StepFun: Step 3.7 Flash

Step 3.7 Flash は StepFun のテキスト生成モデルで、api14 上にモデル ID stepfun/step-3.7-flash で掲載されています。プロバイダーによる説明では、StepFun の最新の高効率マルチモーダル Mixture-of-Experts モデルであり、196B パラメータの言語バックボーンと視覚エンコーダを組み合わせ、およそ 11B パラメータを活性化するとされています。プロバイダーのリリース日は 2026-05-28 です。新しいプロジェクト用にモデルを選ぶなら、重要な位置づけは、これがテキスト出力を伴うマルチモーダル入力モデルであり、生の規模ではなく効率を中心に設計されているという点です。

入力側では、Step 3.7 Flash はテキスト、画像、動画を受け付け、出力はテキストのみです。コンテキストウィンドウは 262144 トークンで、最大出力は 230400 トークンです。ネイティブな画像および動画理解は視覚エンコーダから得られるため、視覚資料を事前に説明文へ変換するのではなく、テキストと一緒に渡すことができます。推論動作は reasoning および include_reasoning パラメータを通じて公開され、reasoning_effort でそこに費やす労力を制御できます。構造化出力と response_format がサポートされており、散文ではなく機械可読な結果が必要な場合に重要です。

これらの機能は、かなり特定のユースケース群を示しています。長い文書と長い回答は、262144 トークンのコンテキストと 230400 トークンの出力上限に適合します。契約レビュー、研究統合、文字起こし分析、コードベースの説明などです。画像と動画が入力として受け入れられるため、スクリーンショット、図、スライド資料、録画されたデモ、監視スタイルの映像について質問し、テキストで返答を得るパイプラインを構築できます。tools と tool_choice によるツール呼び出しにより、エージェントループ内の推論ステップとして使用でき、structured_outputs と response_format は、結果が別のシステムに渡される抽出タスクに適しています。推論制御は、リクエストごとに深さとレイテンシをトレードオフしたい場合に役立ちます。

api14 を通じた呼び出しは、他の OpenAI 互換モデルと同じように機能します。クライアントを api14 のベース URL に向け、api14 キーを使用し、model フィールドを stepfun/step-3.7-flash に設定します。サポートされるリクエストパラメータは、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、top_p です。インターフェースが OpenAI 互換であるため、既存の SDK やライブラリは一般に、モデル ID とベース URL 以外の変更なしで動作します。

ファクトに記載された制約はモダリティの分割以外にはありません。入力はテキスト、画像、動画にできますが、出力はテキストのみであるため、生成画像、音声、動画を必要とするものには別のモデルが必要です。ワークロードが純粋にテキストで、視覚エンコーダや推論制御の恩恵を受けない場合、より単純なテキスト専用モデルの方が適しているかもしれません。そうでなければ、大きなコンテキストウィンドウ、大きな出力上限、マルチモーダル入力の組み合わせにより、文書およびメディア分析タスクの妥当なデフォルトとなります。