阶跃Flash模型实测：110亿激活参数撑起高效智能体

近日，阶跃星辰发布Step 3.7 Flash模型。这是一款198B参数的稀疏MoE多模态模型，每token仅激活约11B参数，支持256K上下文，最高吞吐400 tokens/s，并可调低、中、高三档推理强度。实测中，它响应飞快，多模态感知与纠错能力结合良好，且在多轮交互中保持稳定输出，把Token消耗控制在很经济的水平。 这种经济性至关重要。企业使用AI的成本已可能超过雇佣员工成本：有客户未给Claude许可证设上限，一个月花掉5亿美元；米哈游测试AI Agent时，几十个Agent未及时关闭，一晚消耗约200万元Token。高效率Flash模型因此成为主流。这场成本压力正在重塑AI应用的选择逻辑。 Step 3.7 Flash正是这一趋势的代表。稀疏MoE架构意味着总参数达198B，但每次只激活约11B参数，相当于一个庞大的专家团队每次轮换少数专家上场，既保有知识广度，又大幅压缩单次计算开销。它还支持256K上下文，能处理长文档和复杂多轮任务；最高400 tokens/s的吞吐让Agent响应迅捷；开发者可调低、中、高三档推理强度，按需平衡速度与质量，三档设置让复杂任务用高强度、简单任务用低强度，灵活调配资源。 在多模态实测中，草图转电商看板任务里，模型准确识别手写文字和布局，生成高度还原的响应式页面，但开始遗漏“全部”选项；指示后能准确定位并修改，展现出视觉理解与按指令纠错的闭环能力。这种修正能力对Agent至关重要，因为真实工作流往往需要多轮反馈。 数据任务方面，模型结合联网分析，正确提取比亚迪产销快报关键数据，指出5月新能源汽车销量383453辆、产量380549辆，1-5月累计同比下降20.32%，当月产销回暖，出口占比41.9%。这意味着它能胜任信息抽取与初步分析，可直接用于情报整理和报表解读。 面对调音台照片，Step 3.7 Flash识别出NFM M系列，并按“查MUTE、调GAIN、推FADER、查AUX和主输出”的逻辑给出排查建议，显出专业迁移能力。不过，图片转互动地图时，它识别出7个地点，但地标对应不严谨、方位有偏差，空间推理仍有短板。这说明模型在视觉-空间对齐上还有改进余地，但在识别和逻辑推演上已具备实用价值。 总体而言，模型整体表现符合“更稳、更快、更省”的定位。本次实测消耗Token仅占套餐周额度15%左右，对Agent高频调用非常友好。它既能处理长上下文，又能在高频调用下控制成本，正是Agent规模化部署所需要的。高效益Flash模型让Agent能更稳、更快、更省地跑通工作流，推动AI从高成本玩具转变为工业级生产力工具。 Agent常态化作业的关口，正是成本与效率。Step 3.7 Flash用“少激活、高吞吐”的架构给出一个务实答案。随着模型持续迭代，曾被账单失控困住的Agent场景，有望迎来规模复用的拐点。