Step-R1-V-Mini - 阶跃星辰最新推出的多模态推理模型

Step-R1-V-Mini是什么

Step-R1-V-Mini 是阶跃星辰新推出的多模态推理模型。输入可以是图文，输出是文字，指令遵循和通用能力都不错，看图够细，复杂的推理任务能接下来。视觉推理是它的强项，数学、代码和文本推理也排在第一梯队。训练用的是多模态联合强化学习，基于 PPO 策略，在图像空间里加了可验证奖励机制，泛化性和鲁棒性都有提升。多模态合成数据这一手，把训练中常见的跷跷板问题压下去了。

Step-R1-V-Mini的主要功能

• 多模态输入与输出：图文进、文字出，图像和文字信息都能处理，推理结果用文字给出，指令遵循和通用能力都还可以。
• 高精度图像感知与推理：看图看得细，复杂的推理任务也能做，比如从照片认出具体地点，或者分析一张美食图后写出详细菜谱。MathVision 视觉推理榜单上它排国内第一。
• 数学问题求解：会先把推理链搭起来，复杂数学题一步步拆着解，奥数难题和几何题都在范围内。
• 逻辑推理分析：会自己换几种思路试，边试边反问，尽量把所有可行解法都列出来，交卷前还要回头查漏。
• 复杂算法题解答：LeetCode 上评为“Hard”的算法题，它能做对。
• 代码逻辑构建：先一步步拆解需求和意图，再把代码逻辑搭起来，写的过程中还会顺手分析和验证刚写的那段。
• 文学创作：先弄清用户到底想要什么，再分析主题、题材这些要求，给事物加上点人类情感层面的象征意味，表达上也更有个性。

Step-R1-V-Mini的技术原理

• 多模态联合强化学习：Step-R1-V-Mini 走的是 PPO（Proximal Policy Optimization）这条路。PPO 属于 On-Policy 算法，样本在线生成，模型实时更新。图像空间里，它加了可验证奖励机制（verifiable reward），专门对付图片推理链路长、容易把相关关系和因果关系搞混的问题。和传统的 DPO（Direct Preference Optimization）等方法比，PPO 处理图像空间的复杂链路时泛化性、鲁棒性更好。
• 高质量多模态数据合成：多模态数据的反馈信号不好拿，Step-R1-V-Mini 就设计了一批基于环境反馈的多模态数据合成链路。合成出来的推理数据能规模化训练，再配上 PPO 强化学习，文本和视觉的推理能力可以一起往上走，训练里那个“跷跷板”问题，也就是一种能力涨另一种能力掉，被绕开了。
• 冷启动与多阶段强化学习：Step-R1-V-Mini 的训练分好几步，还带冷启动。先用高质量的冷启动数据（比如 CoT 数据）微调基础模型，得到初始模型；再在这个模型上做大规模强化学习，让推理能力长出来；然后用训练后的模型生成高质量 SFT 数据，掺上其他领域的数据，再做一轮 SFT；等各领域数据齐了，再做最终的强化学习，成品模型才算出来。

如何使用Step-R1-V-Mini

• 访问阶跃AI网页端：Step-R1-V-Mini 已经正式上线阶跃AI，上官网就能直接选模型跑推理任务。
• 调用API接口：开发者或企业用户可以去阶跃星辰开放平台调 API，Step-R1-V-Mini 的详细 API 文档和调用方法那边都有。
• 视觉推理：上传图像再提个问题，模型会细看图片把推理做完，认地点、数物体、识别菜谱都属于这一类。
• 数学与逻辑推理：丢一道数学题或逻辑题进去，它会搭好推理链，一步步解出来。

Step-R1-V-Mini的应用场景

• 图像识别与分析：看图够细，复杂推理也做得来。图里的元素很快能认出来，再结合颜色、物体这些线索，判断出地点是温布利体育场，并推测对战双方可能是谁。
• 物体数量计算：给一张摆着不同形状、颜色、位置物体的图，它会逐个认过去再做逻辑推理，最后算出剩下几个。
• 菜谱识别：传一张美食图，菜品和蘸料能认出来，用量也会逐项列清楚。
• 多模态数融合：文本加图像的多模态数据能一起处理，给出综合的推理结果。
• 跨模态推理：图像先被转成形式化的文本描述，语言模型再据此处理和推理画面内容。