Step 3.7 Flash

是什么

Step 3.7 Flash 是阶跃星辰（StepFun）推出的稀疏混合专家（Mixture-of-Experts，MoE）视觉语言模型。它由 1960 亿参数（196B）的语言主干和 18 亿参数（1.8B）的视觉编码器组成，同一时间约有 110 亿（11B）参数参与计算。^[2] 视觉编码器的作用是把图像转换成语言模型能够处理的形式；视觉语言模型则是既能接收图像、也能接收文字的模型。

阶跃星辰于 2026 年 5 月 29 日发布 Step 3.7 Flash，将其定位为面向真实场景智能体（agent，即代表用户执行任务的 AI 系统）的高效率模型。^[1]

由来

Step 3.7 Flash 沿用了 Step 3.5 Flash 的设计，最主要的变化是增加了图像理解能力。此前的 Step 3.5 Flash 不支持原生图像输入，Step 3.7 Flash 则加入了这一功能。^[1][2] 模型还可以调用基于 Python 的视觉工具，例如裁剪和放大图像的局部，从而在回答前更仔细地观察图片的某个部分。^[1]

主要特点

模型支持 256K 上下文，提供低、中、高三档推理强度，用户可以在速度和推理深度之间取舍。阶跃星辰称，模型最高可达每秒 400 个词元的生成速度。^[2]

API 定价为：每百万输入词元 0.20 美元（缓存未命中），缓存命中时为每百万 0.04 美元，每百万输出词元 1.15 美元。^[2] 缓存命中指系统复用了已经处理过的输入，因而费用更低。模型可通过阶跃星辰开放平台、OpenRouter 和 NVIDIA NIM 获取。^[2] 权重按 Apache 2.0 许可证发布。^[2][3]

公司还介绍了「顾问模式」（Advisor Mode）：模型自行完成大部分任务，只在关键节点升级到更大的模型处理。^[1] 阶跃星辰称，采用这一模式后，模型达到了 Claude Opus 4.6 编程表现的 97%，而单任务成本约为后者的九分之一，即 0.19 美元对 1.76 美元。^[1] 公司还表示，模型可与多种智能体运行框架配合使用，包括 Claude Code、KiloCode、Hermes Agent 和 OpenClaw。运行框架指包裹模型、使其能够执行操作的程序。^[1]

公开成绩

阶跃星辰公布了以下成绩；括号内为 Step 3.5 Flash 的对应成绩（如有）：

• SWE-Bench Pro（更难形式的真实软件问题修复测试）：56.3%（Step 3.5 Flash 为 51.3%）。^[1]
• SWE-bench Verified：76.5%。^[1]
• Toolathlon（考察同时使用大量工具的能力）：49.5%（Step 3.5 Flash 为 33.3%）。^[1]
• BrowseComp（查找网络上难以定位的信息）：75.8%（Step 3.5 Flash 为 69.0%）。^[1]
• HLE 允许使用工具（HLE 是一组高难度的专家级题目）：47.2%（Step 3.5 Flash 为 35.7%）。^[1]

在发展中的位置

从发布标语可以看出，Step 3.7 Flash 的重点是智能体工作中的效率。性能方面的主要依据是公司自己的对比，读者应当参照独立测试来核实。开源权重和 Apache 2.0 许可证使其他人能够在许可条款范围内检视和运行该模型。