StepFun: Step 3.7 Flash

Steg 3.7 Flash är en textgenereringsmodell från StepFun, listad på api14 under modell-id:t stepfun/step-3.7-flash. Den beskrivs av sin leverantör som StepFuns senaste högeffektiva multimodala Mixture-of-Experts-modell, som parar en språkryggrad med 196B parametrar med en vision-encoder och aktiverar ungefär 11B parametrar. Leverantörens releasedatum är 2026-05-28. Om du väljer en modell för ett nytt projekt är den viktiga inramningen att detta är en multimodal indatamodell med textutdata, byggd kring effektivitet snarare än rå skala.

På indatasidan accepterar Steg 3.7 Flash text, bilder och video, och den producerar endast text. Kontextfönstret är 262144 tokens, och maximal utdata är 230400 tokens. Inbyggd bild- och videoförståelse kommer från vision-encodern, så visuellt material kan skickas in tillsammans med text i stället för att förkonverteras till beskrivningar. Resonemangsbeteende exponeras genom parametrarna reasoning och include_reasoning, och reasoning_effort låter dig styra hur mycket ansträngning som läggs där. Strukturerade utdata och response_format stöds, vilket spelar roll när du behöver maskinläsbara resultat i stället för prosa.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsfall. Långa dokument plus långa svar passar inom kontextfönstret på 262144 tokens och taket för utdata på 230400 tokens: avtalsgranskning, forskningssyntes, transkriptionsanalys, kodbasförklaring. Eftersom bilder och video accepteras som indata kan du bygga pipelines som ställer frågor om skärmbilder, diagram, bildspel, inspelade demos eller övervakningsliknande filmmaterial och får text tillbaka. Tool calling via tools och tool_choice gör den användbar som resonemangssteget i en agentloop, och structured_outputs plus response_format passar extraktionsuppgifter där resultatet matar ett annat system. Resonemangskontrollerna är användbara när du vill byta djup mot latens per begäran.

Att anropa den via api14 fungerar på samma sätt som alla andra OpenAI-kompatibla modeller. Rikta din klient mot api14:s bas-URL, använd din api14-nyckel och sätt modellfältet till stepfun/step-3.7-flash. De stödda begärandeparametrarna är 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 och top_p. Eftersom ytan är OpenAI-kompatibel fungerar befintliga SDK:er och bibliotek i allmänhet utan ändringar utöver modell-id:t och bas-URL:en.

Det finns ingen angiven begränsning i faktaunderlaget bortom modalitetsdelningen: indata kan vara text, bild eller video, men utdata är endast text, så allt som kräver genererade bilder, ljud eller video behöver en annan modell. Om din arbetsbelastning är ren text och inte drar nytta av vision-encodern eller resonemangskontrollerna kan en enklare textmodell vara en bättre matchning. Annars gör kombinationen av ett stort kontextfönster, ett högt utdatatak och multimodal indata detta till ett rimligt standardval för dokument- och medieanalysuppgifter.