Programmeerimisagendid, tarkvaraarendus, pika konteksti arutlus, tööriistu kasutavad agendid, privaatne kohalik inferents ja tööpõhine automatiseerimine
Tüüp
Arutlus
Kontekst
262K
Arutlusvõime
9/10
Kiirus
9/10
Tööriistade kasutamine
Voogedastus
Olek
Praegu saadaval olev avatud kaaludega mudel, mida saab kohapeal juurutada ja StepFuni API-platvormi kaudu kasutada
Vaata mudelit
→
Pikaajalised agentpõhised töövood, tarkvaraarendus, programmeerimine, professionaalsed teadmistepõhised ülesanded, finantsanalüüs, uurimistöö ja visuaalset sisendit kasutavad ülesanded
Tüüp
Arutlus
Kontekst
1M
Arutlusvõime
9/10
Kiirus
7/10
Multimodaalne
Pildisisend
Tööriistade kasutamine
Olek
Praegune eelversioon; saadaval StepFuni toodete ja API kaudu. Avatud kaaludega mudeli väljalase on kavandatud 15. oktoobriks 2026.
Sisend
¥7 1 miljoni vahemällu salvestamata sisendmärgi kohta; ¥0,35 1 miljoni vahemällu salvestatud sisendmärgi kohta
Väljund
¥20 1 miljoni väljundtokeni kohta
Vaata mudelit
→
Arutlusvõime
0/10
Kiirus
0/10
Vaata mudelit
→
Tekstist piltide loomine enda serveris, pildigeneratsiooni uurimine, avatud kaaludega eksperimenteerimine ja kohalikud loometöövood
Tüüp
Muu
Arutlusvõime
0/10
Kiirus
3/10
Meediaväljund
Olek
Praegune avatud kaaludega mudel; enda hallatav kontrollpunkt
Sisend
Ei kohaldu; ametliku hostitud API hinda ei ole kindlaks tehtud
Väljund
Ei kohaldu; ametlikku hostitud API hinda ei ole tuvastatud
Vaata mudelit
→
Kiire interaktiivne tekstist pildi genereerimine, juhistepõhine pilditöötlus, plakatite ja IP loomine, kakskeelse teksti renderdamine, lokaalsed muudatused, objekti või tegelase järjepidevusega genereerimine, stiiliülekanne, portreefotode täiustamine ja f
Tüüp
Multimodaalne
Arutlusvõime
5/10
Kiirus
10/10
Multimodaalne
Pildisisend
Meediaväljund
Vaata mudelit
→
Avatud kaaludega multimodaalne arutlus, visuaalsetele küsimustele vastamine, matemaatiline arutlus, dokumentide ja diagrammide analüüs ning teadusuuringute rakendused, mis nõuavad isemajutust
Tüüp
Arutlemine
Kontekst
66K
Arutlusvõime
9/10
Kiirus
5/10
Multimodaalne
Pildisisend
Tööriistade kasutamine
Olek
Praegu avatud kaaludega mudel; seda saab juurutada oma taristus ja kasutada StepFuni avatud platvormi kaudu.
Vaata mudelit
→
Suure jõudlusega kodeerimisagendid, visuaalsete dokumentide ja kasutajaliideste mõistmine, rohkelt otsingut nõudvad uurimistöövood, pika konteksti analüüs ning tööriistu kasutavad autonoomsed agendid
Tüüp
Multimodaalne
Kontekst
256K
Arutlusvõime
8/10
Kiirus
9/10
Multimodaalne
Pildisisend
Tööriistade kasutamine
Sisend
0,20 dollarit 1 miljoni tokeni kohta vahemälu möödalaskmiste korral; 0,04 dollarit 1 miljoni tokeni kohta vahemälu tabamuste korral
Väljund
1,15 dollarit 1 miljoni tokeni kohta
Vaata mudelit
→
Isemajutatava kõnest kõneks teisendamise tehnoloogia uurimine, helidialoog, väljendusrikas häälsuhtlus, hääle kloonimine ja multimodaalsete vestlusagentide prototüüpimine
Tüüp
Multimodaalne
Arutlusvõime
7/10
Kiirus
2/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Varasem avatud kaaludega mudel; repositooriumi enam ei hooldata ning StepFun soovitab uuemaid Step-Audio projekte.
Sisend
Ei kohaldu; ametliku hostitud API hinnateavet ei ole kinnitatud
Väljund
Ei kohaldu; ametlikult hostitud API hinnateavet ei ole kinnitatud
Vaata mudelit
→
Avatud kaaludega mitmekeelne ja väljendusrikas tekst-kõne süntees, hääle kloonimine, emotsionaalse kõne loomine, murde ja prosoodia juhtimine, räpi genereerimine ning ümisemise süntees.
Tüüp
Muu
Arutlusvõime
0/10
Kiirus
0/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Avatud mudelikaaludega ja allalaaditav; saadaval Hugging Face'is ja ModelScope'is. Algne Step-Audio repositoorium on märgitud enam mittehooldatavaks ning uuemate kõnepõhise suhtluse kasutusjuhtude puhul soovitatakse hilisemaid Step-Audio mudelisarju.
Vaata mudelit
→
Ekspressiivne kõnetöötlus, emotsioonide ja kõnestiili juhtimine, paralingvistilised efektid, nullnäitel põhinev hääle kloonimine ning juhitav tekst-kõneks teisendus
Tüüp
Heli Genereerimine
Kontekst
3K
Arutlusvõime
2/10
Kiirus
5/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegune; avatud kaaludega mudel kohaliku inferentsi ja StepFun Audio Studio juurdepääsuga
Vaata mudelit
→
Reaalajas toimuv suuline dialoog, hääleagendid, akustikast lähtuv arutlemine ja interaktiivsed helirakendused
Tüüp
Arutlus
Kontekst
66K
Arutlusvõime
9/10
Kiirus
8/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegu saadaval avatud kaaludega väljalaskena; allalaaditav ja enda taristus juurutatav
Vaata mudelit
→
Kõnetuvastus, heli mõistmine, paralingvistiline analüüs, kõne tõlkimine, reaalajas töötavad häälagendid, kõne-kõne vestlus ning heli arvestavad tööriistakutseid kasutavad rakendused
Tüüp
Multimodaalne
Kontekst
16K
Arutlusvõime
8/10
Kiirus
7/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegune avatud kaaludega mudel; avalikult allalaaditav ja toetatud StepFuni reaalajateenustes
Vaata mudelit
→
Avatud kaaludega tekstijuhitud pildist videoks genereerimine, viitepiltide animeerimine, juhitava liikumise süntees ja teaduslik eksperimenteerimine
Tüüp
Video Genereerimine
Arutlusvõime
0/10
Kiirus
2/10
Multimodaalne
Pildisisend
Meediaväljund
Olek
Praegu avatud kaaludega mudel; järeldamist saab käitada oma taristus
Vaata mudelit
→
Ise majutatav tekstist video loomine, teadusuuringud, avatud videomudelite katsetamine ning inglise- või hiinakeelsete viipade abil loominguliste videote tootmine
Tüüp
Muu
Arutlusvõime
1/10
Kiirus
1/10
Meediaväljund
Olek
Saadaval avatud kaaludega mudel; ise hostitav järeldamine
Sisend
Ametlikult majutatud API sisendhind puudub; mudeli kaalud on saadaval isemajutatud kasutuseks
Väljund
Ametlikult majutatud API väljundil puudub hind; isemajutatud lahenduse puhul rakenduvad arvutusressursside kulud
Vaata mudelit
→
Avatud kaaludega tekstist video loomine, teadustöö, ise hostitavad loomingulised töövood ja vähema sammude arvuga videojäreldus
Tüüp
Muu
Arutlusvõime
20/10
Kiirus
85/10
Meediaväljund
Olek
Praegu avatud kaaludega väljalase; ametlikku kasutusest kõrvaldamise ega sulgemise kuupäeva ei ole avaldatud
Sisend
Ametlikult hostitud API hinnakiri puudub; allalaaditav avatud kaaludega mudel
Väljund
Ametlikult hostitud API-l hinnakiri puudub; allalaaditav avatud kaaludega mudel
Vaata mudelit
→
Tekstijuhiste põhine pilditöötlus, keerukad visuaalsed muudatused, avatud kaaludega teadustöö ja kohalikud pildiloome töövood
Tüüp
Multimodaalne
Arutlusvõime
8/10
Kiirus
4/10
Multimodaalne
Pildisisend
Meediaväljund
Olek
Praegune avatud kaaludega mudel
Sisend
Ametlikult hostitud API-hinda ei leitud; avatud kaalud on saadaval Apache 2.0 litsentsi alusel
Väljund
Ametlikult majutatava API hinda ei leitud; isehostimise korral rakenduvad arvutusressursside kulud.
Vaata mudelit
→
Avatud kaaludega visuaalne arutlus, piltide kohta küsimustele vastamine, OCR, dokumentide mõistmine, GUI-elementide lokaliseerimine, matemaatika, ruumiülesanded ja multimodaalse kodeerimise võrdlustestid
Tüüp
Multimodaalne
Kontekst
128K
Arutlusvõime
9/10
Kiirus
6/10
Multimodaalne
Pildisisend
Olek
Praegune; avatud kaaludega vestlusmudel
Vaata mudelit
→
Kiire hiina- ja ingliskeelse kõne transkriptsioon, pikad helisalvestised, koosolekud, intervjuud, subtiitrid ja häälagentide ASR-töövood
Tüüp
Muu
Kontekst
32K
Arutlusvõime
1/10
Kiirus
9/10
Helisisend
Voogedastus
Olek
Praegune; täielikult kasutusele võetud
Sisend
¥0,15 helitunni kohta
Vaata mudelit
→
Väikese viivitusega kõnest kõnesse assistendid, häälekaaslased, rollimängud, emotsionaalselt väljendusrikkad vestlused, autos toimuv dialoog ja reaalajas töötavad häälagendid
Tüüp
Multimodaalne
Arutlusvõime
8/10
Kiirus
9/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Saadaval dokumenteeritud StepFuni reaalaja WebSocketi API kaudu; StepFuni hilisem avalik kataloog tõstab esile mudelit StepAudio 3 Realtime, seega tuleks praegune kontotaseme saadavus üle kontrollida.
Sisend
10 CNY 1 miljoni märgi kohta vahemällu salvestamata sisendi eest; 2 CNY 1 miljoni märgi kohta vahemällu salvestatud sisendi eest
Väljund
70 CNY 1 miljoni tokeni kohta
Vaata mudelit
→
Ilmekas teksti kõneks muutmine, tegelaste jutustamine, emotsionaalselt nüansirikkad agendid, pealelugemise tootmine, voogesituse taasesitus ja volitatud nullnäitega hääle kloonimine
Tüüp
Muu
Arutlusvõime
0/10
Kiirus
0/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Aktiivne; dokumenteeritud ja saadaval StepFun Open Platformi ning Step Plani kaudu. StepAudio 3 TTS kuulub samuti StepFuni praegusesse tipptasemel mudelite kataloogi.
Sisend
¥5,8 10 000 märgi kohta kontekstipõhise tekst-kõne sünteesi eest
Väljund
Heliväljund sisaldub sünteesi hinnas; hääle kloonimise või loomise eest tuleb tasuda eraldi 9,9 ¥ hääle kohta.
Vaata mudelit
→
Mitmekeelne transkriptsioon, koosolekud, subtiitrid, reaalajas sisu, klienditeeninduse salvestised, erialaterminoloogia, mürarikas heli, murded, koodivahetus ning laulude või muusika transkribeerimine
Tüüp
Kõnetuvastus
Arutlusvõime
5/10
Kiirus
9/10
Helisisend
Voogedastus
Olek
Praegu saadaval StepFun API kaudu
Sisend
2,8 CNY helitunni kohta
Vaata mudelit
→
Nullnäitega tekst-kõneks süntees, hääle kujundamine loomuliku keele abil, laulmise ja vokaali genereerimine, muusika, heliefektid, atmosfäär ning terviklikud mitmeelemendilised helistseenid
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegu uuritav ja platvormil loetletud mudel; avaliku API ja juurdepääsu üksikasjad on piiratud
Vaata mudelit
→
Laulude genereerimine, instrumentaalmuusika, laulusõnade põhjal laulude loomise töövood, saatepartii, kaverilaadne süntees ja muusika kiire prototüüpimine
Tüüp
Muu
Arutlusvõime
2/10
Kiirus
3/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegune; avalikult esitletud ja saadaval StepFuni StepAudio 3 muusikakogemuse kaudu
Vaata mudelit
→
Loomulik reaalajas toimuv vestlus hääle abil, täisdupleksne suhtlus, katkestusi arvestavad assistendid, emotsioonide mõistmine helis ning tööriistu kasutavad hääleagendid.
Tüüp
Reaalajaheli
Arutlusvõime
7/10
Kiirus
9/10
Multimodaalne
Helisisend
Meediaväljund
Olek
Praegu tegutsev ja börsil noteeritud
Vaata mudelit
→
Juhitav mitmekeelne teksti kõneks muutmine, jutustamine, häälliidesed, lokaliseerimine ja väljendusrikka kõneheli loomine
Tüüp
Muu
Arutlusvõime
1/10
Kiirus
8/10
Meediaväljund
Voogedastus
Olek
Praegune ja avalikult kättesaadav
Vaata mudelit
→
Seadmesisesed visuaalassistendid, GUI-elementide tuvastamine ja nendega seostamine, ekraani sisu mõistmine, ruumiline arutlus, suhtlus sõidukiga ning väikese latentsusega kohalikud agenditöövood
Tüüp
Multimodaalne
Kontekst
131K
Arutlusvõime
7/10
Kiirus
8/10
Multimodaalne
Pildisisend
Videosisend
Olek
Praegu; ametlikult välja kuulutatud ääreseadmetes juurutamise alusmudelina
Vaata mudelit
→
Seadmesisene kõnetuvastus, heli mõistmine, häälassistendid, sõidukisisene suhtlus, privaatsust arvestav helitöötlus ja väikese latentsusega serva-AI.
Tüüp
Multimodaalne
Arutlusvõime
6/10
Kiirus
8/10
Helisisend
Olek
Praegune; servajuurutuseks mõeldud mudel, mille võimekuse kohta on avalikult teavet, kuid mille majutatud API kinnitatud avalikku hinnastust ega üldist mudeli allalaadimise dokumentatsiooni ei leitud.
Vaata mudelit
→
Seadmesisene tekstist pildi genereerimine, kohapealne pilditöötlus, privaatsust arvestavad loomingulised funktsioonid ning väikese latentsusega servaseadmete rakendused.
Tüüp
Muu
Arutlusvõime
1/10
Kiirus
9/10
Multimodaalne
Pildisisend
Meediaväljund
Olek
Praegune uurimismudel; avalik tehniline teave on saadaval, kuid ametliku avaliku API kättesaadavust ega allalaaditavaid mudelikaale ei ole kontrollitud.
Vaata mudelit
→
Madala latentsusega töölaua- ja mobiilse graafilise kasutajaliidese automatiseerimine, visuaalne positsioneerimine, lokaalselt töötavad arvutikasutuse agendid ja privaatsustundlikud servtöötluse töövood
Tüüp
Muu
Arutlusvõime
6/10
Kiirus
9/10
Multimodaalne
Pildisisend
Meediaväljund
Olek
Praegune; servas juurutatav graafilise kasutajaliidese agendi mudel
Vaata mudelit
→
Lean 4 automaatformaliseerimine, matemaatiliste teoreemiväidete genereerimine, formaalse matemaatika uurimine ja lokaalselt juurutatud tõestusabi töövood
Tüüp
Arutlus
Kontekst
16K
Arutlusvõime
8/10
Kiirus
6/10
Peenhäälestamine
Olek
Aktiivne avatud kaaludega mudel
Vaata mudelit
→
Lean 4 automaatformaliseerimine, formaalmatemaatika, teoreemiväidete tõlkimine ning matemaatilise arutluse süsteemide uurimine
Tüüp
Arutlus
Kontekst
131K
Arutlusvõime
8/10
Kiirus
4/10
Olek
Praegune avatud kaaludega väljalase
Vaata mudelit
→
Lean 4 teoreemide tõestamine, formaalne matemaatika, verifitseerijate juhitud tõestuste genereerimine ning tööriistadega integreeritud arutluse uurimine
Tüüp
Arutlus
Kontekst
20K
Arutlusvõime
9/10
Kiirus
5/10
Tööriistade kasutamine
Voogedastus
Olek
Praegune avatud kaaludega eelvaatemudel; avalikult kättesaadav Apache License 2.0 litsentsi alusel
Vaata mudelit
→
StepFun-Proveri eelversioon
Lean 4 formaalne teoreemitõestus, matemaatiliste tõestuste süntees, tõestuste parandamine ja REPL-i abil kontrollimine
Tüüp
Arutlus
Kontekst
20K
Arutlusvõime
9/10
Kiirus
4/10
Tööriistade kasutamine
Olek
Saadaval avatud kaaludena
Vaata mudelit
→
Tekst kõneks muutmine, jutustamine, hääleassistendid, ligipääsetavusrakendused, videote pealelugemine, vestluslik heli ja hääle kloonimine
Tüüp
Muu
Arutlusvõime
1/10
Kiirus
4/10
Meediaväljund
Voogedastus
Sisend
$0.40 10 000 tähemärgi kohta kogu maailmas; Hiinas ligikaudu ¥2.80 10 000 tähemärgi kohta
Vaata mudelit
→
