaw、Cline、Roo Code、Kilo Code、Open Code 也都是支持的

這個(gè)模型今天上線(xiàn)，支持的 MaaS 包括：階躍官方平臺(tái)（國(guó)內(nèi) platform.stepfun.com，海外 platform.stepfun.ai）、OpenRouter、NVIDIA NIM；而 DeepInfra、Fireworks、Modal 也在接入中，很快就上了

https://platform.stepfun.com/docs/zh/guides/models/step-3.7-flash

當(dāng)然，作為開(kāi)源模型，你也可以自己跑：196B/A11B，算一下的話(huà)反正 128G 的機(jī)器量化著能跑

在 HuggingFace 上，放了 BF16、FP8、NVFP4、GGUF 四種權(quán)重，豐儉由人，vLLM、SGLang、Hugging Face Transformers、llama.cpp 均以支持