阶跃星辰发布并开源 Step 3.7 Flash：原生多模态，最高生成速度400 Tokens/s

文｜晓静

编辑｜徐青阳

5月29日，基础大模型创业公司阶跃星辰发布并开源 Step 3.7 Flash。官方介绍称，这是一款面向真实 Agent 工作流的高效率 Flash 模型，重点强化多模态理解、搜索、工具调用和代码执行能力，目标是在推理速度、成本控制和任务完成率之间取得平衡。

根据阶跃星辰披露的信息，Step 3.7 Flash 采用稀疏 MoE 架构，总参数规模为 196B，并配备 1.88B 参数的视觉编码器 ViT，激活参数为 11B。模型最高生成速度可达 400 Tokens/s（秒），主要面向高频、多轮、低延迟的 Agent 应用场景。

在能力设计上，Step 3.7 Flash 重点强化了多模态能力。模型支持图像理解、视觉推理、文档解析和 GUI 界面理解，可处理截图、图表、文档、网页和真实应用界面等复杂视觉上下文。官方称，模型能够在推理过程中结合视觉理解、搜索和工具调用，完成多模态工作流任务。

阶跃星辰还强调，Step 3.7 Flash 并未将大量视觉常识和复杂感知能力全部压入模型权重，而是通过推理阶段的工具使用和搜索能力扩展模型边界。例如，模型可在视觉任务中调用 Visual Python Tool，对图像进行裁剪、放大和重新读取，以提升对局部细节的理解能力；在遇到超出模型内部知识范围的问题时，也可通过 Visual Search 主动检索信息并进行交叉验证。

这意味着，多模态能力在 Step 3.7 Flash 中不只是图像识别或视觉问答，而是被纳入 Agent 工作流的一部分。模型需要先理解真实界面或复杂视觉输入，再结合搜索、工具调用和推理能力，完成后续的判断与执行。

在 Agent 工作流能力方面，Step 3.7 Flash 可处理多源资料检索、关键信息提炼、自动化工具调用和最终内容整合等任务。官方给出的示例包括：从多张发票照片中识别金额、税额、商户、消费场景等信息，并整理为表格；基于软件界面截图给出操作建议；理解产品界面并分析设计特点；以及通过多个子 Agent 并行完成信息收集、判断和汇总。

根据阶跃星辰官方数据，基准测试方面，Step 3.7 Flash 在 GDPval 上达到 45.8%，在 Toolathlon 上达到 49.5%，在 ClawEval 1.1 上达到 67.1%。在 τ²-bench Telecom 的低、中、高三档推理难度下，模型通过率均达到 98% 以上。官方还表示，模型在 SWE-PRO、Terminal Bench v2.1 等代码与终端任务相关测试中也有一定表现。

其中，ClawEval 1.1 主要考察模型在真实环境中完成多步骤任务的能力，包括任务理解、规划、工具调用、错误恢复和任务闭环。Toolathlon 则更侧重多工具协同能力。这些测试结果反映出，Step 3.7 Flash 的优化重点并非单点推理能力，而是模型在完整 Agent Loop 中的执行稳定性。

随着 Agent 应用从演示阶段进入企业生产流程，模型调用次数、工具使用频率、搜索需求和任务链路长度都会显著增加。在这种情况下，模型的低延迟、高吞吐和成本可控性会直接影响实际部署效果。Flash 类模型也因此不再只是旗舰模型的轻量替代品，而逐渐成为支撑高频 Agent 调用的重要基础设施。

Step 3.7 Flash 延续了阶跃星辰此前 Step 3.5 Flash 的产品路线。今年2月，阶跃星辰开源 Step 3.5 Flash，主打高速和高性价比的 Agent 场景任务。官方称，Step 3.5 Flash 上线两天后登顶 OpenRouter 平台 Trending 榜单，并在上线一个月后登顶 OpenRouter 平台 OpenClaw 调用量月榜全球第一。

从 Step 3.5 Flash 到 Step 3.7 Flash，阶跃星辰的模型迭代重点从“高性价比 Agent 大脑”进一步扩展到多模态、搜索、工具调用和代码能力的协同优化。Step 3.7 Flash 支持云端部署和本地部署，并针对 Claude Code、OpenClaw、Hermes Agent 等主流 Coding 与 Agent 工具进行了兼容优化。

阶跃星辰表示，后续将围绕 Step 3.7 Flash 推出生态共建计划和生态伙伴限时体验活动，面向开发者探索 Agent 效率评估、工程实践和生产化路径。