阶跃星辰正式开源其新一代基础大模型 Step 3，并上线了相应的 API 接口，用户也可通过官网及 App 体验。Step 3 模型在设计上着重于实现智能与效率的极致均衡，特别适合追求高性能与成本效益的企业和开发者。该模型采用了 MoE 架构，总参数量达 321B，激活参数量为 38B，展现出强大的视觉感知和复杂的推理能力，能够处理跨领域知识理解、数理视觉交叉分析等任务。通过 MFA 和 AFD 等技术优化，Step 3 在各类芯片上的推理效率显著提升。此外，面向 AFD 场景的 StepMesh 通信库也已开源，为模型的跨硬件标准部署提供了支持。目前，Step 3 模型提供限时折扣，价格极具竞争力，为用户提供了极佳的应用选择。

🌟 **模型架构与性能优势**：Step 3 模型采用 MoE 架构，总参数量 321B，激活参数量 38B，在多项行业评测中表现领先。通过自研 MFA 注意力机制，有效降低了 KV 缓存开销与算力消耗，实现了资源利用与推理效率的平衡，能在 8×48GB 显卡上实现大吞吐量推理，具备实际部署的可行性。

👁️ **多模态能力与效率提升**：Step 3 在多模态能力上，通过“轻量视觉路径”和“稳定协同训练”解决了视觉信息引入带来的 token 负担和训练干扰问题。采用 5B Vision Encoder 并通过双层 2D 卷积降采样，将视觉 token 数量减少到原来的 1/16，显著减轻了上下文长度压力，提升了推理效率。训练过程分为两个阶段，并优化了多模语料，以确保图文协同质量与训练鲁棒性。

🚀 **AFD 解耦系统与通信优化**：Step 3 系统架构重构了解码流程，通过 AFD（Attention-FFN Disaggregation）方案将 Attention 与 FFN 计算解耦，并通过多级流水线并行调度提升了整体吞吐效率。为满足解耦后的数据传输需求，研发了 StepMesh 通信库，基于 GPU Direct RDMA 实现低延迟、高带宽传输，且不占用 GPU 计算资源，适配多种异构硬件。在 50ms 解码 SLA 下，Step 3 在 Hopper GPU 上的吞吐量远超同类模型。

💰 **成本效益与应用前景**：Step 3 模型旨在面向推理时代打造最适合应用的模型，专为追求性能与成本极致均衡的企业和开发者设计。模型提供限时折扣，每百万 token 价格低至输入 1.5 元，输出 4 元，极大地降低了使用成本。其强大的视觉感知和复杂推理能力，使其在跨领域知识理解、数学视觉交叉分析等方面具有广泛的应用潜力。

IT之家 7 月 31 日消息，阶跃星辰宣布新一代基础大模型 Step 3 正式开源，Step 3 API 已上线阶跃星辰开放平台（platform.stepfun.com），用户也可以在“阶跃 AI”官网（stepfun.com）和“阶跃 AI”App 进行体验。

据介绍，Step 3 的多模态能力围绕“轻量视觉路径”与“稳定协同训练”展开，重点解决视觉引入带来的 token 负担与训练干扰问题。为此，其采用 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。

IT之家附官方对 Step 3 模型的介绍如下：

核心要点

Step 3 兼顾智能与效率，专为追求性能与成本极致均衡的企业和开发者设计，旨在面向推理时代打造最适合应用的模型。

Step 3 采用 MoE 架构，总参数量 321B，激活参数量 38B。

Step 3 拥有强大的视觉感知和复杂推理能力，可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） & AFD（Attention-FFN Disaggregation）的优化，在各类芯片上推理效率均大幅提升。

面向 AFD 场景的 StepMesh 通信库已随模型一同开源，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。

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。

Step 3 API 已上线阶跃星辰开放平台（platform.stepfun.com），大家也可以在“阶跃 AI”官网（stepfun.com）和“阶跃 AI”App（应用商店搜索下载）进行体验。

行业领先的模型性能

我们在 MMMU、MathVision、SimpleVQA、AIME 2025、GPQA-Diamond、LiveCodeBench （2024.08-2025.05）等评测集上对 Step 3 进行了测试，在同类型开源模型中，Step 3 成绩行业领先。

技术亮点

Step 3 重点解决多模态协同、系统解码成本与推理效率问题，在训练路径、架构设计和推理部署上做了系统级优化。

1、预训练架构

Step 3 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。

2、多模态预训练

Step 3 的多模态能力围绕“轻量视觉路径”与“稳定协同训练”展开，重点解决视觉引入带来的 token 负担与训练干扰问题。为此，我们采用 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。

为保证多模态训练的稳定性，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。训练语料也需与策略匹配，保障稳定协同。多模语料涵盖 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。

3、AFD 解耦系统

Step 3 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，我们实现了高性能的 AFD（Attention-FFN Disaggregation）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，我们同时研发了面向 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，Step 3 在 Hopper GPU 上的吞吐达到 4039 token / gpu / s，显著高于类似设置下的 DeepSeek V3（2324 token / 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%。

StepMesh 库已随模型一同开源，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。之后我们也会积极与各开源社区合作推广，让以上技术更容易被采纳和使用。