模型竞争，正在从更聪明转向更实用。

模型能不能独立干活，活干得好不好，干活的成本能不能承受，出了岔子能不能自己兜回来，这些都是用户真正在乎的。

阶跃星辰发布了Step 3.7 Flash，一款196B参数、11B激活的高效Agent模型，最高支持400 TPS推理速度，定位直指真实场景下的智能体效率。

这可能是目前同等规模下，Agent能力最均衡的Flash模型。

Step 3.7 Flash的核心亮点集中在四个方面：原生多模态理解与行动能力、搜索能力的深度增强、工具调用的稳定性提升、以及主流Agent生态的兼容适配。

官方用了六个字概括：“See. Think. Act.”，看见、思考、行动。

能写代码，也能跨框架干活

写代码是Agent最硬核的基本功。代码是数字世界里Agent行动的载体，也是最纯粹的规划、执行、观察、迭代循环。编码能力的走向很大程度上预示了Agent能力的上限。

基础模型正在从回答问题转向采取行动，而在数字世界里，行动的主要形式就是代码。

Step 3.7 Flash在这个方向上投入很大，SWE-Bench Pro拿到56.3%，比上一代Step 3.5 Flash提升5个百分点；Terminal-Bench 2.1拿到59.6%，提升6.1%。

SWE-Bench Verified上得分76.5%，Step 3.5 Flash是74.4%。SWE-MTLG上72.4%，Step 3.5 Flash是67.4%。

在同等规模的Flash模型里，这个成绩够看。跟DeepSeek V4 Flash的55.6%和55.1%相比，Step 3.7 Flash在SWE-Bench Pro和Terminal-Bench 2.1两个基准上都略占上风。

更有意思的是跨框架的稳定性。

实际生产中，代码Agent不会只跑在某一个脚手架上，Claude Code、KiloCode、Hermes Agent、OpenClaw、OpenCode、RooCode，各家的提示词规范不同、工具模式不同、编排逻辑不同，模型得在每套体系下都靠谱才行。

阶跃星辰用自建的Step-SWE-Bench测了一把，Step 3.7 Flash在6个Harness（脚手架）上的平均通过率67.08%，Step 3.5 Flash只有56.50%，而且每个框架上的差距都明显缩小了。

Claude Code上Step 3.5 Flash本来就表现不错，Step 3.7 Flash略低一点，71.50%对73.00%。

但在OpenClaw和RooCode上，Step 3.5 Flash分别只有47.00%和43.00%，Step 3.7 Flash直接拉到了67.00%和64.50%，提升幅度分别为20和21.5个百分点。

跨框架的均衡性，对工程落地来说比单点高分更有价值。

还有一个值得关注的机制：Advisor Mode（顾问模式）。

Step 3.7 Flash全程自己掌控任务流程，调用工具、读取结果、反复迭代，只在少数关键节点请更大的顾问模型出主意，比如规划阶段或者连续失败后的恢复。

思路来自Anthropic提出的advisor策略：小模型当执行者，大模型当顾问，大部分时间跑在执行者的成本线上。

开启Advisor Mode后，Step 3.7 Flash做到了Claude Opus 4.6编码性能的97%，单任务成本0.19美元，Claude Opus 4.6是1.76美元，差了将近9倍。

不开Advisor Mode、单跑Flash加Advisor的方式，成本更低，0.12美元，SWE-Bench Verified得分73.7%。

加了Advisor Mode后得分76.3%，Claude Opus 4.6是78.7%。花九分之一的钱，拿到97%的效果。

搜得广，搜得深，还能自己判断

对一个Flash级别的模型来说，把所有知识塞进参数里不现实，更聪明的做法是让模型在需要时主动调用外部知识。

Step 3.7 Flash把重点放在搜索规划、证据筛选和信息综合上，把搜索从外挂插件变成了推理流程的原生部分。

搜索不再是模型遇到不懂的问题才去翻的参考书，而是推理链条里自然的一环。

几个关键数据：HLE with Tools得分47.2%，Step 3.5 Flash纯文本模式只有35.7%，提升超过11个百分点，超越DeepSeek V4 Flash的45.1%和Gemini 3.5 Flash的40.2%。

BrowseComp得分75.8%，逼近Claude Opus 4.7的79.3%和Kimi K2.6的83.2%。

DeepSearchQA的F1分数92.8%，和1T参数、32B激活的Kimi K2.6的92.5%几乎打平。

ResearchRubrics得分71.68%，比GPT 5.5的61.50%高出一截，接近Claude Opus 4.7的73.92%。

在深度检索和长程研究类任务上，Step 3.7 Flash用Flash的成本做到了接近Pro级的效果。

能看懂图，也能动手操作

Step 3.7 Flash是阶跃星辰第一款原生支持视觉输入的Flash模型，总参数196B加上1.8B的ViT（视觉Transformer），激活参数11B。

视觉能力是Agent理解真实世界的关键入口。产品界面、文档、图表、自然场景，模型都能看懂，还能根据看到的内容写代码或调用工具来执行操作。

视觉识别方面，Step 3.7 Flash搭配Visual Search（视觉搜索）工具后，在SimpleVQA上拿到79.16%，和体量大得多的模型打平。

WorldVQA上拿到58.10%，超过Kimi K2.6的55.98%、GLM 5V Turbo的47.81%和GPT 5.5的54.58%。BC-VL上58.96%，同样领先Kimi K2.6和GLM 5V Turbo。

Visual Search的核心价值在于弥补Flash模型参数量有限带来的知识缺口。

长尾实体、刚出现的新概念，参数里没有的，通过视觉搜索从外部补上，最终效果能跟五倍大小的模型站在同一排。

视觉感知方面，搭配Python工具（裁剪、缩放、画框、画像素等代码操作），Step 3.7 Flash在高分辨率图像的细粒度感知上表现突出。V*基准得分95.29%，HR-Bench 4K得分89.13%，HR-Bench 8K得分86.34%，VisualProbe得分65.05%。

团队有个特别的发现。Step 3.7 Flash在测试中自发地把视觉工具和非视觉工具组合起来完成复杂任务，而训练时从未显式教过它这么做。

组合泛化能力属于模型自己"悟"出来的。组合能力的涌现说明模型已经理解了任务结构，在自主规划工具链，而非机械地执行指令。

GUI（图形用户界面）操作是另一个视觉能力维度。很多真实任务活在聊天框和命令行之外，Agent得能看、能点、能验证。

Step 3.7 Flash在Android Daily基准上拿到61.87%，超过Kimi K2.6的53.36%和GLM 5V Turbo的51.68%，仅次于Gemini 3 Flash的63.21%。

相比去年发布的Step-GUI，稳定性、鲁棒性和长程完成度都有明显提升。

模型写完前端代码后，主动打开GUI去测试页面效果，检查交互元素，再根据看到的画面修改代码。写代码和看界面两件事，它自己串起来了。

代码加GUI的组合行为，同样没有被显式训练过，在测试中自然涌现。

企业场景：干得完，干得稳

企业级任务对Agent的要求很现实。在动态环境里独立执行任务，还得有垂直领域的专业能力。

先说自主执行。企业工作本质上依赖两根支柱：动态环境中的自主任务执行，以及深度的垂直领域知识。Step 3.7 Flash在这两方面都做了针对性优化。它能把一整块知识型工作从头做到尾，自己规划、自己搜索、自己提取关键信息、自己编排工具，最后交付可用成果，中间不需要人干预。它同时处理截图、复杂文档、密集电子表格等混合输入，视觉上下文和数字资产一起解析。

模型把意图理解、多模态感知和Agent执行串成一条线，从理解到行动没有断点。

工具编排方面，Toolathlon得分49.5%，Step 3.5 Flash只有33.3%，提升超过16个百分点；ClawEval-1.1得分67.1%，Step 3.5 Flash只有43.6%，提升超过23个百分点，体现的是长时间、多工具、真实环境下的自主执行能力。

长时间的Agent运行最怕漂移和工具调用失败。Step 3.7 Flash在这两点上控制得比较好。它驱动的工具范围覆盖终端、浏览器、Office工具、搜索引擎等，能保持长时间运行的连贯性。

再说垂直知识。阶跃星辰跟金融、会计、数据分析等领域的专业人士深度合作，把行业原生知识嵌入模型。制造排产调度、工程热处理分析这类场景都能独立跑通。

GDPval覆盖44个职业，得分45.8%，Step 3.5 Flash只有27.8%，提升超过18个百分点。Tau2-bench Telecom不同推理难度层级上，通过率超过98%。

长上下文方面，AA-LCR得分63.9%，Step 3.5 Flash只有45.5%，提升近20个百分点，跟DeepSeek V4 Flash的63.7%基本持平。

Step 3.7 Flash已在阶跃星辰开放平台（platform.stepfun.ai全球、platform.stepfun.com中国区）、OpenRouter和NVIDIA NIM上线，后续DeepInfra、Fireworks AI、Modal也会跟进。

部署方面支持云端、数据中心和本地环境，128GB以上统一内存的Mac Studio/MacBook Pro、NVIDIA DGX Station、AMD Ryzen AI Max+ 395设备都能跑。

推理侧兼容vLLM、SGLang、Hugging Face Transformers、llama.cpp，模型开发侧已接入NVIDIA Nemo生态，包括AutoModel、Megatron Core和Megatron Bridge，也可通过NVIDIA NIM推理微服务实现本地、云端或混合部署。

模型权重与代码也已在GitHub、HuggingFace、ModelScope开源。

Step 3.7 Flash用11B的激活参数、0.19美元的单任务成本，把Agent模型性价比推到了新位置。

参考资料：

https://static.stepfun.com/blog/step-3.7-flash/

https://github.com/stepfun-ai/Step-3.7-Flash

https://huggingface.co/stepfun-ai/Step-3.7-Flash

https://modelscope.cn/models/stepfun-ai/Step-3.7-Flash