Mis on Step3?
Step3 on StepFuni avatud kaaludega multimodaalne arutlusmudel. Praktilises mõttes suudab see töödelda kirjalikke juhiseid koos piltidega ja anda tekstilisi vastuseid. Seetõttu sobib see näiteks diagrammi selgitamiseks, dokumendipildi kohta küsimustele vastamiseks, visuaalse matemaatikaülesande lahendamiseks või pildil oleva teabe ja kirjaliku päringu ühendamiseks.
Mudel avaldati 31. juulil 2025. StepFun avaldab selle kaalud Apache License 2.0 litsentsi alusel Hugging Face’is ning pakub juurutusjuhiseid Transformersile, vLLM-ile ja SGLangile. StepFun dokumenteerib juurdepääsu ka oma Open Platformi kaudu, mis pakub OpenAI-ga ühilduvat API-t. Avatud kaaludega väljalase on eriti oluline organisatsioonidele, kes vajavad juurutamise, andmetöötluse või järeldustaristu üle rohkem kontrolli, kui ainult majutatud mudel tavaliselt võimaldab.
Step3 koht StepFuni mudelivalikus
Step3 on endiselt saadaval ning selle kaaludele ja API dokumentatsioonile pääseb jätkuvalt ligi. StepFuni praeguses avalikus tippmudelite kataloogis on aga esikohal uuemad mudelid, sealhulgas Step 5 Preview, Step 3.7 Flash ja Step 3.5 Flash. Seda tuleb Step3 hindamisel arvesse võtta: seda on kõige parem käsitleda suure avatud kaaludega multimodaalse arutlussüsteemina, mitte automaatselt StepFuni uusima üldotstarbelise mudelina.
Uuemad mudelid võivad olla sobivamad siis, kui rakendus seab esikohale teenusepakkuja uusima suuna, kiirema teeninduse või teistsuguse kulude ja võimekuse tasakaalu. Step3 eristub seetõttu, et avaldatud kaalud võimaldavad seda ise majutada ning selle arhitektuur on suunatud mahukatele arutlusülesannetele koos piltide mõistmisega.
Arhitektuur ja 65 536 märgi kontekstiaken
Step3-l on ligikaudu 321 miljardit parameetrit. Avaldatud kirjelduse järgi sisaldab see 316 miljardi parameetriga keelemudelit koos nägemis-keele komponentidega. Kuigi parameetrite koguarv on erakordselt suur, kasutab mudel hõredat ekspertide segu ehk MoE-arhitektuuri: iga märgi puhul on aktiivsed ligikaudu 38 miljardit parameetrit. MoE-mudelis kasutatakse võrgu eri osi ehk eksperte eri märkide jaoks valikuliselt, selle asemel et aktiveerida igal sammul kõik parameetrid.
Arhitektuuril on 61 kihti ja 48 eksperti, millest iga märgi jaoks valitakse kolm. StepFun nimetab disaini osana ka Multi-Matrix Factorization Attention’it. Nende arhitektuuriliste valikute eesmärk on muuta väga suure mudeli käitamine praktilisemaks kui sama suurusega tiheda mudeli puhul, kuid need ei muuda Step3-t siiski kergesti juurutatavaks mudeliks.
Dokumenteeritud maksimaalne konteksti pikkus on 65 536 märki. Kontekstiaken näitab, kui palju teksti ja muud toetatud sisendteavet saab mudel ühe suhtluse käigus arvesse võtta. See maht on kasulik pikkade dokumentide, ulatuslike tehniliste arutelude ja päringute puhul, mis ühendavad mahuka kirjaliku materjali visuaalsete tõenditega. Tegelikult kasutatav maht võib siiski sõltuda teenindusraamistikust, päringu ülesehitusest, piltide töötlemise käitumisest ja saadaolevast mälust.
Toetatud sisendid ja väljundid
Step3 võtab vastu teksti- ja pildisisendeid ning annab tekstilisi vastuseid. Selle nägemis-keele võimekus toetab piltide mõistmist, visuaalsetele küsimustele vastamist, diagrammide tõlgendamist, dokumentide analüüsi ja multimodaalset arutlemist. Näiteks võib kasutaja anda ekraanipildi ja paluda seda selgitada, esitada diagrammi ning küsida selle suundumuste kohta või ühendada pildistatud lehekülje struktureeritud arutluse päringuga.
Step3-t ei ole dokumenteeritud mudelina, mis genereeriks loomupäraselt pilte, heli või videot. Selle väljund on tekst, kuigi sisend võib sisaldada pilte. See eristus on mudeli valimisel oluline: Step3 võib pilti selgitada või selle üle arutleda, kuid seda ei tohiks valida juhul, kui soovitud tulemus on loodud pilt, helisalvestis või video.
Arutlemine, programmeerimine ja tööriistade tugi
Step3 on loodud keerukaks arutlemiseks, mitte ainult lühikesteks vestlusvastusteks. Selle kavandatud kasutusalad hõlmavad matemaatilist ja teaduslikku arutlemist, visuaalsete probleemide lahendamist, põhjalikku analüüsi ja programmeerimist. Kaasasolevas hindamisandmestikus on selle arutlusvõimekuseks märgitud 9 punkti 10-st ja programmeerimisvõimekuseks 8 punkti 10-st; need on toimetuslikud või andmebaasi hinnangud, mitte StepFuni avaldatud tulemused, mistõttu tuleks neid käsitleda suunavate, mitte standardiseeritud võrdlustulemustena.
Mudel toetab registreeritud andmete kohaselt ka tööriistade kasutamist ja voogedastust. Olemasolev uurimismaterjal ei täpsusta täielikku funktsioonikutsete skeemi, konkreetset tööriistaprotokolli ega StepFuni majutatavate tööriistade täpset valikut. Seetõttu tuleks tööriistade tugi enne tootmisprotsessi rajamist kontrollida valitud Open Platformi lõpp-punkti või teeninduskorstna põhjal. OpenAI-ga ühilduv API võib lihtsustada nende rakenduste integreerimist, mis on juba kavandatud sellelaadse liidese ümber, kuid API-vorminguga ühilduvus ei taga iseenesest eri teenusepakkujate identset käitumist.
Juurutusnõuded, kiirus ja kulude kompromissid
Step3 suurim piirang on selle teenindamiseks vajalik taristu. StepFuni juurutusjuhendi kohaselt vajab BF16-versioon ligikaudu 642 GB ja FP8-versioon ligikaudu 326 GB mälu. Need näitajad illustreerivad väiksema täpsusega kaalude mõju, kuid isegi FP8 nõue ületab kaugelt enamiku tarbijasüsteemide mälumahtu. Juurutus hõlmab ka järelduste arvutamise praktilisi lisakulusid, mis kaasnevad töö jaotamisega sobiva riistvara vahel ning ühilduva teenindusmootori seadistamisega.
Hõre arhitektuur võib vähendada iga märgiga seotud arvutusi võrreldes kõigi 321 miljardi parameetri aktiveerimisega, kuid see ei muuda Step3-t väikeseks ega kiireks mudeliks. Kaasasolevates toimetuslikes hinnangutes on selle kiiruseks märgitud 5 punkti 10-st ja kulutõhususeks 6 punkti 10-st. Need on subjektiivsed hinnangud, mitte teenusepakkuja avaldatud mõõtmised. Praktikas on Step3 atraktiivsem siis, kui töökoormus saab kasu selle arutlus- ja multimodaalsest võimekusest, mitte siis, kui esmatähtsad on minimaalne latentsus või väikseim taristuarve.
StepFuni uurimuses tuuakse esile ka multimodaalse arutluse treenimise kompromiss: tekstilise arutlemise paranemine võib kaasa tuua visuaalse tajutäpsuse vähenemise. Samas uurimuses märgitakse, et mudel on „vibe coding’u” jaoks ebapiisavalt optimeeritud; selle all peetakse silmas, et see ei pruugi olla ideaalne valik vähe täpsustatud ja kiiresti loodavate rakenduste töövoogude jaoks. Need piirangud ei välista selle kasulikkust programmeerimisel ega visuaalsel arutlemisel, kuid annavad põhjust katsetada mudelit just rakenduse jaoks oluliste ülesannetega.
Hind ja juurdepääs
Esitatud uurimismaterjalis ei ole kinnitatud sisendi- ega väljundhinda. Step3 on saadaval avatud kaaludena ise majutamiseks, mille puhul tekivad peamised kulud riistvarast, pilveeksemplaridest, elektrist, salvestusruumist ja inseneritööst, mitte avaldatud märgipõhisest hinnast. See on saadaval ka StepFuni Open Platformi kaudu, kuid selle juurdepääsu praegust avalikku hinda siin esitatud materjalis ei ole.
Kasutajad ei tohiks seega eeldada, et ise majutamise ja majutatud teenuse majanduslik tasuvus on sama. Ise majutamine võib pakkuda suuremat töökorralduslikku kontrolli ja olla püsiva töökoormuse puhul mõistlik, kuid esialgsed ja jooksvad taristunõuded on märkimisväärsed. Majutatud juurdepääs aitab vältida sadade gigabaitide mudelimälu haldamist, kuid selle hind ja kättesaadavus sõltuvad StepFuni kehtivatest platvormitingimustest.
Peamised tugevused ja piirangud
- Avatud kaaludega kättesaadavus: Apache 2.0 litsentsi alusel avaldatud kaalud toetavad uurimistööd, kohandamist ja ise majutamist.
- Multimodaalne arutlemine: Mudel suudab ühendada teksti- ja pilditeavet visuaalsete küsimuste, diagrammide, dokumentide ja muude arutlusülesannete puhul.
- Pikk kontekst: Dokumenteeritud 65 536 märgi pikkune kontekstiaken toetab pikki päringuid ja dokumente.
- Hõre suure mudeli disain: Ühe märgi kohta on aktiivsed ligikaudu 38 miljardit parameetrit, mitte kõik 321 miljardit.
- Laiad juurutusvõimalused: StepFun pakub juhiseid Transformersile, vLLM-ile ja SGLangile ning dokumenteerib OpenAI-ga ühilduva platvormi API.
- Suur taristuvajadus: Avaldatud BF16- ja FP8-mälunõuded on vastavalt ligikaudu 642 GB ja 326 GB.
- Ainult tekstiline väljund: Step3 mõistab pilte, kuid ei ole pildi-, heli- ega videogenereerimise mudel.
- Võimalikud visuaalse arutlemise kompromissid: StepFuni uurimuses märgitakse, et tugevam tekstiline arutlemine võib mõjutada visuaalse tajumise täpsust.
Millal valida Step3?
Step3 on tugev kandidaat siis, kui vajate avatud kaaludega mudelit, mis suudab arutleda nii teksti kui ka piltide põhjal, ning teil on juurdepääs tõsisele järeldustaristule. Sobivate rakenduste hulka kuuluvad dokumentide ise majutatud analüüs, visuaalsetele küsimustele vastamine, diagrammide tõlgendamine, matemaatiline arutlemine, teadusuuringud, multimodaalne hindamine ja suurte ekspertide seguga süsteemide katsetamine.
Seda tasub kaaluda ka siis, kui juurutamise kontroll on oluline. Organisatsioonid, kes ei saa saata tundlikke dokumente välisele teenusele, võivad eelistada võimalust käitada mudelit oma keskkonnas, võttes arvesse riistvara ja litsentsi nõudeid. OpenAI-ga ühilduv platvormivõimalus võib olla kasulik siis, kui piltide mõistmise rakendused kasutavad juba seda integratsioonimustrit.
Millal võib mõni teine valik olla parem?
Väiksem mudel on tõenäoliselt sobivam väheste ressurssidega lokaalseks juurutamiseks, rangete latentsusnõuetega interaktiivsetes rakendustes või töökoormuste puhul, kus piisab tavalisest teksti genereerimisest. Uuem StepFuni mudel võib väärida hindamist siis, kui olulisemad on praegune koht kataloogis, teeninduskiirus või kooskõla teenusepakkuja arengusuunaga kui juurdepääs Step3 avatud kaaludele. Spetsiaalne pildi-, heli- või videogenereerimise mudel on vajalik juhul, kui soovitud väljund on meedia, mitte tekst.
Step3 võib halvasti sobida ka juhuslikuks „vibe coding’uks” või vähe täpsustatud tarkvara genereerimise töövoogudeks, sest StepFuni enda uurimus viitab selle valdkonna ebapiisavale optimeeritusele. Tootmiskasutuse puhul hinnake tüüpilisi pilte, dokumente, programmeerimisülesandeid, vastamisaegu ja taristukulusid, selle asemel et tugineda ainult mudeli parameetrite arvule või üldisele arutlusvõime mainele.
Kokkuvõte
Step3 on tehniliselt ambitsioonikas avatud kaaludega mudel, mille määrav praktiline kombinatsioon koosneb suuremahulisest arutlusest, piltide mõistmisest, 65 536 märgi pikkusest kontekstiaknast ja ise majutamise toest. Selle hõre arhitektuur muudab disaini tõhusamaks kui sama kogusuurusega täielikult tiheda mudeli puhul, kuid teatatud mälunõuded on endiselt väga suured. Valige see siis, kui multimodaalsus, juurutamise kontroll ja nõudlik arutlemine õigustavad selliseid kasutuskulusid; vastasel juhul valige väiksem, kiirem, uuem või spetsialiseeritum lahendus.