阶跃星辰发布多模态推理模型Step-R1-V-Mini，支持图文输入与文字输出，有良好指令遵循和通用能力，能高精度感知图像并完成复杂推理任务，已上线阶跃AI网页端并提供API接口。

🎯Step-R1-V-Mini支持图文输入、文字输出，具备良好指令遵循和通用能力。

💪在训练方法上做了两项重要尝试，解决图像空间推理问题并提升推理能力。

🎉在多个公开榜单中表现亮眼，在视觉推理等方面成绩优异。

🌟通过案例展示其在识地点、识菜谱、物体数量计算等方面的精准推理。

原创 阶跃星辰 2025-04-08 20:17 北京

欢迎体验！

此前我们先后推出视觉理解模型 Step-1V、Step-1.5V，以及语言推理模型 Step-R-mini。

今天，阶跃星辰正式发布全新多模态推理模型——Step-R1-V-Mini，支持图文输入、文字输出、有良好的指令遵循和通用能力，能够高精度感知图像并完成复杂推理任务。

Step-R1-V-Mini 已正式上线阶跃AI 网页端，并在阶跃星辰开放平台提供 API 接口，欢迎体验：

阶跃AI 网页端：

https://yuewen.cn/chats/new

阶跃星辰开放平台：

https://platform.stepfun.com/docs/llm/reasoning

阶跃AI 网页端已上线

技术亮点

为了提升模型在多模态协同场景下的推理表现，我们在训练方法上做了两项重要尝试：

第一，多模态联合强化学习

Step-R1-V-Mini 的训练路径基于 PPO 强化学习策略，在图像空间引入 verifiable reward 来解决图片空间推理链路复杂、容易产生混淆的相关和因果推理错误的问题。相较 DPO 等方法，在处理图像空间的复杂链路时更具泛化性与鲁棒性。

第二，充分利用多模态合成数据

目前多模态数据的反馈信号相对难以获得。我们设计了大量基于环境反馈的多模态数据合成链路，合成了可规模化训练的多模态推理数据，并通过基于 PPO 的强化学习训练同步提升模型文本和视觉的推理能力，有效避免了训练跷跷板问题。

视觉推理榜单成绩领先

Step-R1-V-Mini 在多个公开榜单中表现亮眼，在 MathVision 视觉推理榜单位列国内第一，在视觉推理、数学逻辑和代码等方面表现优异。

案例分享

案例1：看图识地点

输入网友温布利球场的实拍图片，Step-R1-V-Mini 能迅速识别图中元素进行地点推理，结合图中的不同元素，如颜色、物体（体育场、曼城队徽）等等，综合后做出判断，得出温布利体育场，并给出对战双方的可能。

和当时的比赛资料核对后，Step-R1-V-Mini 推理的很准确。

案例2：看图识菜谱

输入一张美食图，无论是菜品还是蘸料，统统识别得清清楚楚，并把做法详细到“鲜虾 300g、大葱白2根”等具体用量，识别精准推理严谨。

案例3：物体数量计算

输入一张含有不同形状、不同颜色、不同位置的物体摆放图，从空间感知、颜色形状、逻辑推理逐一识别，根据物体的颜色、形状、位置推理计算，最终得出剩下的物体数量是 8-1 =7。 

Step-R1-V-Mini 是我们在多模态推理方向的阶段性成果，欢迎大家体验并反馈。我们也将在推理模型方向持续探索，敬请期待。

推荐阅读

阅读原文

跳转微信打开