StepFun: Step 3.7 Flash

Суть

Step 3.7 Flash — мультимодальная модель рассуждений от StepFun, предназначенная для агентных сценариев, программирования и задач, где нужно объединить анализ входных данных с последовательным планированием. Она принимает текст, изображения и видео, а результат формирует в виде текста. Для работы с изображениями и видео не требуется отдельная вспомогательная vision-модель.

Сильные стороны

Модель рассчитана на многошаговые задачи: логические рассуждения, математику, программную инженерию и исследовательскую работу. Поддерживаются вызов инструментов и их оркестрация, в том числе разбиение задачи на этапы и выполнение плана. В настройках можно выбрать уровень усилий рассуждения: низкий подходит для простых вопросов, суммаризации и извлечения сведений; средний — для обычных рассуждений и многошаговых запросов; высокий — для сложных задач, планирования и анализа кода. Разреженная архитектура MoE ориентирована на высокую пропускную способность и низкую задержку в рабочих процессах с агентами.

Контекст и модальности

Длина контекста — 256 000 токенов. На вход принимает текст, изображения и видео; на выходе генерирует текст. Аудиовход и генерация изображений или видео в каталоге не указаны.

Типовые сценарии

Модель подходит для анализа визуальных материалов и видеозаписей в диалоге, ответов на вопросы по содержимому, планирования действий агента и работы с инструментами. В разработке её можно использовать для генерации и анализа кода, редактирования файлов и координации сложных задач в IDE или терминальных агентных сценариях. Для несложных запросов можно выбрать низкий уровень рассуждения, а для многоэтапной работы — средний или высокий.

Ограничения

Модель выдаёт текст, а не готовые изображения, видео или аудио. Хотя она способна анализировать изображения и видео, из доступных данных не следует, что она выполняет редактирование или генерацию визуального контента. Уровень рассуждения настраивается, поэтому его стоит соотносить со сложностью запроса. Конкретные пределы обработки файлов и особенности передачи видео зависят от используемого API и в этой карточке не описаны.

Отличие от соседей по семейству

По документации StepFun, Step 3.7 Flash развивает возможности Step 3.5 Flash в области быстрого рассуждения и вызова инструментов, добавляя нативную обработку изображений и видео. В отличие от Step 3.5 Flash, который описан прежде всего как текстовая модель рассуждений для агентных задач, Step 3.7 Flash объединяет рассуждения и мультимодальный ввод.