StepFun 3.7 Flash

# Step 3.7 Flash — 面向真实世界的高效Flash模型 来源: https://static.stepfun.com/blog/step-3.7-flash 新的前沿是代理效率。 面向真实世界代理的高效Flash模型。 多模态理解与行动 | 网页与视觉搜索增强 | 可靠工具使用与编排 | 代理生态系统兼容性 GitHub (https://github.com/stepfun-ai/Step-3.7-Flash) HuggingFace (https://huggingface.co/stepfun-ai/Step-3.7-Flash) ModelScope (https://modelscope.cn/models/stepfun-ai/Step-3.7-Flash) ### 主要特性 - #### 原生多模态理解与行动 能理解全范围的图像——产品界面、文档、图表和自然场景——然后编写代码或调用工具对所见内容采取行动。 - #### 网页与视觉搜索增强 网页搜索触达更广——更多来源，更深入的跟进。视觉搜索能识别其他系统无法识别的内容——长尾实体、新兴概念。 - #### 可靠工具使用与编排 驱动终端、浏览器、Office工具、搜索等——无论运行多久都能保持连贯。更少的漂移、更少的损坏工具调用、更少的失败运行。 - #### 代理生态系统兼容性 与主流框架（Claude Code, KiloCode, Hermes Agent, OpenClaw）和技能兼容——更低的集成成本，更少的工作流改造。 #### 智能体编程 #### 多模态 #### 通用智能体 注意：在非多模态任务上，我们按两组进行比较：左面板将Step 3.7 Flash与DeepSeek V4 Flash（同等Flash规模的开源模型）对比，右面板将Step 3.7 Flash与前沿闭源模型对比。具体来说，Step 3.7 Flash、Gemini 3.5 Flash和DeepSeek V4 Flash在Terminal-Bench 2.1上评估，其中DeepSeek V4 Flash为自测分数。GPT 5.5和Claude Opus 4.7使用官方自我报告的Terminal-Bench 2.0分数。在GDPval上，Step 3.7 Flash得分通过内部成对评估获得，对比模型来自官方Artificial Analysis排行榜。 ## 图库 ## 智能体编程 基础模型正在从回答问题转向采取行动，在数字世界中，这种行动以代码的形式呈现。编程是数字代理的基底，是计划-执行-观察-迭代循环的最纯粹形式，也是模型更广泛代理能力走向的领先指标。我们在**Step 3.7 Flash**的这一层面投入了大量精力。与Step 3.5 Flash相比，其在**SWE-Bench Pro**上提升**+5%**，在**Terminal-Bench 2.1**上提升**6.1%**。 ##### Step-SWE-Bench Step 3.5 Flash · Hermes Agent: 60.00% Step 3.5 Flash · OpenClaw: 47.00% Step 3.5 Flash · Claude Code: 73.00% Step 3.5 Flash · KiloCode: 59.00% Step 3.5 Flash · OpenCode: 57.00% Step 3.5 Flash · RooCode: 43.00% Step 3.7 Flash · Hermes Agent: 67.50% Step 3.7 Flash · OpenClaw: 67.00% Step 3.7 Flash · Claude Code: 71.50% Step 3.7 Flash · KiloCode: 67.50% Step 3.7 Flash · OpenCode: 64.50% Step 3.7 Flash · RooCode: 64.50% 75604530 Hermes Agent OpenClaw Claude Code KiloCode OpenCode RooCode Step 3.7 Flash 平均 **67.08%** Step 3.5 Flash 平均 **56.50%** Step 3.7 Flash Step 3.5 Flash Hermes Agent 67.50% 60.00% OpenClaw 67.00% 47.00% Claude Code 71.50% 73.00% KiloCode 67.50% 59.00% OpenCode 64.50% 57.00% RooCode 64.50% 43.00% 在生产中，编程代理很少在单个框架上运行。它们存在于一个异构的框架栈中，每个框架都有自己的提示约定、工具模式和编排方式——模型必须在所有这些框架上可靠运行才能有真正的实用性。**Step 3.7 Flash** 在整个栈上比Step 3.5 Flash明显更平衡，在我们内部的Step-SWE-Bench上，每个框架的差距显著缩小。 为了在不牺牲Flash级效率的前提下进一步提升质量，**Step 3.7 Flash** 支持顾问模式。**Step 3.7 Flash** 端到端驱动轨迹——调用工具、读取结果和迭代——仅在其自身判断不足的少数关键点（如规划或从重复失败中恢复）咨询更大的顾问模型。这是Step对Anthropic描述的顾问策略 (https://claude.com/blog/the-advisor-strategy) 的实现，其中一个小型执行者保持控制权，仅在需要时才升级到前沿顾问，从而让大部分运行保持在执行者成本水平。启用顾问模式后，**Step 3.7 Flash** 达到了**Claude Opus 4.6编程性能的97%，而每任务成本约为其九分之一**（每任务 `$0.19` 对比 `$1.76`）。 SWE-Bench Verified 上的得分与成本 (Claude Opus 4.6 内部复现) 73747576777879 0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00 得分(%) 每次代理任务成本($) 73.7% $0.12 Step 3.7 Flash + 顾问 76.3% $0.19 Step 3.7 Flash + 顾问 78.7% $1.76 Claude Opus 4.6 ## 为企业任务优化 企业工作本质上依赖于两个关键支柱：在动态环境中自主执行任务的能力，以及深入的、领域特定的垂直知识。**Step 3.7 Flash** 是专门构建的，并在这两个前沿上进行了严格优化，以独立驱动任务并交付生产级成果。 该模型结合了强大的代理执行能力、精确的意图理解和丰富的多模态感知，使其能够无缝衔接理解与行动之间的差距。用户可以将一项完整的知识工作交给Step 3.7 Flash，并信任其独立规划、跨实时来源搜索、提取关键信息，并流畅编排工具，无需干预即可交付可立即使用的成果。它能读取并直接对混合输入（如截图、复杂文档和密集的电子表格）采取行动，同时解析视觉上下文和数字资产。这种长周期任务执行已在多种环境中得到验证，Step 3.7 Flash 在**Toolathlon**上达到**49.5%**（多工具协调），在**ClawEval-1.1**上达到**67.1%**（真实环境中的日常自主任务执行）。 从通用智能到真正的专业专长，始于真实的专家实践。通过与领域专家的深度合作，我们将原生行业知识嵌入模型，并通过我们在金融、会计和数据分析领域的自有基准验证其能力。这种专长远远超出了专业领域：Step 3.7 Flash 在覆盖44个职业的**GDPval**上达到**45.8%**，在**Tau2-bench Telecom**上在不同推理难度层级中通过率超过**98%**。 制造业 · 生产调度 ## 更广更深的搜索 对于Step 3.7 Flash这种规模的模型，目标不是将每一点世界知识都打包进其权重，而是让模型在需要时能更好地调用这些知识。因此，我们将其能力集中在搜索规划、证据过滤和信息综合上，将搜索从外部附加功能转变为推理过程的原生部分。 Step 3.7 Flash 在搜索密集型基准测试中取得了强劲成果。它在**HLE with Tools**上得分为**47.20%**，高于Step 3.5 Flash的35.68%（纯文本），并且优于DeepSeek V4和Gemini 3.5的Flash模型。它在**BrowseComp**上达到**75.82%**，接近Claude Opus 4.7和GLM 5.1等更大模型。**在DeepSearchQA上，其F1分数达到92.82%**，与Kimi K2.6（1T/32B激活参数）相当。**在ResearchRubrics上，得分为71.68%**，领先于GPT 5.5的61.50%，接近Claude Opus 4.7的73.92%。这些结果表明，Step 3.7 Flash将Flash级效率与强大的深度检索和研究能力结合在一起。 搜索拓扑 play ▶ 法律 · 利益冲突 安大略省NC律师事务所的两名合伙人——根据LSO规则，该所能否代理前客户的对手方？ 开始阶段 10 / 10 最终 这些轨迹进一步突出了其搜索行为的广度和深度。在安大略省律师利益冲突案例中，它也围绕领域特定概念扩展搜索，结合来自论文、课程资料、官方规则和案例分析中的证据，并抓住了问题中的关键陷阱。 ## 能“看”的智能体 我们将**Step 3.7 Flash** 打造成一个支持视觉输入的基础模型，将感知和识别从参数能力转变为使用视觉工具时的测试时扩展能力。作为其中的第一项，我们加强了其调用视觉搜索工具的能力，从而弥补了**Step 3.7 Flash** 因模型规模有限而造成的参数知识缺陷。如下表所示，在视觉识别任务上，**Step 3.7 Flash** 配合视觉搜索达到了与其五倍规模模型相当的性能。 ### 结合视觉搜索的视觉识别 Flash级别 Pro级别 基准测试 Step 3.7 Flash Kimi K2.6 GLM 5V Turbo GPT 5.5 SimpleVQA 79.16% 78.24%\* 78.20% 79.11%\* WorldVQA 58.10% 55.98%\* 47.81%\* 54.58%\* BC-VL 58.96% 57.12%\* 51.90%\* 65.68%\* 1. \* 表示自测分数。 对于更广泛的、要求对高分辨率图像进行精细感知或视觉推理能力的具有挑战性的视觉任务——如V\*、HR-Bench和VisualProbe——我们赋予模型更丰富的动作空间来与图像交互，包括裁剪、放大缩小、绘制像素或边界框。这些工具通过统一的代码接口实现，通常被称为*Python工具*。借助Python，**Step 3.7 Flash** 在这些基准测试中取得了异常强劲的性能。 ### 结合Python工具的视觉感知 Flash级别 Pro级别 基准测试 Step 3.7 Flash Kimi K2.6 GLM 5V Turbo Gemini 3 Flash V\* 95.29% 96.90% 89.00% 96.30% HR-Bench 4K 89.13% 91.25%\* 84.62% 94.50% HR-Bench 8K 86.34% 90.13%\* 83.12% 94.80% VisualProbe 65.05% 64.47%\* 53.01% 69.90% 1. \* 表示自测分数。 2. GLM结果经与官方GLM人员对齐，使用了裁剪+搜索等工具。 一个特别有趣的发现是跨视觉工具和其他工具的组成泛化能力。在测试中，**Step 3.7 Flash** 无缝地将视觉工具与非视觉工具结合以完成复杂任务，尽管在训练中从未被明确引导过这种组成式工具使用。 #### **使用Python工具的视觉推理** #### **视觉与非视觉工具的联合使用** 操作图形用户界面（GUI）是智能体模型的另一项基础视觉能力——许多现实世界任务存在于聊天框和命令行界面之外，要求智能体能够看到、点击和验证。我们扩展了**Step 3.7 Flash** 的GUI操作能力，特别是针对手机使用栈，使其能够跨多个应用完成长周期任务。在Android Daily基准测试上，**Step 3.7 Flash** 在稳定性、鲁棒性和长周期完成度方面相比去年的**Step-GUI**取得了显著提升，并且领先于其他更大规模的模型。 ### Android Daily基准测试分数 1. \* 表示自测分数。 2. Android Daily: https://arxiv.org/abs/2605.27761 我们在视觉工具中观察到的相同组合模式也在这里出现：在以下案例中，模型在编写了一段前端代码后，自主转向GUI来测试刚刚生成的页面——检查渲染输出，与交互元素交互，并根据所见内容迭代其自身的代码。再次强调，这种代码与GUI的组合行为在训练中从未被明确展示或奖励，却在测试时稳健地涌现出来。 #### **GUI操作** ## 基准测试 在基准测试表中，我们提供了当今表现最佳的开源模型的详细并排比较。在广泛的指标上，Step 3.7 Flash 以持续强劲的结果脱颖而出。我们的评估聚焦于三个核心维度——推理、编程和智能体能力。 Flash级别 Pro级别 基准测试 Step 3.7 Flash Step 3.5 Flash DeepSeek V4 Flash Gemini 3.5 Flash DeepSeek V4 Pro GPT 5.5 Claude Opus 4.7 Kimi K2.6 GLM 5.1 总参数 196B + 1.8B (ViT) 196B 284B — 1.6T — — 1T 754B 激活参数 11B 11B 13B — 49B — — 32B 40B 多模态 ✓ ✕ ✕ ✓ ✕ ✓ ✓ ✓ ✕ 通用智能体 HLE with tool (准确率) 47.20% (纯文本 49.70%) 35.68% 45.10% 40.20% 48.20% 52.20% 54.70% 54.00% 52.30% BrowseComp (准确率) 75.82% 69.00% 73.20% — 83.40% 90.10% 79.30% 83.20% 79.30% deepsearchQA (F1) 92.82% 85.48%\* 90.61%\* — — 93.98%\* 91.74%\* 92.50% 91.16%\* deepsearchQA (准确率) 81.69% 73.44% 79.76%\* — — 85.31%\* 82.31%\* 83.00% 81.31%\* ResearchRubrics (得分) 71.68% 65.30% 66.17%\* 63.58%\* 68.31%\* 61.50%\* 73.92%\* 62.96%\* 67.90%\* Toolathlon 49.51% 33.33% 52.78%\* 56.50% 51.80% (56.61%\*) 60.18%\* 65.43%\* 54.63%\* 48.09%\* Claweval-v1.1 (pass^3) 67.07% 43.60% 57.80% — 59.80% — — 62.30% 62.30% GDPval-Stirrup (准则得分) 1415.8 (ii 45.79%) 1055.0 (ii 27.75%) 1414.0 (ii 44.00%) 1656 (ii 57.80%) 1554 (ii 53.00%) 1769 (ii 63.00%) 1753 (ii 63.00%) 1481 (ii 49.00%) 1535 (ii 52.00%) 编程 SWE-MTLG 72.42% 67.40% 73.30% — 76.20% — 80.50% 76.70% — SWE-Bench Pro 56.26% 51.30% 55.60%\* 55.10% 55.40% 58.60% 64.30% 58.60% 58.40% Terminal-Bench 2.1 59.55% 53.37% 62.00%\* 76.20% 72.00% 78.2% ± 2.4 66.1% ± 2.7 — 69.00% 长上下文 AA-LCR (avg@16/acc) 63.94% 45.50% 63.70% (63.00%\*) — 66.30% (66.30%\*) — — 69.10% (69.70%\*) 64.90% (62.30%\*) 1. "—" 表示分数未公开或未测试。\* 表示自测分数。 2. Android Daily: https://arxiv.org/abs/2605.27761 ## 了解 StepFun - **Step 3.7 Flash** 可通过我们的**API平台 (中文 (https://platform.stepfun.com/) / EN (https://platform.stepfun.ai/))** 获取，您也可以在**网页端 (中文 (https://www.stepfun.com/) / EN (https://stepfun.ai/))** 或我们的**App (iOS (https://apps.apple.com/cn/app/%E9%98%B6%E8%B7%83ai-%E9%98%B6%E8%B7%83%E6%98%9F%E8%BE%B0ai%E5%8A%A9%E6%89%8B/id6502382318) / Android (https://play.google.com/store/apps/details?id=cn.yuewen.ywapp&hl=zh))** 中与之对话。 - 加入我们的**Discord社区 (https://discord.gg/RcMJhNVAQc)** 以获取更新、支持和早期访问。 ## 可用性、部署与生态系统 ### 部署 Step 3.7 Flash 支持跨云、数据中心和本地环境的灵活部署。对于大规模生产和企业用例，Step 3.7 Flash 可部署在现代数据中心基础设施上。对于本地和工作站场景，它也可以在具有至少128GB统一内存的高内存设备上运行，如NVIDIA DGX Station、基于AMD Ryzen AI Max+ 395的系统，以及Mac Studio / Mac Pro设备。 ### 生态系统 Step 3.7 Flash 在流行的开源基础设施上得到支持，适用于推理和模型开发。对于推理和服务，开发者可以使用vLLM、SGLang、Hugging Face Transformers和llama.cpp。对于模型开发工作流，StepFun模型支持已集成到NVIDIA Megatron生态系统中，包括Megatron Core和Megatron Bridge。