Step 3.7 Flash

模型定位与发布时间

Step 3.7 Flash 是阶跃星辰发布的多模态推理模型，官方发布页日期为 2026-05-29。该模型面向真实 Agent、Coding 与多模态工作流，重点覆盖图片理解、视频理解、工具调用、搜索增强和长流程任务执行。与 Step 3.5 Flash 相比，Step 3.7 Flash 在保持 Flash 系列高频调用定位的同时，引入原生视觉输入能力，使图片、视频与文本可以在同一次对话中被统一处理。

架构与上下文规格

公开资料显示，Step 3.7 Flash 采用稀疏 MoE 架构。官方开放平台页面给出的语言模型口径为 196B 总参数、11B 激活参数；GitHub/Hugging Face 模型卡进一步说明，该模型由 196B 语言骨干和 1.8B 视觉编码器组成，因此完整视觉语言模型可按约 198B 参数理解。模型支持 256K tokens 上下文窗口，并提供 low、medium、high 三档推理强度，开发者可以通过 Chat Completions API 的 reasoning_effort 或 Messages API 的 output_config.effort 控制推理强度。

模态能力与工具调用

Step 3.7 Flash 原生支持文本、图片和视频输入，输出以文本为主。图片输入支持 URL、Base64 和 stepfile:// 文件引用，图片格式包括 JPG/JPEG、PNG、GIF、WebP；视频输入支持 URL、Base64 和 stepfile:// 文件引用，官方建议视频控制在 128 MB 以内、5 分钟以内，并支持 MP4、QuickTime（.mov）和 Matroska（.mkv）格式。模型可通过 OpenAI 兼容的 Chat Completions API 接入，也可通过 Anthropic 兼容的 Messages API 接入，支持流式输出和工具调用。

性能与公开评测

官方发布页公布了若干面向 Coding、Agent、多模态和搜索增强任务的评测结果。Step 3.7 Flash 在 SWE-Bench Pro 上为 56.3，在 Terminal-Bench 2.1 上为 59.5；在多模态相关评测中，SimpleVQA（with Tool）为 79.2，V*（with Python）为 95.3；在通用 Agent 场景中，GDPval 为 45.8，Toolathlon 为 49.5，ClawEval-1.1 为 67.1，HLE（with Tool）为 47.2。官方还披露，Step 3.7 Flash 在 HLE with Tools、BrowseComp、DeepSearchQA 和 ResearchRubrics 等搜索与研究类任务上进行了专项评估，用于展示模型在搜索规划、证据过滤和信息综合方面的能力。

应用场景与使用边界

官方文档给出的典型场景包括白板转计划、图表转结构化数据、票据转表格、截图生成代码、录屏问题诊断和多图对比。对于需要保留证据的任务，文档建议在输出中要求模型标注来源、不确定项或无法确认字段。对于财务、报销、合同、医疗等高风险数据，官方文档明确建议进行人工复核；对于图表数据提取，若需要精确计算，应优先使用原始数据源，模型结果更适合作为初稿或辅助录入。

访问方式、开源与许可

Step 3.7 Flash 可通过 StepFun 开放平台接入，中国区 API base_url 为 https://api.stepfun.com/v1，全球区 API base_url 为 https://api.stepfun.ai/v1。官方 GitHub 仓库和 Hugging Face 页面已经提供 BF16、FP8、NVFP4、GGUF 等相关入口，其中 BF16 Hugging Face 文件页显示仓库大小约 403 GB。项目许可证为 Apache 2.0。官方资料还说明该模型可通过 vLLM、SGLang、Hugging Face Transformers 和 llama.cpp 等推理框架部署，并提供 OpenRouter、NVIDIA NIM 等访问渠道。