阶跃星辰在 WAIC 发布 Step-2 正式版、Step-1.5V 与 Step-1X

背景 世界人工智能大会（WAIC）于 2024 年 7 月 5 日开幕。阶跃星辰（StepFun）借这一活动发布了 Step 系列的三款模型^[1]。此前，Step-2 已在 3 月以预览版形式亮相。

发生了什么 在大会上，阶跃星辰发布了三款模型。第一款是 Step-2 正式版，它是公司万亿参数混合专家（MoE）语言模型的正式版本。阶跃星辰称，Step-2 在数学、逻辑、编程、知识、写作和对话等方面接近 GPT-4^[1]。

第二款是 Step-1.5V，这是一款参数规模约千亿的多模态大模型，增加了视频理解能力，并借助 Step-2 提升了推理能力^[1]。

第三款是图像生成模型 Step-1X。它基于公司自研的扩散 Transformer（DiT）架构，提供 6 亿、20 亿和 80 亿参数三个版本，并针对中国元素和中国文化做了优化^[1]。扩散 Transformer 是一种用 Transformer 网络指导、通过逐步去除噪声来生成图像的方法。

关键细节 多家合作方参与了发布。财联社与国泰君安联合推出证券行业大模型“君弘灵犀”。上海电影基于《大闹天宫》推出了 AI 体验项目^[1]。

阶跃星辰还推出了名为 Fanxing 的计划，支持多模态领域的初创企业和独立开发者^[1]。

影响 这次发布使 3 月的预览版成为正式版，并为 Step 系列增加了图像生成能力。性能数据是公司自己的说法。

几个术语 基础模型（foundation model）是一类通用的大模型，其他应用可以在它之上构建。扩散模型通过从随机噪声出发、逐步去除噪声来生成图像，生成过程由文字提示引导。扩散 Transformer（DiT）用 Transformer 模块代替早期许多扩散模型中使用的卷积网络，而 Transformer 也是大多数语言模型所用的基本模块。

为何同时发布 Step-1.5V 借助 Step-2 增强推理，说明这些模型在实际中是相互衔接的，而不只是名称上属于同一系列。因此，这次发布同时展示了公司在文本、图像和视频理解等多种输出上的能力。