1. 简介
Step 3.5 Flash(访问官网)是我们目前最强大的开源基础模型,专为提供前沿推理与智能体能力而设计,同时具备卓越的效率。基于稀疏混合专家(MoE)架构,它每处理一个 token 仅激活 1960 亿参数中的 110 亿。这种'智能密度'使其推理深度可比肩顶级闭源模型,同时保持实时交互所需的敏捷性。
2. 核心能力
- 高速深度推理:聊天机器人擅长阅读,而智能体必须快速推理。通过三路多 token 预测(MTP-3)技术,Step 3.5 Flash 在典型使用场景中实现100-300 tok/s的生成吞吐量(单流编码任务峰值达350 tok/s),能即时响应复杂的多步推理链条。
- 编码与智能体的强力引擎:Step 3.5 Flash 专为智能体任务打造,集成可扩展的强化学习框架驱动持续自我进化。其SWE-bench Verified 通过率 74.4%,Terminal-Bench 2.0 通过率 51.0%,证明其能以稳定性能处理复杂长周期任务。
- 高效长上下文:模型采用 3:1 滑动窗口注意力(SWA)比例,支持经济高效的256K 上下文窗口——每层全注意力层搭配三层 SWA 层。这种混合方案确保海量数据或长代码库场景下的稳定表现,同时显著降低标准长上下文模型常见的计算开销。
- 便捷本地部署:Step 3.5 Flash 针对易用性优化,将顶级智能带入本地环境。可在高端消费级硬件(如 Mac Studio M4 Max、NVIDIA DGX Spark)上安全运行,在保障数据隐私的同时不牺牲性能。
3. 性能表现
Step 3.5 Flash 在保持开放与高效的同时,实现了与领先闭源系统同等的性能。

Step 3.5 Flash 在推理、编程和代理能力方面的性能表现。开源模型(左侧)按其总参数量排序,顶级专有模型展示在右侧。xbench-DeepSearch 分数均引自 官方出版物 以确保一致性。阴影条代表 Step 3.5 Flash 采用 并行思维 技术后的增强性能。
详细基准测试
| Benchmark | Step 3.5 Flash | DeepSeek V3.2 | Kimi K2 Thinking / K2.5 | GLM-4.7 | MiniMax M2.1 | MiMo-V2 Flash |
|---|---|---|---|---|---|---|
| # Activated Params | 11B | 37B | 32B | 32B | 10B | 15B |
| # Total Params (MoE) | 196B | 671B | 1T | 355B | 230B | 309B |
| Est. decoding cost (@ 128K context, Hopper GPU**) | 1.0x (100 tok/s, MTP-3, EP8) | 6.0x (33 tok/s, MTP-1, EP32) | 18.9x (33 tok/s, no MTP, EP32) | 18.9x (100 tok/s, MTP-3, EP8) | 3.9x (100 tok/s, MTP-3, EP8) | 1.2x (100 tok/s, MTP-3, EP8) |
| Agency | ||||||
| τ²-Bench | 88.2 | 80.3 | 74.3* / — | 87.4 | 80.2* | 80.3 |
| BrowseComp | 51.6 | 51.4 | 41.5* / 60.6 | 52.0 | 47.4 | 45.4 |
| BrowseComp (w/ Context Manager) | 69.0 | 67.6 | 60.2 / 74.9 | 67.5 | 62.0 | 58.3 |
| BrowseComp-ZH | 66.9 | 65.0 | 62.3 / 62.3* | 66.6 | 47.8* | 51.2* |
| BrowseComp-ZH (w/ Context Manager) | 73.7 | — | — / — | — | — | — |
| GAIA (no file) | 84.5 | 75.1* | 75.6* / 75.9* | 61.9* | 64.3* | 78.2* |
| xbench-DeepSearch (2025.05) | 83.7 | 78.0* | 76.0* / 76.7* | 72.0* | 68.7* | 69.3* |
| xbench-DeepSearch (2025.10) | 56.3 | 55.7* | — / 40+ | 52.3* | 43.0* | 44.0* |
| ResearchRubrics | 65.3 | 55.8* | 56.2* / 59.5* | 62.0* | 60.2* | 54.3* |
| Reasoning | ||||||
| AIME 2025 | 97.3 | 93.1 | 94.5 / 96.1 | 95.7 | 83.0 | 94.1 (95.1*) |
| HMMT 2025 (Feb.) | 98.4 | 92.5 | 89.4 / 95.4 | 97.1 | 71.0* | 84.4 (95.4*) |
| HMMT 2025 (Nov.) | 94.0 | 90.2 | 89.2* / — | 93.5 | 74.3* | 91.0* |
| IMOAnswerBench | 85.4 | 78.3 | 78.6 / 81.8 | 82.0 | 60.4* | 80.9* |
| Coding | ||||||
| LiveCodeBench-V6 | 86.4 | 83.3 | 83.1 / 85.0 | 84.9 | — | 80.6 (81.6*) |
| SWE-bench Verified | 74.4 | 73.1 | 71.3 / 76.8 | 73.8 | 74.0 | 73.4 |
| Terminal-Bench 2.0 | 51.0 | 46.4 | 35.7* / 50.8 | 41.0 | 47.9 | 38.5 |
备注:
- '—' 表示分数未公开或未测试。
- '*' 表示原始分数无法获取或低于我们复现的结果,因此我们按照与 Step 3.5 Flash 相同的测试条件进行评估,以确保公平可比性。
- BrowseComp(带上下文管理器):当有效上下文长度超过预设阈值时,代理会重置上下文并重启代理循环。相比之下,Kimi K2.5 和 DeepSeek-V3.2 采用了'全丢弃'策略。
- 解码成本:估算方法类似于 arxiv.org/abs/2507.19427 中描述的方式,但精度更高。
4. 架构细节
Step 3.5 Flash 基于 稀疏混合专家(MoE) Transformer 架构构建,专为推理时的高吞吐量和低显存占用优化。
4.1 技术规格
| 组件 | 规格 |
|---|---|
| 主干架构 | 45 层 Transformer(4,096 隐藏维度) |
| 上下文窗口 | 256K |
| 词表 | 128,896 个 token |
| 总参数量 | 1968.1 亿(1960 亿主干 + 8.1 亿头部) |
| 激活参数量 | 约 110 亿(每 token 生成时) |
4.2 混合专家(MoE)路由
与传统密集模型不同,Step 3.5 Flash 采用细粒度路由策略以最大化效率:
- 细粒度专家:每层 288 个路由专家 + 1 个共享专家(始终激活)。
- 稀疏激活:每个 token 仅选择 Top-8 专家。
- 效果:模型保留 1960 亿参数规模的'记忆',但以 110 亿参数模型的速度执行。
4.3 多 token 预测(MTP)
为提升推理速度,我们采用了专用的 MTP 头部模块,包含滑动窗口注意力机制和密集前馈网络(FFN)。该模块在单次前向传播中同时预测 4 个 token,显著加速推理且不降低质量。
5. 快速开始
您可以通过我们支持的提供商使用云 API,在几分钟内开始使用 Step 3.5 Flash。
5.1 获取 API 密钥
在 OpenRouter 或 platform.stepfun.ai 注册并获取您的 API 密钥。
OpenRouter 目前为 Step 3.5 Flash 提供免费试用。
| 提供商 | 网站 | 基础网址 |
|---|---|---|
| OpenRouter | https://openrouter.ai | https://openrouter.ai/api/v1 |
| StepFun | https://platform.stepfun.ai | https://api.stepfun.ai/v1 |
5.2 安装配置
安装标准的 OpenAI SDK(兼容两个平台)。
pip install --upgrade "openai>=1.0"
注意:OpenRouter 支持多种 SDK。了解更多信息请点击 此处。
5.3 实现示例
本示例展示了如何与 Step 3.5 Flash 开始聊天。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.stepfun.ai/v1",# or "https://openrouter.ai/api/v1"
# Optional: OpenRouter headers for app rankings
default_headers={"HTTP-Referer":"<YOUR_SITE_URL>","X-Title":"<YOUR_SITE_NAME>",}
)
completion = client.chat.completions.create(
model="step-3.5-flash",# Use "stepfun/step-3.5-flash" for OpenRouter
messages=[{"role":"system","content":"You are an AI chat assistant provided by StepFun. You are good at Chinese, English, and many other languages."},{"role":"user","content":"Introduce StepFun's artificial intelligence capabilities."},],
)
print(completion.choices[0].message.content)
6. 本地部署
步骤 3.5 Flash 针对本地推理进行了优化,支持包括 vLLM、SGLang、Hugging Face Transformers 和 llama.cpp 在内的行业标准后端。
6.1 vLLM
我们推荐使用 vLLM 的最新 nightly 版本。
- 安装 vLLM。
# via Docker
docker pull vllm/vllm-openai:nightly
# or via pip (nightly wheels)
pip install -U vllm --pre \
--index-url https://pypi.org/simple \
--extra-index-url https://wheels.vllm.ai/nightly
- 启动服务器。
注意:vLLM 目前尚不支持完整的 MTP3 功能。我们正在积极开发一个拉取请求以集成此功能,预计这将显著提升解码性能。
- 针对 fp8 模型
vllm serve <MODEL_PATH_OR_HF_ID>\
--served-model-name step3p5-flash \
--tensor-parallel-size 8\
--enable-expert-parallel \
--disable-cascade-attn \
--reasoning-parser step3p5 \
--enable-auto-tool-choice \
--tool-call-parser step3p5 \
--hf-overrides '{"num_nextn_predict_layers": 1}'\
--speculative_config '{"method": "step3p5_mtp", "num_speculative_tokens": 1}'\
--trust-remote-code \
--quantization fp8
- 针对 bf16 模型
vllm serve <MODEL_PATH_OR_HF_ID>\
--served-model-name step3p5-flash \
--tensor-parallel-size 8\
--enable-expert-parallel \
--disable-cascade-attn \
--reasoning-parser step3p5 \
--enable-auto-tool-choice \
--tool-call-parser step3p5 \
--hf-overrides '{"num_nextn_predict_layers": 1}'\
--speculative_config '{"method": "step3p5_mtp", "num_speculative_tokens": 1}'\
--trust-remote-code
你也可以参考 Step-3.5-Flash 配方。
6.2 SGLang
- 安装 SGLang。
# via Docker
docker pull lmsysorg/sglang:dev-pr-18084
# or from source (pip)
pip install"sglang[all] @ git+https://github.com/sgl-project/sglang.git"
- 启动服务器。
- 针对 bf16 模型
sglang serve --model-path <MODEL_PATH_OR_HF_ID>\
--served-model-name step3p5-flash \
--tp-size 8\
--tool-call-parser step3p5 \
--reasoning-parser step3p5 \
--speculative-algorithm EAGLE \
--speculative-num-steps 3\
--speculative-eagle-topk 1\
--speculative-num-draft-tokens 4\
--enable-multi-layer-eagle \
--host 0.0.0.0 \
--port 8000
- 对于 fp8 模型
sglang serve --model-path <MODEL_PATH_OR_HF_ID>\
--served-model-name step3p5-flash \
--tp-size 8\
--ep-size 8\
--tool-call-parser step3p5 \
--reasoning-parser step3p5 \
--speculative-algorithm EAGLE \
--speculative-num-steps 3\
--speculative-eagle-topk 1\
--speculative-num-draft-tokens 4\
--enable-multi-layer-eagle \
--host 0.0.0.0 \
--port 8000
6.3 Transformers(调试/验证)
使用此代码片段进行快速功能验证。如需高吞吐量服务,请使用 vLLM 或 SGLang。
from transformers import AutoModelForCausalLM, AutoTokenizer
MODEL_PATH ="<MODEL_PATH_OR_HF_ID>"
# 1. Setup
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
model = AutoModelForCausalLM.from_pretrained(
MODEL_PATH, trust_remote_code=True, torch_dtype="auto", device_map="auto",
)
# 2. Prepare Input
messages =[{"role":"user","content":"Explain the significance of the number 42."}]
inputs = tokenizer.apply_chat_template(
messages, tokenize=True, add_generation_prompt=True,
return_dict=True, return_tensors="pt",
).to(model.device)
# 3. Generate
generated_ids = model.generate(**inputs, max_new_tokens=128, do_sample=False)
output_text = tokenizer.decode(generated_ids[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(output_text)
6.4 llama.cpp
系统需求
- GGUF 模型权重 (int4 量化版):111.5GB
- 运行时开销:约 7GB
- 最低显存要求:120GB(例如 Mac Studio、DGX-Spark、AMD Ryzen AI Max+ 395 等设备)
- 推荐配置:128GB 统一内存
步骤
- 使用 llama.cpp:
git clone [email protected]:stepfun-ai/Step-3.5-Flash.git
cd Step-3.5-Flash/llama.cpp
- 在 Mac 上构建 llama.cpp
cmake -S . -B build-macos \
-DCMAKE_BUILD_TYPE=Release \
-DGGML_METAL=ON \
-DGGML_ACCELERATE=ON \
-DLLAMA_BUILD_EXAMPLES=ON \
-DLLAMA_BUILD_COMMON=ON \
-DGGML_LTO=ON
cmake --build build-macos -j8
- 在 DGX-Spark 上构建 llama.cpp:
cmake -S . -B build-cuda \
-DCMAKE_BUILD_TYPE=Release \
-DGGML_CUDA=ON \
-DGGML_CUDA_GRAPHS=ON \
-DLLAMA_CURL=OFF \
-DLLAMA_BUILD_EXAMPLES=ON \
-DLLAMA_BUILD_COMMON=ON
cmake --build build-cuda -j8
- 在 AMD Windows 上构建 llama.cpp
cmake -S . -B build-vulkan \
-DCMAKE_BUILD_TYPE=Release \
-DLLAMA_CURL=OFF \
-DGGML_OPENMP=ON \
-DGGML_VULKAN=ON
cmake --build build-vulkan -j8
- 使用 llama-cli 运行
./llama-cli -m step3.5_flash_Q4_K_S.gguf -c 16384 -b 2048 -ub 2048 -fa on --temp 1.0 -p "What's your name?"
- 使用 llama-batched-bench 测试性能:
./llama-batched-bench -m step3.5_flash_Q4_K_S.gguf -c 32768 -b 2048 -ub 2048 -npp 0,2048,8192,16384,32768 -ntg 128 -npl 1
7. 在代理平台使用 Step 3.5 Flash
7.1 Claude Code 与 Codex 平台
在大多数编程环境中,将 Step 3.5 Flash 添加到模型列表非常简单。以下是配置 Claude Code 和 Codex 使用 Step 3.5 Flash 的说明。
7.1.1 准备工作
如快速入门所述,请先在 StepFun.ai 或 OpenRouter 注册并获取 API 密钥。
7.1.2 环境配置
Claude Code 和 Codex 依赖 Node.js 运行环境。建议安装 Node.js 版本>v20,可通过 nvm 工具进行安装。
Mac/Linux:
# Install nvm on Mac/Linux via curl:
# Step 1
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash
# Copy the full command
export NVM_DIR="$HOME/.nvm"
[ -s "$NVM_DIR/nvm.sh" ] &&\. "$NVM_DIR/nvm.sh"
# This loads nvm
[ -s "$NVM_DIR/bash_completion" ] &&\. "$NVM_DIR/bash_completion"
# Users in China can set up npm mirror config set registry https://registry.npmmirror.com
# Step 2
nvm install v22
# Make sure Node.js is installed
node --version
npm --version
Windows:
您可以从 https://github.com/coreybutler/nvm-windows/releases 下载安装文件(nvm-setup.exe)。按照说明安装 nvm。运行 nvm 命令以确保安装成功。
7.1.3 使用步骤 3.5 在 Claude Code 上刷机
- 安装 Claude Code。
# install claude code via npm
npm install -g @anthropic-ai/claude-code
# test if the installation is successful
claude --version
- 配置 Claude 代码。
为适应 Claude Code 中的多样化工作流程,我们同时支持Anthropic 风格和OpenAI 风格的 API 接口。
选项 A:Anthropic API 风格:
如需使用OpenRouter API,请参阅 OpenRouter 集成指南。
第一步:编辑 Claude 设置。更新 ~/.claude/settings.json.
您只需修改下方显示的字段。其余部分保持不变。
{"env":{"ANTHROPIC_API_KEY":"API_KEY_from_StepFun","ANTHROPIC_BASE_URL":"https://api.stepfun.ai/"},"model":"step-3.5-flash"}
步骤 2:启动 Claude 代码
保存文件后,启动 Claude 代码。运行 /status 命令确认模型和基础 URL。
❯ /status ───────────────────────────────────────────────────────────────────────────────── Settings: Status Config Usage (←/→ or tab to cycle) Version: 2.1.1 Session name: /rename to add a name Session ID: 676dae61-259d-4eef-8c2f-0f1641600553 cwd: /Users/step-test/ Auth token: none API key: ANTHROPIC_API_KEY Anthropic base URL: https://api.stepfun.ai/ Model: step-3.5-flash Setting sources: User settings
选项 B:OpenAI API 风格
注:此处的 OpenAI API 风格指
chat/completions/格式。
推荐使用
claude-code-router。详情参见 https://github.com/musistudio/claude-code-router。
安装 Claude Code 后,请安装 claude-code-router:
# install ccr via npm
npm install -g @musistudio/claude-code-router
# validate it is installed
ccr -v
将以下配置添加到 ~/.claude-code-router/config.json 中。
{"PORT":3456,"Providers":[{"name":"stepfun-api","api_base_url":"https://api.stepfun.com/v1/chat/completions","api_key":"StepFun_API_KEY","models":["step-3.5-flash"],"transformer":{"step-3.5-flash":{"use":["OpenAI"]}}}],"Router":{"default":"stepfun-api,step-3.5-flash","background":"stepfun-api,step-3.5-flash","think":"stepfun-api,step-3.5-flash","longContext"
您现在可以启动 Claude 代码:
# Start Claude
ccr code
# restart ccr if configs are changed
ccr restart
7.1.4 使用步骤 3.5 在 Codex 上刷机
- 安装 Codex
# Install codex via npm
npm install -g @openai/codex
# Test if it is installed
codex --version
- 配置 Codex
将以下设置添加到~/.codex/config.toml中,其余设置保持不变。
model="step-3.5-flash"
model_provider ="stepfun-chat"
preferred_auth_method ="apikey"
# configure the provider
[model_providers.stepfun-chat]
name ="OpenAI using response"
base_url ="https://api.stepfun.com/v1"
env_key ="OPENAI_API_KEY"
wire_api ="chat"
query_params ={}
对于 Codex,wire_api 仅支持 chat 模式。如果使用 responses 模式,需要切换为 chat 模式。同时将 model_provider 更改为新配置的 stepfun-chat。
完成配置后,请在新终端窗口运行 codex 以启动 Codex。执行 /status 命令可检查配置状态。
/status 📂 Workspace • Path: /Users/step-test/ • Approval Mode: on-request • Sandbox: workspace-write • AGENTS files: (none) 🧠 Model • Name: step-3.5-flash • Provider: Stepfun-chat 💻 Client • CLI Version: 0.40.0
7.1.5 使用步骤 3.5 Flash 版进行深度研究(Step-DeepResearch)
- 参考以下环境设置指南,将
MODEL_NAME配置为Step-3.5-Flash。环境设置链接
8. 已知问题与未来方向
- 令牌效率:Step 3.5 Flash 实现了前沿水平的智能体能力,但目前需要比 Gemini 3.0 Pro 更长的生成轨迹才能达到相当的质量。
- 高效通用精通:我们的目标是统一通用模型的多样性和深度领域专业知识。为了实现这一目标,我们正在推进策略蒸馏的变体方法,使模型能够以更高的样本效率内化专家行为。
- 强化学习应用于更多智能体任务:虽然 Step 3.5 Flash 在学术智能体基准测试中表现出竞争力,但智能体 AI 的下一个前沿需要将强化学习应用于专业工作、工程和研究中的复杂专家级任务。
- 操作范围与限制:Step 3.5 Flash 专为编码和工作任务优化,但在分布变化时稳定性可能降低。这种情况通常出现在高度专业化领域或长期多轮对话中,模型可能出现重复推理、混合语言输出或时间和身份认知不一致的问题。
9. 共同开发未来
我们将发展路线图视为一份动态文档,根据实际使用情况和开发者反馈持续演进。
在通过扩展通用模型能力塑造 AGI 未来的过程中,我们希望确保解决的是正确的问题。我们邀请您加入这一持续的反馈循环——您的见解将直接影响我们的优先级。
- 参与讨论:我们的 Discord 社区是构思未来架构、提议新功能并获取早期访问更新的主要平台 🚀
- 反馈问题:遇到限制?您可以在 GitHub 提交问题,或直接在 Discord 支持频道中标记。
许可证
本项目采用 Apache 2.0 许可证 开源。


