Step 3.7 Flash开源模型实测 – 多模态 Agent 大脑更省Token
大家好，这里是K姐。
一个帮助你把AI真正用起来的女子。
很难想象，企业使用 AI 的成本已经远远超过了雇佣员工的成本。
上周，Axios 报道里提到，一位 AI 顾问透露，他的某家企业客户因为没有给员工的 Claude 许可证设置使用上限，在短短一个月内花掉了惊人的 5 亿美元。
米哈游员工在测试 AI Agent 时，因为搭了几十个 Agent 没及时关，一晚上烧光了约 200 万人民币的 Token。
多个 Agent 协同的生产链路，多轮调用、工具高频触发带来的 Token 消耗和延迟开销，正在成为企业难以承受的负担。
所以这也是为什么最近各家都在推 Flash 模型。
Flash 模型现在已经不只是旗舰模型更快、更便宜的平替。而是能放进 Agent 工作流里，让每一步都更快、更稳、更省。
最近，阶跃星辰推出了新一代高效率 Flash 开源模型Step 3.7 Flash。官方介绍里，Step 3.7 Flash 是 198B 参数稀疏 MoE 多模态模型，每个 token 激活约 11B 参数，支持 256K 上下文，最高吞吐可达 400 tokens/s，也支持 low、medium、high 三档推理强度。
我们更关心它在真实复杂场景下的 Agent 链路效率。今天，咱们抛开评分和排行榜，用真实的场景来实测一波
实测 Coding Agent 的 One-shot 表现
本次实测用到的是 Claude Code + StepFun 的 Coding Plan。
Case 1 多模态感知与 UI 执行力
我随手画了一张草图，让 Step 3.7 Flash 做一个电商运营复盘看板。
参考草稿图做一个电商运营复盘看板。
Step 3.7 Flash 将视觉理解内置进 Agent 工作流，模型能准确识别草图中的手写文字和空间布局。将草图转化为符合现代审美、带自适应响应式的 HTML/CSS / JS 看板应用。
生成的网页还原度超级高，和我手绘的草稿几乎一模一样，页面板块、文字都识别的非常准确，我画的小箭头、小图标都被还原出来了。
不过，渠道销售额板块最上方应该有一个“全部”选项，Step 3.7 Flash 遗漏了。
我们继续让它根据草图优化页面：
继续优化页面，渠道销售额板块，与原图有出入。按照原图排版在上方添加【全部】选项。
Step 3.7 Flash 的多模态能力不只是停在看懂图片，可以直接定位到需要修改的地方，准确修改。
Case 2 视觉搜索与工具增强推理
今天比亚迪公布了 5 月份的产销快报，我们让 Step 3.7 Flash 识别试试：
读取图片中的关键信息，并联网生成分析报告。
这个任务不是单纯 OCR 识字，而是看 Step 3.7 Flash 能不能做到先提取关键数据，再联网验证背景，最后输出一份可读的分析报告。
Step 3.7 Flash 识别的信息非常精准。
我们一起来看看生成的报告，Step 3.7 Flash 抓到了几个重点，内容都很准确：
比亚迪 2026 年 5 月新能源汽车销量为 383453 辆，新能源汽车产量为 380549 辆。
1月到 5 月累计同比下降 20.32%，5月产量增长 8.78%，销量增长 0.26%，有明显回暖，是重要的拐点，产销两端都在恢复性增长。
5 月出口占新能源汽车总销量的 41.9%，出口成为比亚迪最重要的增长引擎之一。
Case 3 视觉理解
我上传了一张调音台照片，问它：
麦克风怎么调。
Step 3.7 Flash 识别出这是 NFM M系列 专业调音台，还了解了调麦克风要看通道、GAIN、FADER、MUTE、AUX、主输出这些关键位置。
对普通小白来说，Step 3.7 Flash 给出的流程基本能指导人排查“为什么麦克风没声”、“声音太小”、“有啸叫”等等问题。
尤其是提醒先看 MUTE、再看增益、再推通道推子、再检查主输出，视觉理解非常厉害，逻辑也对。
Case 4 图片转互动地图
请将文件夹中的图片直接作为输入，不提供额外背景说明。请一次性完成整个工作流程。
目标： 创建一个完整的、可演示的单页 HTML 城市导览页面，文件名 ucsd-tour.html。页面要求能够：
1.识别提供的图片中的地标。
2.通过网页搜索验证识别结果。
3.将图片复制到当前工作目录并按合适名称保存。
4.构建一个美观、交互式的地图式城市导览指南。
重要输入规则：
仅使用直接提供的图片作为输入。
不扫描文件夹或目录寻找额外图片。
不导入当前目录中无关的图片。
将提供的图片视为完整的图片集。
网页整体看是那么回事，有首页、地图、地点介绍、导览路线图，排版也不错。
Step 3.7 Flash 能准确的识别出 7 个地点，说明视觉理解和网页搜索能力是过关的。
不过仔细一看，地标名字和图片并没有对应上，模型在多文件管理、路径映射、资源命名方面可能不够严谨。
再看看 Step 3.7 Flash 生成的地图，只是初步画了个方位，并没有地图，地标的方位也和实际的地理方位有偏差。
整体来说，Step 3.7 Flash 只完成了核心的识别任务，细节处理还有提升空间。
一些分享
Step 3.7 Flash 在实际交互中给我最直观的感受就是响应速度快。
虽然在面对多文件映射、精确的空间逻辑等复杂任务时，偶尔有一些细节还有提升空间，但 Step 3.7 Flash 的高响应速度和多模态感知的结合，在多轮交互中展现出了高效的纠错能力，从而以较低的延迟与成本，为复杂的 Agent 链路换取了更大的容错空间。
本次评测的实际消耗的 Token 仅占 Coding Plan 套餐周额度的 15% 左右。得益于 MoE 架构的成本优势，即便 Agent 在长工作流中面临高频的多轮迭代、检索和纠错，其算力成本依然能保持在企业完全可承受的区间内。
有了 Step 3.7 Flash 这样面向生产级 Agent 的高效率 Flash 模型，Agent 在应对真实任务时，能够以更快、更稳、更省的方式跑通整个工作流，而不再是令人望而却步的 Token 吞噬兽。
大模型应用正在走向务实。当企业不必再为高昂的账单与延迟感到焦虑时，AI 才能真正从单点展示的玩具，转化为工业级生产线上稳定运转的生产力工具。
作者：K姐
投稿邮箱：tougao@kseek.ai