StepFun: Step 3.5 Flash

Schritt 3.5 Flash ist ein Textmodell von StepFun, gelistet auf api14 unter der Modell-ID stepfun/step-3.5-flash. StepFun beschreibt es als ihr leistungsfähigstes Open-Source-Basismodell, aufgebaut auf einer sparse Mixture of Experts Architektur, die pro Token nur 11B seiner 196B Parameter aktiviert. Es liegt in der Kategorie Text und ist daher auf Sprachverarbeitung ausgerichtet, nicht auf Bilder, Audio oder andere Modalitäten.

Das Modell nimmt Text entgegen und gibt Text zurück. Es unterstützt ein Kontextfenster von 262144 Token, was groß genug ist, um lange Dokumente, ausgedehnte Konversationen oder umfangreiche Codedateien in einer einzigen Anfrage aufzunehmen, und es kann bis zu 65536 Token in seiner Ausgabe erzeugen. Zu den unterstützten Parametern gehören reasoning und include_reasoning, sodass das Modell neben seinen normalen Antworten einen Reasoning-Modus offenlegen kann. Es akzeptiert außerdem tools und tool_choice, was bedeutet, dass ihm Funktionsdefinitionen übergeben und es gebeten werden kann, diese aufzurufen.

Diese Fähigkeiten deuten auf einige praktische Einsatzmöglichkeiten hin. Der lange Kontext eignet sich zum Zusammenfassen oder Abfragen von langem Quellmaterial, etwa technischer Dokumentation, Verträgen oder Codebasen mit mehreren Dateien, ohne sie zuerst in Abschnitte aufteilen zu müssen. Der Parameter reasoning passt zu Problemen, die von schrittweisem Arbeiten profitieren, zum Beispiel mehrstufige Analysen oder Debugging. Tool Calling macht es zu einem Kandidaten für agentenartige Workflows, bei denen das Modell entscheidet, welche Funktion aufgerufen wird, und die Ausgabegrenze von 65536 Token hilft, wenn die Antwort selbst lang ist, etwa ein generierter Bericht oder ein umfangreiches Refactoring.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID stepfun/step-3.5-flash auf, sodass bestehende OpenAI-Client-Bibliotheken und Anforderungsstrukturen funktionieren, wenn nur der Modellname geändert wird. Die unterstützten Anforderungsparameter sind frequency_penalty, include_reasoning, max_tokens, reasoning, temperature, tool_choice, tools, top_k und top_p. In der Praxis setzen Sie temperature, top_p oder top_k, um das Sampling zu steuern, verwenden max_tokens, um die Antwort zu begrenzen, übergeben tools und tool_choice für Function Calling und schalten reasoning oder include_reasoning um, wenn Sie das Reasoning-Verhalten des Modells in der Antwort wünschen.

Die wichtigste Einschränkung, die Sie beachten sollten, ist, dass dies ein reines Textmodell ist: Es akzeptiert keine Bild- oder Audioeingabe, daher benötigt eine multimodale Aufgabe ein anderes Modell. Wenn Ihre Arbeitslast rein textbasiert ist und in die Grenzen von 262144 Token Kontext und 65536 Token Ausgabe passt, ist Step 3.5 Flash eine vernünftige Wahl, insbesondere wenn Sie Reasoning und Tool Calling im selben Modell wünschen.