Step 3.7 Flash开源模型实测 – 多模态 Agent 大脑更省Token

说起来你可能不信，企业用 AI 的成本，现在已经高过雇人的成本了。

上周 Axios 的报道里，一位 AI 顾问提到他的一个企业客户：没给员工的 Claude 许可证设使用上限，短短一个月就烧掉了高达 5 亿美元。

米哈游员工测 AI Agent 的时候搭了几十个 Agent，忘了关，一个晚上烧掉大约 200 万人民币的 Token。

多个 Agent 协同的生产链路里，多轮调用加高频触发的工具，Token 消耗和延迟开销叠在一起，企业快扛不住了。

所以这也是为什么最近各家都在赶着推 Flash 模型。

Flash 模型现在早就不只是「旗舰模型更快更便宜的平替」了，它是真能被放进 Agent 工作流里，让每一步都更快、更稳、更省。

最近，阶跃星辰发布了新一代高效率 Flash 开源模型 Step 3.7 Flash。按官方说法，Step 3.7 Flash 是个 198B 参数的稀疏 MoE 多模态模型，每个 token 激活约 11B 参数，支持 256K 上下文，最高吞吐能到 400 tokens/s，还分 low、medium、high 三档推理强度。

我们更在意它在真实复杂场景里的 Agent 链路效率。所以今天不聊评分不看排行榜，直接上真实场景实测一波

 

01. Coding Agent 的 One-shot 实测

 

这轮实测用的组合是 Claude Code + StepFun 的 Coding Plan。

Case 1 多模态感知与 UI 执行力

我随手画了张草图，让 Step 3.7 Flash 照着做一个电商运营复盘看板。

参考草稿图做一个电商运营复盘看板。

Step 3.7 Flash 把视觉理解直接内置进了 Agent 工作流，草图里的手写文字和空间布局它都能认准。它把草图转成了一个符合现代审美、带自适应响应式的 HTML/CSS / JS 看板应用。

生成出来的网页还原度高得离谱，跟手绘草稿几乎一个模子：页面板块、文字全都识别对了，我随手画的小箭头、小图标也给复刻了出来。

唯一的问题是渠道销售额板块顶上应该有个「全部」选项，Step 3.7 Flash 给漏掉了。

接着我们让它照着草图继续改：

继续优化页面，渠道销售额板块，与原图有出入。按照原图排版在上方添加【全部】选项。

Step 3.7 Flash 的多模态能力没止步于「看懂图」，它能直接定位到要改的地方，改得也准。

Case 2 视觉搜索与工具增强推理

今天比亚迪发了 5 月份的产销快报，我们拿 Step 3.7 Flash 试试识别：

读取图片中的关键信息，并联网生成分析报告。

这活儿不是单纯 OCR 识字，而是考 Step 3.7 Flash 能不能先把关键数据提出来，再联网核实背景，最后吐出一份能看的分析报告。

识别这块，Step 3.7 Flash 抓的信息相当精准。

再看生成的报告，Step 3.7 Flash 挑出的几个重点内容都对：

比亚迪 2026 年 5 月新能源汽车销量 383453 辆，产量 380549 辆。

1 月到 5 月累计同比降了 20.32%，但 5 月产量涨了 8.78%、销量涨了 0.26%，回暖迹象明显，是个重要拐点，产销两头都在恢复性增长。

5 月出口占到新能源汽车总销量的 41.9%，出口已经是比亚迪最要紧的增长引擎之一。

Case 3 视觉理解

我传了张调音台的照片，就问它一句：

麦克风怎么调。

Step 3.7 Flash 认出这是 NFM M系列 专业调音台，还知道调麦克风得盯通道、GAIN、FADER、MUTE、AUX、主输出这几个关键位置。

对小白来说，Step 3.7 Flash 给的流程基本够照着排查"麦克风为什么没声""声音太小""有啸叫"这类问题了。

特别是它提醒先查 MUTE、再看增益、再推通道推子、最后检查主输出——视觉理解是真的强，逻辑也没毛病。

Case 4 图片转互动地图

请将文件夹中的图片直接作为输入，不提供额外背景说明。请一次性完成整个工作流程。

目标： 创建一个完整的、可演示的单页 HTML 城市导览页面，文件名 ucsd-tour.html。页面要求能够：

1.识别提供的图片中的地标。

2.通过网页搜索验证识别结果。

3.将图片复制到当前工作目录并按合适名称保存。

4.构建一个美观、交互式的地图式城市导览指南。

重要输入规则：

• 仅使用直接提供的图片作为输入。
• 不扫描文件夹或目录寻找额外图片。
• 不导入当前目录中无关的图片。
• 将提供的图片视为完整的图片集。

网页整体看有那么回事：首页、地图、地点介绍、导览路线图都齐了，排版也可观。

Step 3.7 Flash 准确认出了 7 个地点，视觉理解和网页搜索这两项能力是过关的。

但仔细瞧就会发现，地标名字和图片没对上号，模型在多文件管理、路径映射、资源命名上还不够严谨。

再看它生成的地图，只是初步标了个方位，根本没有真正的地图，地标方位跟实际地理方位也有偏差。

总结一句：Step 3.7 Flash 把核心的识别任务完成了，细节处理还有提升余地。

 

02. 一些分享

 

Step 3.7 Flash 在实际交互里给我最直观的感受就一个字：快。

碰到多文件映射、精确空间逻辑这类复杂任务时，个别细节确实还有提升空间。但高响应速度配上多模态感知，让它在多轮交互里的纠错效率很能打，于是凭着较低的延迟和成本，给复杂的 Agent 链路换来了更大的容错余地。

这轮评测实际消耗的 Token 只占了 Coding Plan 套餐周额度的 15% 左右。MoE 架构自带成本优势，哪怕 Agent 在长工作流里高频做多轮迭代、检索和纠错，算力成本也能压在企业完全扛得住的区间里。

有了 Step 3.7 Flash 这种奔着生产级 Agent 去的高效率 Flash 模型，Agent 处理真实任务时就能以更快、更稳、更省的方式跑通整条工作流，而不是变成让人下不去手的 Token 吞金兽。

大模型应用正在变得务实。企业不用再对着高昂的账单和延迟发慌，AI 才算从单点演示的玩具，变成工业级生产线上能稳定运转的生产力工具。

原文链接：实测阶跃 Step 3.7 Flash：更稳、更快、更省的 Agent 大脑