階躍星辰最新一代基礎大模型 Step 3 正式開源

　　 階躍星辰團隊宣布其最新一代基礎大模型 Step3正式開源。Step3是一款專為追求性能與成本極致均衡的企業和開發者設計的模型，旨在面向推理時代打造最適合應用的模型。該模型的開源地址包括 Github、Hugging Face 和魔搭 ModelScope，開發者可以自由下載體驗。

　　Step3采用 MoE 架構，總參數量達到3210億，激活參數量為380億。它不僅擁有強大的視覺感知和復雜推理能力，還能準確完成跨領域的復雜知識理解、數學與視覺信息的交叉分析，以及日常生活中的各類視覺分析問題。通過 MFA（Multi-matrix Factorization Attention）和 AFD(Attention-FFN Disaggregation)的優化，Step3在各類芯片上的推理效率均大幅提升。此外，面向 AFD 場景的 StepMesh 通信庫也已隨模型一同開源，提供可跨硬件的標準部署接口，支持關鍵性能在實際服務中的穩定復現。

　　Step3的核心結構采用自研 MFA 注意力機制，有效降低注意力計算中的 KV 緩存開銷與算力消耗。在不犧牲模型能力的前提下，這一方案實現了資源利用與推理效率的平衡，使得模型可在8×48GB 顯卡上完成大吞吐量推理，具備真實部署的可行性。多模態能力方面，Step3采用5B Vision Encoder，并通過雙層2D 卷積對視覺特征進行降采樣，將視覺 token 數量減少到原來的1/16，減輕上下文長度壓力，提升推理效率。訓練過程分為兩個階段:第一階段強化 Encoder 感知，第二階段凍結視覺編碼器，僅優化主干與連接層，以減少梯度干擾。訓練語料涵蓋 Pair、Interleave 與多任務數據，在清洗環節中引入相似度過濾、重采樣與任務比例控制，進一步提升圖文協同質量與訓練魯棒性。

　　Step3在系統架構層重構了解碼流程，重點解決 Attention 與 FFN 混合執行帶來的推理瓶頸以及資源不匹配問題。為此，團隊實現了高性能的 AFD 方案，將兩類計算任務解耦成為兩個子系統，并通過多級流水線并行調度，有效提升整體吞吐效率。由于解耦后的子系統之間對數據傳輸有極高要求，團隊同時研發了面向 AFD 場景的 StepMesh 通信庫，基于 GPU Direct RDMA 實現跨卡的低延遲和高帶寬傳輸，同時兼備不占用 GPU 計算資源、適配多類異構硬件等優勢。在50ms 解碼的 SLA 前提下，Step3在 Hopper GPU 上的吞吐達到4039token/gpu/s，顯著高于類似設置下的 DeepSeek V3（2324token/gpu/s），且該性能增益在特定硬件與長文場景會進一步放大至300%。

　　Step3在 MMMU、MathVision、SimpleVQA、AIME2025、GPQA-Diamond、LiveCodeBench （2024.08-2025.05）等評測集上進行了測試，在同類型開源模型中，Step3成績行業領先。例如，在“安排商務宴座”的任務中，Step3能夠識別圖中結構，自動解析禮儀規則、角色關系與空間邏輯，再結合中文社交禮儀推理出完整12人角色分布邏輯，最終輸出了角色明確、位置清晰、結構合理的“主賓-主陪”全局排座方案，并用表格+ASCII 圖直觀展示。在卡路里計算任務中，Step3能夠看懂復雜的小票，把菜品歸類、對上熱量，最終估算出2人一頓飯總共吃了5710大卡，人均2855大卡，整個過程從原始數據到結論解釋，邏輯清晰，一整個閉環。

　　Step3API 已上線階躍星辰開放平臺（platform.stepfun.com），開發者也可以在“階躍 AI”官網(stepfun.com)和“階躍 AI”App(應用商店搜索下載)進行體驗。模型限時折扣中，所有請求均按最低價格計算，每百萬 token 價格低至輸入1.5元，輸出4元。