StepFun: Step 3.7 Flash

Schritt 3.7 Flash ist ein Textgenerierungsmodell von StepFun, das auf api14 unter der Modell-ID stepfun/step-3.7-flash gelistet ist. Der Anbieter beschreibt es als StepFuns neuestes hocheffizientes multimodales Mixture-of-Experts-Modell, das ein Sprach-Backbone mit 196B Parametern mit einem Vision-Encoder kombiniert und etwa 11B Parameter aktiviert. Das Veröffentlichungsdatum des Anbieters ist der 2026-05-28. Wenn Sie ein Modell für ein neues Projekt auswählen, ist die wichtige Einordnung, dass dies ein multimodales Eingabemodell mit Textausgabe ist, das auf Effizienz statt auf rohe Größe ausgelegt ist.

Auf der Eingabeseite akzeptiert Step 3.7 Flash Text, Bilder und Video und erzeugt ausschließlich Text. Das Kontextfenster beträgt 262144 Token, und die maximale Ausgabe beträgt 230400 Token. Das native Bild- und Videoverständnis stammt vom Vision-Encoder, sodass visuelles Material zusammen mit Text übergeben werden kann, anstatt vorab in Beschreibungen umgewandelt zu werden. Das Reasoning-Verhalten wird über die Parameter reasoning und include_reasoning offengelegt, und mit reasoning_effort können Sie steuern, wie viel Aufwand dort betrieben wird. Strukturierte Ausgaben und response_format werden unterstützt, was wichtig ist, wenn Sie maschinenlesbare Ergebnisse statt Prosa benötigen.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Lange Dokumente plus lange Antworten passen zum Kontext von 262144 Token und zur Ausgabeobergrenze von 230400 Token: Vertragsprüfung, Recherchesynthese, Transkriptanalyse, Codebasis-Erklärung. Da Bilder und Video als Eingabe akzeptiert werden, können Sie Pipelines erstellen, die Fragen zu Screenshots, Diagrammen, Präsentationsfolien, aufgezeichneten Demos oder Überwachungsmaterial stellen und Text zurückbekommen. Tool-Aufrufe über tools und tool_choice machen es als Reasoning-Schritt in einer Agentenschleife nutzbar, und structured_outputs plus response_format eignen sich für Extraktionsaufgaben, bei denen das Ergebnis ein anderes System speist. Die Reasoning-Steuerungen sind nützlich, wenn Sie pro Anfrage Tiefe gegen Latenz abwägen möchten.

Der Aufruf über api14 funktioniert genauso wie bei jedem anderen OpenAI-kompatiblen Modell. Richten Sie Ihren Client auf die api14-Basis-URL, verwenden Sie Ihren api14-Schlüssel und setzen Sie das Feld model auf stepfun/step-3.7-flash. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Da die Oberfläche OpenAI-kompatibel ist, funktionieren bestehende SDKs und Bibliotheken im Allgemeinen ohne Änderungen über die Modell-ID und die Basis-URL hinaus.

In den Fakten gibt es keine angegebene Einschränkung außer der Modalitätstrennung: Die Eingabe kann Text, Bild oder Video sein, aber die Ausgabe ist ausschließlich Text, sodass alles, was generierte Bilder, Audio oder Video erfordert, ein anderes Modell benötigt. Wenn Ihre Arbeitslast reiner Text ist und nicht vom Vision-Encoder oder den Reasoning-Steuerungen profitiert, könnte ein einfacheres reines Textmodell besser passen. Andernfalls macht die Kombination aus großem Kontextfenster, großer Ausgabeobergrenze und multimodaler Eingabe dies zu einer vernünftigen Standardwahl für Aufgaben zur Dokumenten- und Medienanalyse.