StepFun: Step 3.7 Flash

Step 3.7 Flash to model generowania tekstu od StepFun, wymieniony na api14 pod identyfikatorem modelu stepfun/step-3.7-flash. Jest opisywany przez swojego dostawcę jako najnowszy wysokowydajny multimodalny model Mixture-of-Experts od StepFun, łączący 196B-parametrowy rdzeń językowy z enkoderem wizyjnym i aktywujący około 11B parametrów. Data wydania przez dostawcę to 2026-05-28. Jeśli wybierasz model do nowego projektu, ważne jest to, że jest to model z multimodalnym wejściem i tekstowym wyjściem, zbudowany wokół wydajności, a nie surowej skali.

Po stronie wejścia Step 3.7 Flash przyjmuje tekst, obrazy i wideo, a zwraca wyłącznie tekst. Okno kontekstu wynosi 262144 tokenów, a maksymalne wyjście to 230400 tokenów. Natywne rozumienie obrazów i wideo pochodzi z enkodera wizyjnego, więc materiał wizualny można przekazywać razem z tekstem, zamiast wcześniej konwertować go na opisy. Zachowanie rozumowania jest udostępniane przez parametry reasoning i include_reasoning, a reasoning_effort pozwala kontrolować, ile wysiłku się na to przeznacza. Obsługiwane są ustrukturyzowane wyjścia i response_format, co ma znaczenie, gdy potrzebujesz wyników czytelnych maszynowo, a nie prozy.

Te możliwości wskazują na dość konkretny zestaw przypadków użycia. Długie dokumenty plus długie odpowiedzi pasują do kontekstu 262144 tokenów i limitu wyjścia 230400 tokenów: przegląd umów, synteza badań, analiza transkrypcji, objaśnianie bazy kodu. Ponieważ obrazy i wideo są przyjmowane jako wejście, możesz budować potoki, które zadają pytania o zrzuty ekranu, diagramy, prezentacje, nagrane demonstracje lub materiał w stylu monitoringu i otrzymują tekst z powrotem. Wywoływanie narzędzi przez tools i tool_choice czyni go użytecznym jako krok rozumowania w pętli agenta, a structured_outputs plus response_format pasują do zadań ekstrakcji, w których wynik zasila inny system. Kontrolki rozumowania są przydatne, gdy chcesz wymienić głębokość na opóźnienie na żądanie.

Wywoływanie go przez api14 działa tak samo jak w przypadku każdego innego modelu zgodnego z OpenAI. Skieruj klienta na bazowy adres URL api14, użyj swojego klucza api14 i ustaw pole model na stepfun/step-3.7-flash. Obsługiwane parametry żądania to 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 i top_p. Ponieważ interfejs jest zgodny z OpenAI, istniejące SDK i biblioteki generalnie działają bez zmian poza identyfikatorem modelu i bazowym adresem URL.

W faktach nie ma podanego ograniczenia poza podziałem modalności: wejście może być tekstem, obrazem lub wideo, ale wyjście jest wyłącznie tekstowe, więc wszystko, co wymaga generowanych obrazów, dźwięku lub wideo, potrzebuje innego modelu. Jeśli Twoje obciążenie jest czysto tekstowe i nie korzysta z enkodera wizyjnego ani kontrolek rozumowania, prostszy model tylko tekstowy może być lepszym dopasowaniem. W przeciwnym razie połączenie dużego okna kontekstu, dużego limitu wyjścia i multimodalnego wejścia czyni go rozsądnym domyślnym wyborem do zadań analizy dokumentów i mediów.