# 阶跃星辰Step 3发布：321B参数多模态推理模型，效率提升300%并即将开源

- Link: https://paooo.com/aigc-news/14390/
- Published: 2026-06-25T22:12:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 321B 总参数、38B 激活参数，Step 3 以 MoE 架构实现高性能与低成本兼顾。
 * AFD 分布式推理系统叠加 MFA 注意力机制，国产芯片效率最高达同类模型 3 倍。
 * 支持视觉感知、复杂推理与多模态任务，7 月 31 日将正式开源。

> **💡 站外导读：**随着AI应用向实时化、复杂化演进，模型推理效率与成本成为落地关键
> 瓶颈。阶跃星辰最新发布的Step 3模型，正是瞄准这一痛点，通过MoE架构与系统创新，在
> 保持321B总参数强大能力的同时，将激活参数控制在38B，并在国产及主流芯片上实现推理
> 效率数倍提升。这标志着多模态大模型正从“能力竞赛”转向“效能竞赛”，为大规模行业应用
> 铺平道路。

## Step 3是什么

Step 3 是阶跃星辰最新发布的新一代基础[大模型](https://paooo.com/ai-study/)，专为
推理时代设计，兼具高性能与极致成本效益。采用 MoE 架构，拥有 321B 总参数量 和 38B
激活参数量，是首个全尺寸、原生多模态推理模型，具备强大的视觉感知和复杂推理能力，
能在多个领域实现高效应用。通过 AFD 分布式推理系统 和 MFA 注意力机制，实现了推理效率
的大幅提升。在国产芯片上，推理效率可达同类模型的 3 倍，在 NVIDIA Hopper 架构芯片上
吞吐量提升超 70%，显著降低了推理成本。Step 3 将于 7 月 31 日 正式开源，为全球开发
者和企业提供最强的多模态推理模型。

阅读目录

 * [Step 3是什么](https://paooo.com/aigc-news/14390/#step-3%e6%98%af%e4%bb%80%e4%b9%88)
 * [Step 3的主要功能](https://paooo.com/aigc-news/14390/#step-3%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Step 3的技术原理](https://paooo.com/aigc-news/14390/#step-3%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Step 3的项目地址](https://paooo.com/aigc-news/14390/#step-3%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Step 3的应用场景](https://paooo.com/aigc-news/14390/#step-3%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/14390/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![Step 3](https://paooo.com/wp-content/uploads/2026/05/Step-3-website-1.avif)

## Step 3的主要功能

 * **视觉感知**：Step 3 能准确识别和分析图像和视频中的复杂信息，例如在反光严重的
   菜单识别中，依然能准确还原内容。
 * **复杂推理**：支持跨领域的复杂知识理解、数学与视觉信息的交叉分析，例如结合微信
   群聊天记录和购物小票自动计算 AA 制消费分摊。
 * **多模态任务处理**：作为原生多模态模型，Step 3 能处理语言、视觉等多种模态的任务，
   满足多样化应用场景需求。
 * **高效推理**：通过系统架构创新，Step 3 在推理效率上表现出色。在国产芯片上，推理
   效率最高可达 DeepSeek-R1 的 **300%**，在 NVIDIA Hopper 架构芯片上吞吐量提升超**
   70%**。
 * **硬件友好**：Step 3 适配多种硬件平台，包括主流和国产芯片，能显著降低推理成本，
   提升资源利用率。

## Step 3的技术原理

 * **MoE 架构**：Step 3 采用了 MoE（Mixture of Experts）架构，是高效的模型并行化
   方法。通过将模型分解为多个“专家”模块，根据输入动态选择合适的专家进行计算，MoE
   架构能在保持高性能的同时显著降低计算资源的浪费。
 * **AFD 分布式推理系统**：将模型中的注意力（Attention）和前馈网络（FFN）计算任务
   分配到最适合的硬件上，提升整体效率。
    - **Attention 计算**：极度消耗内存带宽的任务，分配给内存带宽大的 GPU 集群。
    - **FFN 计算**：极度消耗算力的任务，分配给算力强大的 GPU 集群。
 * **MFA 注意力机制**：优化算术强度，适配主流和国产芯片的性能特征，实现跨硬件平台
   的高效推理。

## Step 3的项目地址

 * **Github仓库**：https://github.com/stepfun-ai/Step3

## Step 3的应用场景

 *  **智能终端 [Agent](https://paooo.com/trends/)**：Step 3 可以应用于各种 IoT 设备，
   如智能家居、智能穿戴设备等，提供智能语音助手和视觉识别功能。
 * **金融财经**：Step 3 可以用于金融风险评估、智能客服、市场分析等场景。通过多模
   态数据处理，模型能更准确地分析市场趋势和用户需求。
 * **内容创作**：Step 3 可以辅助内容创作者生成创意文案、图像和视频内容。例如，结合
   视觉和文本信息生成高质量的广告文案或视频脚本。
 * **视觉识别**：Step 3 能处理复杂的视觉任务，如反光菜单识别、图像分类、目标检测
   等。
 * **复杂推理**：Step 3 支持跨领域的复杂知识理解，例如结合微信群聊天记录和购物小
   票自动计算 AA 制消费分摊。
 * **自然语言处理**：Step 3 在自然语言处理任务中表现出色，能理解并生成高质量的文本
   内容。

#### 📝 站长洞察 (Editor’s Insight)

Step 3的发布精准抓住了当前大模型发展的核心矛盾：如何在模型能力与推理成本间取得最优
解。其采用的MoE架构与AFD分布式系统，本质是将工程优化提升到算法同等重要的位置，这
或许是下一阶段AI竞争的关键。特别值得注意的是其对国产芯片的适配与效率提升，这不仅是
技术亮点，更是战略考量，为国产算力生态注入强心剂。开源决策也将加速技术民主化，推动
推理成本进一步下探，催生更多实时、交互式的AI原生应用。

❓ 常见问题解答（FAQ）

Step 3 是什么模型？

Step 3 是阶跃星辰发布的新一代基础大模型，定位为推理时代的原生多模态推理模型。它采用
MoE 架构，拥有 321B 总参数和 38B 激活参数，兼顾能力与推理效率。

Step 3 在推理效率上提升了多少？

文中给出的结果显示，Step 3 在国产芯片上推理效率最高可达同类模型的 3 倍；在 NVIDIA
Hopper 架构芯片上，吞吐量提升超过 70%。

Step 3 什么时候开源？

文章明确提到，Step 3 将于 7 月 31 日正式开源。项目地址为 GitHub 仓库：https://github.
com/stepfun-ai/Step3

📊 Step 3 与竞品在多模态与语言基准上的对比跑分（AI 视觉结构化提取）

**核心发现：**图中显示 Step 3 在 MMMU、MathVision、SimpleVQA、AIME 2025 和 LiveCodeBench
上均取得最高分，但在 GPQA-Diamond 上略低于 ERNIE 4.5。

| 基准 | Step 3 | ERNIE 4.5 | GLM-4.1V-Thinking | MiMo-VL | QvQ-72B-Preview | Llama 4 Maverick | 
| MMMU | 74.6 | 70.0 | 68.0 | 66.7 | 70.3 | 73.4 | 
| MathVision | 65.0 | 47.6 | 49.4 | 47.2 | 35.9 | 60.4 | 
| SimpleVQA | 63.0 | 59.8 | 48.1 | 48.5 | 40.3 | 45.4 | 
| AIME 2025 | 83.0 | 35.1 | 13.3 | 60.0 | 22.7 | 19.2 | 
| GPQA-Diamond | 72.9 | 76.8 | 47.4 | 55.5 | 49.5 | 69.8 | 
| LiveCodeBench (2024.08-2025.05) | 66.8 | 38.8 | 24.2 | 50.1 | 24.1 | 33.9 |

🔬 语宙深潜追问 · 进阶实操拆解

MoE和MFA为什么能提升推理效率？

MoE通过稀疏激活减少每次计算量，MFA则优化注意力计算和跨模态对齐开销。真正的收益取决
于路由质量、专家负载均衡和推理框架适配，训练好不等于部署就快。

国产芯片上部署这类模型要注意什么？

重点看算子支持、通信带宽、显存容量和并行策略。建议先做量化、分层缓存和张量并行适
配，再评估吞吐与延迟；否则模型参数再大，硬件利用率也上不去。

🗳️ 读者观点微投票 · 您的实战立场是？

321B多模态推理模型真能国产替代吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

 * [阶跃星辰开源Step 3.5 Flash：1960亿参数MoE模型，350TPS极速推理与Agent性能比肩顶尖闭源模型](https://paooo.com/aigc-news/11529/)
 * [Step3-VL-10B：阶跃星辰开源10B参数多模态模型，性能对标200B级巨模，端侧部署新标杆](https://paooo.com/aigc-news/11879/)
 * [阿里通义Qwen3-30B-A3B-Thinking-2507开源：305亿参数MoE推理模型，性能超GPT-4o，消费级硬件可部署](https://paooo.com/aigc-news/14335/)
 * [美团5600亿参数推理模型LongCat-Flash-Thinking：开源MoE架构引领AI Agent新范式](https://paooo.com/aigc-news/13594/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/14390/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)