StepFun: Step 3.7 Flash

O Step 3.7 Flash é um modelo de geração de texto da StepFun, listado na api14 sob o id de modelo stepfun/step-3.7-flash. É descrito pelo seu fornecedor como o mais recente modelo Mixture-of-Experts multimodal de alta eficiência da StepFun, combinando um backbone de linguagem com 196B parâmetros com um codificador de visão e ativando cerca de 11B parâmetros. A data de lançamento do fornecedor é 2026-05-28. Se está a escolher um modelo para um novo projeto, o enquadramento importante é que este é um modelo de entrada multimodal com saída de texto, construído em torno da eficiência em vez da escala bruta.

Do lado da entrada, o Step 3.7 Flash aceita texto, imagens e vídeo, e produz apenas texto. A janela de contexto é de 262144 tokens, e a saída máxima é de 230400 tokens. A compreensão nativa de imagens e vídeo vem do codificador de visão, pelo que o material visual pode ser passado juntamente com texto em vez de ser pré-convertido em descrições. O comportamento de raciocínio é exposto através dos parâmetros reasoning e include_reasoning, e reasoning_effort permite controlar quanto esforço é gasto aí. Saídas estruturadas e response_format são suportados, o que importa quando precisa de resultados legíveis por máquina em vez de prosa.

Essas capacidades apontam para um conjunto bastante específico de casos de uso. Documentos longos mais respostas longas encaixam no contexto de 262144 tokens e no teto de saída de 230400 tokens: revisão de contratos, síntese de investigação, análise de transcrições, explicação de bases de código. Como imagens e vídeo são aceites como entrada, pode construir pipelines que fazem perguntas sobre capturas de ecrã, diagramas, apresentações, demos gravadas ou filmagens tipo vigilância e recebem texto de volta. A chamada de ferramentas via tools e tool_choice torna-o utilizável como o passo de raciocínio num ciclo de agente, e structured_outputs mais response_format adequam-se a tarefas de extração em que o resultado alimenta outro sistema. Os controlos de raciocínio são úteis quando quer trocar profundidade por latência por pedido.

Chamá-lo através da api14 funciona da mesma forma que qualquer outro modelo compatível com OpenAI. Aponte o seu cliente para o URL base da api14, use a sua chave api14, e defina o campo model para stepfun/step-3.7-flash. Os parâmetros de pedido suportados são 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 e top_p. Como a superfície é compatível com OpenAI, os SDKs e bibliotecas existentes geralmente funcionam sem alterações além do id de modelo e do URL base.

Não há restrição declarada nos factos além da divisão de modalidade: a entrada pode ser texto, imagem ou vídeo, mas a saída é apenas texto, pelo que qualquer coisa que exija imagens, áudio ou vídeo gerados precisa de um modelo diferente. Se a sua carga de trabalho for texto puro e não beneficiar do codificador de visão ou dos controlos de raciocínio, um modelo mais simples apenas de texto pode ser mais adequado. Caso contrário, a combinação de uma janela de contexto grande, um teto de saída grande e entrada multimodal torna este um padrão razoável para tarefas de análise de documentos e media.