StepFun: Step 3.7 Flash

Paso 3.7 Flash es un modelo de generación de texto de StepFun, listado en api14 bajo el id de modelo stepfun/step-3.7-flash. Su proveedor lo describe como el modelo Mixture-of-Experts multimodal de alta eficiencia más reciente de StepFun, que combina una columna vertebral de lenguaje de 196B parámetros con un codificador de visión y activa aproximadamente 11B parámetros. La fecha de lanzamiento del proveedor es 2026-05-28. Si estás eligiendo un modelo para un proyecto nuevo, el encuadre importante es que este es un modelo de entrada multimodal con salida de texto, construido en torno a la eficiencia más que a la escala bruta.

En el lado de la entrada, Step 3.7 Flash acepta texto, imágenes y video, y produce únicamente texto. La ventana de contexto es de 262144 tokens, y la salida máxima es de 230400 tokens. La comprensión nativa de imágenes y video proviene del codificador de visión, por lo que el material visual puede pasarse junto con el texto en lugar de convertirse previamente en descripciones. El comportamiento de razonamiento se expone a través de los parámetros reasoning e include_reasoning, y reasoning_effort te permite controlar cuánto esfuerzo se dedica allí. Se admiten salidas estructuradas y response_format, lo cual importa cuando necesitas resultados legibles por máquina en lugar de prosa.

Esas capacidades apuntan a un conjunto bastante específico de casos de uso. Documentos largos más respuestas largas encajan con el contexto de 262144 tokens y el techo de salida de 230400 tokens: revisión de contratos, síntesis de investigación, análisis de transcripciones, explicación de bases de código. Como se aceptan imágenes y video como entrada, puedes construir canalizaciones que hagan preguntas sobre capturas de pantalla, diagramas, presentaciones de diapositivas, demos grabadas o metraje tipo vigilancia y obtener texto de vuelta. El llamado a herramientas mediante tools y tool_choice lo hace utilizable como el paso de razonamiento en un bucle de agente, y structured_outputs más response_format se adaptan a tareas de extracción donde el resultado alimenta a otro sistema. Los controles de razonamiento son útiles cuando quieres intercambiar profundidad por latencia por solicitud.

Llamarlo a través de api14 funciona de la misma manera que cualquier otro modelo compatible con OpenAI. Apunta tu cliente a la URL base de api14, usa tu clave de api14 y establece el campo model en stepfun/step-3.7-flash. Los parámetros de solicitud admitidos son 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 y top_p. Dado que la superficie es compatible con OpenAI, los SDK y bibliotecas existentes generalmente funcionan sin cambios más allá del id de modelo y la URL base.

No hay ninguna restricción declarada en los hechos más allá de la división de modalidad: la entrada puede ser texto, imagen o video, pero la salida es únicamente texto, así que cualquier cosa que requiera imágenes, audio o video generados necesita un modelo diferente. Si tu carga de trabajo es texto puro y no se beneficia del codificador de visión ni de los controles de razonamiento, un modelo más simple solo de texto puede ser una mejor opción. De lo contrario, la combinación de una ventana de contexto grande, un techo de salida grande y entrada multimodal hace de este un valor predeterminado razonable para tareas de análisis de documentos y medios.