阶跃星辰团队宣布其最新一代基础大模型 Step3正式开源。Step3是一款专为追求性能与成本极致均衡的企业和开发者设计的模型，旨在面向推理时代打造最适合应用的模型。该模型的开源地址包括 Github、Hugging Face 和魔搭 ModelScope，开发者可以自由下载体验。
Step3采用 MoE 架构，总参数量达到3210亿，激活参数量为380亿。它不仅拥有强大的视觉感知和复杂推理能力，还能准确完成跨领域的复杂知识理解、数学与视觉信息的交叉分析，以及日常生活中的各类视觉分析问题。通过 MFA（Multi-matrix Factorization Attention）和 AFD(Attention-FFN Disaggregation)的优化，Step3在各类芯片上的推理效率均大幅提升。此外，面向 AFD 场景的 StepMesh 通信库也已随模型一同开源，提供可跨硬件的标准部署接口，支持关键性能在实际服务中的稳定复现。
Step3的核心结构采用自研 MFA 注意力机制，有效降低注意力计算中的 KV 缓存开销与算力消耗。在不牺牲模型能力的前提下，这一方案实现了资源利用与推理效率的平衡，使得模型可在8×48GB 显卡上完成大吞吐量推理，具备真实部署的可行性。多模态能力方面，Step3采用5B Vision Encoder，并通过双层2D 卷积对视觉特征进行降采样，将视觉 token 数量减少到原来的1/16，减轻上下文长度压力，提升推理效率。训练过程分为两个阶段:第一阶段强化 Encoder 感知，第二阶段冻结视觉编码器，仅优化主干与连接层，以减少梯度干扰。训练语料涵盖 Pair、Interleave 与多任务数据，在清洗环节中引入相似度过滤、重采样与任务比例控制，进一步提升图文协同质量与训练鲁棒性。
Step3在系统架构层重构了解码流程，重点解决 Attention 与 FFN 混合执行带来的推理瓶颈以及资源不匹配问题。为此，团队实现了高性能的 AFD 方案，将两类计算任务解耦成为两个子系统，并通过多级流水线并行调度，有效提升整体吞吐效率。由于解耦后的子系统之间对数据传输有极高要求，团队同时研发了面向 AFD 场景的 StepMesh 通信库，基于 GPU Direct RDMA 实现跨卡的低延迟和高带宽传输，同时兼备不占用 GPU 计算资源、适配多类异构硬件等优势。在50ms 解码的 SLA 前提下，Step3在 Hopper GPU 上的吞吐达到4039token/gpu/s，显著高于类似设置下的 DeepSeek V3（2324token/gpu/s），且该性能增益在特定硬件与长文场景会进一步放大至300%。
Step3在 MMMU、MathVision、SimpleVQA、AIME2025、GPQA-Diamond、LiveCodeBench （2024.08-2025.05）等评测集上进行了测试，在同类型开源模型中，Step3成绩行业领先。例如，在“安排商务宴座”的任务中，Step3能够识别图中结构，自动解析礼仪规则、角色关系与空间逻辑，再结合中文社交礼仪推理出完整12人角色分布逻辑，最终输出了角色明确、位置清晰、结构合理的“主宾-主陪”全局排座方案，并用表格+ASCII 图直观展示。在卡路里计算任务中，Step3能够看懂复杂的小票，把菜品归类、对上热量，最终估算出2人一顿饭总共吃了5710大卡，人均2855大卡，整个过程从原始数据到结论解释，逻辑清晰，一整个闭环。
Step3API 已上线阶跃星辰开放平台（platform.stepfun.com），开发者也可以在“阶跃 AI”官网(stepfun.com)和“阶跃 AI”App(应用商店搜索下载)进行体验。模型限时折扣中，所有请求均按最低价格计算，每百万 token 价格低至输入1.5元，输出4元。
Github:https://github.com/stepfun-ai/Step3
Hugging Face:https://huggingface.co/stepfun-ai/step3
魔搭ModelScope:
