Mohu Step 3.7 Flash spustit lokálně?

Ano, váhy jsou otevřené a hostované na Hugging Face pod stepfun-ai/Step-3.7-Flash, ale celý model je sparse MoE s 198 miliardami parametrů, takže pro užitečnou rychlost budete potřebovat značný hardware.

Kolik stojí a jak velké je kontextové okno?

Vstupní tokeny stojí 0,20 USD za milion (0,04 USD při cache hitu) a výstupní tokeny 1,15 USD za milion; kontextové okno je 256 tisíc tokenů.

Jak se Step 3.7 Flash liší od standardního hustého modelu?

Je to Mixture-of-Experts architektura, která aktivuje přibližně 11 miliard parametrů na token navzdory celkovému počtu 198 miliard, což mu dává vyšší propustnost než srovnatelný hustý model a umožňuje nastavit hloubku dedukce na požádání.

Step 3.7 Flash

3679°

#llm #stepfun #vidění #video #uvažování #agenti

Spustit model

Nabídky / Reklamy

OpenRouter Terminál / API

Platba za token

Chatuj s tímto modelem v prohlížeči nebo ho zavolej ze svého kódu s jedním API klíčem.

StepFun | 262,144 tokenů kontext | $0.20/M vstup, $1.15/M výstup. Step 3.7 Flash je nejnovější vysoce efektivní multimodální Mixture-of-Experts model od StepFun. Kombinuje 196B-parametrový jazykový základ s vision enkodérem pro nativní porozumění obrázkům a videím, aktivující přibližně 11 miliard parametrů na token. Model podporuje kontextové okno 256K a nabízí volitelné úrovně uvažování (vysoká/střední/nízká), což umožňuje volajícím vyvažovat rychlost, náklady a hloubku uvažování. Navržen pro kódování, agentní pracovní postupy, strukturované výstupy a produktivní úkoly s dlouhým kontextem.

Návody k tomuto modelu

Nejlepší lokální LLM podle použití (říjen 2026): správný otevřený model pro každou práci

Kolik VRAM vlastně potřebuji pro lokální AI?

Otevřené váhy vs open source vs pouze API: co vlastně smíš dělat

Co je soubor GGUF? Vysvětlení kvantovaných modelů (Q4, Q8, fp8, NF4)

Všechny návody

Poznámky kapitána

Napsal Captain, hlavní redaktor

Poznámky z 2026-10-13

Step 3.7 Flash je sparse Mixture-of-Experts model StepFun pro vidění a jazyk, který kombinuje 196 miliardový jazykový backbone s vizuálním enkodérem a aktivuje přibližně 11 miliard parametrů na token. Podporuje kontext o délce 256 tisíc tokenů, nativní porozumění obrázkům a videu a tři volitelné úrovně dedukce. Za 0,20 USD za milion vstupních tokenů cílí na vývojáře provozující vysoce propustné agentní pipeline, nikoli na běžný chat.

Známý pro

Volitelná hloubka dedukce (nízká/střední/vysoká) pro kompromis mezi rychlostí a náklady na volání.
Silné agentní používání nástrojů: vede ClawEval-1.1 s 67,1, výrazně před dalšími konkurenty.
Nativní porozumění obrázkům a videu zabudované v základním modelu, nikoli přidávané dodatečně.
256 tisíc tokenů kontextu zvládá velké dokumenty, rozsáhlé kódové báze nebo víceturnové agentní historie najednou.
Otevřené váhy dostupné na Hugging Face pro vlastní nebo on-premise nasazení.

Dej pozor na

S 198 miliardami parametrů vyžaduje lokální provoz vážný hardware; před stažením zkontrolujte VRAM.
Výstup stojí 1,15 USD za milion tokenů, což rychle narůstá u vysoce deduktivních a obsáhlých workflow.
StepFun nezveřejnil úplné licenční podmínky v modelové kartě; ověřte povolené použití před produkčním nasazením.

Nejlepší pro

Agenti a používání nástrojů

Promptů k vyzkoušení

Hledání chyby napříč soubory

Tady je GitHub issue report a tři související Python soubory. Projděte příčinu napříč soubory, vysvětlete přesně, který řádek zavádí chybu, a vytvořte minimální opravu, která projde regresním testem. Problém: volání process_batch() s prázdným seznamem vyvolá KeyError na 'results'. Soubory: [vložit soubory].

Graf na strukturovaná data

Přikládám screenshot finančního dashboardu s několika grafy a shrnující tabulkou. Extrahujte každou číselnou hodnotu, identifikujte název metriky a časové období pro každou a vraťte výsledek jako JSON pole s klíči: metric, period, value, unit.

Plán agenta pro dlouhý dokument

Máte zde 200stránkovou smlouvu o nákupu. Identifikujte každou klauzuli, která vytváří finanční závazek na naší straně, termín nebo spouštěč každé a maximální výši odpovědnosti, pokud je uvedena. Vraťte tabulku seřazenou podle data termínu. Pokud je termín nejasný, označte to. [vložit text smlouvy].

Porovnat s

Step 5 Preview
Model s otevřenými váhami
kontext 1,048,576 tokenů · $1.00/M vstup, $2.70/M výstup
Step 3.5 Flash
Model s otevřenými váhami
kontext 262,144 tokenů · $0.10/M vstup, $0.30/M výstup
GPT-6 Luna
Model pouze s API
kontext 1,050,000 tokenů · $0.10/M vstup, $0.50/M výstup
GPT-5.6 Luna
Model pouze s API
kontext 1,050,000 tokenů · $0.20/M vstup, $1.20/M výstup

Více textových modelů od stepfun

Často kladené otázky

Mohu Step 3.7 Flash spustit lokálně?: Ano, váhy jsou otevřené a hostované na Hugging Face pod stepfun-ai/Step-3.7-Flash, ale celý model je sparse MoE s 198 miliardami parametrů, takže pro užitečnou rychlost budete potřebovat značný hardware.
Kolik stojí a jak velké je kontextové okno?: Vstupní tokeny stojí 0,20 USD za milion (0,04 USD při cache hitu) a výstupní tokeny 1,15 USD za milion; kontextové okno je 256 tisíc tokenů.
Jak se Step 3.7 Flash liší od standardního hustého modelu?: Je to Mixture-of-Experts architektura, která aktivuje přibližně 11 miliard parametrů na token navzdory celkovému počtu 198 miliard, což mu dává vyšší propustnost než srovnatelný hustý model a umožňuje nastavit hloubku dedukce na požádání.

Verdikt kapitána
Vážný agentní tahoun s opravdovými schopnostmi ve vidění a chytrým nastavením dedukce, pokud vám nevadí cena výstupu nebo si ho hostujete sami.

Modelová karta na Hugging Face

Kapitán píše tyto poznámky na základě popisu modelu a modelové karty. Ceny a velikosti kontextu jsou od poskytovatele v době psaní a mohou se změnit.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Jak se toto skóre sčítá

Tento model zatím nemá žádná data o popularitě z žádného zdroje, takže má náhradní číslo pod 7,000°, které udržuje seznamy kompletní. Nikdy se neumístí výš než model s daty. Rozpis se tu objeví, jakmile ho nějaký zdroj nahlásí.

Slovníček: pojmy používané zde

Heat skóre: Jedno číslo, které ukazuje, jak moc se model teď používá a chce, od 0° do 9 999°. Každý seznam na tomto webu, který říká nejžhavější, je podle toho seřazený a nic jiného.
Minimum: 7 000° je základ, od kterého začíná každý model s reálnými daty. Měřítko je od 0° do 9 999°; část pod minimem je vyhrazena pro zástupce (modely bez dat), aby model s daty byl vždy výš než ten bez. Minimum je stejné pro všechny a nic nerozhoduje; stupně nad ním jsou měření.
Ekvivalenty stažení: Všechno, co skóre počítá jako stažení, sečtené: samotná stažení, každý torrent seeder jako 1 000, každý obrázek z AI Horde a každý běh na generujícím webu jako jedno.
Logaritmická škála: Počítá se po desítkách, ne po jednotkách: přechod z 1 000 na 10 000 stažení přidá stejný počet stupňů jako z 10 000 na 100 000. Zabraňuje, aby obři přebili všechno ostatní.
Lajky: Palce nahoru a lajky ze všech zdrojů, každý za polovinu váhy stažení na logaritmické škále.
Rychlost přijetí: Kolik stažení denně model právě teď má, podle rozdílu mezi dvěma odečty zdroje. Čtvrtina váhy oproti termínu stažení.
Měřené a odhadované: Měřené znamená, že existují dva záznamy zdroje a rozdíl je skutečný. Odhadované znamená, že je znám jen dnešní celkový údaj a minulost je rozložena přes životnost modelu; stránka uvádí, který typ zobrazuje.
Seeder: Někdo, kdo drží kopii vah online, aby si ji ostatní mohli stáhnout přes torrent, nebo hostovaný zrcadlový server, který dělá totéž. Každý takový počítá jako 1 000 stažení.
AI Horde: Dobrovolnická síť, která zdarma generuje obrázky na darovaných počítačích. Počet obrázků vytvořených s modelem je veřejný a každý se počítá jako jedno stažení.
Generační stránky: Stránky, které hostují vlastní kopie modelu a umožňují lidem generovat s ním, například PixAI, SeaArt a Yodayo. Jejich stažení se počítají stejně jako u Civitai a každý běh generování jako jedno stažení.
OpenRouter tokeny: Textový model poskytovaný přes API, jako Claude nebo GPT, nemá žádné váhy ke stažení, takže jeho využití se měří tokeny: kusy textu, které přečetl a napsal přes OpenRouter, bránu, kterou používá mnoho aplikací, za posledních 30 dní. Každých 10,000,000 tokenů se počítá jako jedno stažení. Zdroj: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Plný model (checkpoint): Samotné váhy, soubor, který generuje sám o sobě. Má bonus, protože na něm závisí doplňky.
LoRA a embedding: Malé doplňkové soubory, které nasměrují váhy někoho jiného k určitému stylu, postavě nebo konceptu. Samy o sobě nemohou běžet.
Rodina a váhy: Základ, na kterém je model postavený, například SD 1.5, SDXL, Flux nebo Wan. Každý model dědí datum vydání vah své rodiny.
Věk: Stupně odečtené podle toho, jak dávno vyšla váha rodiny: 150° za rok, až do 750°. Staré stažení, která měla roky na nashromáždění, zůstávají nahoře na seznamu.
Boost rodiny: Malý, omezený posun pro LoRA rodiny, kterou tato stránka právě podporuje, vždy uvedený v rozpisu.
Náhradní skóre: Stabilní číslo pod minimem dané modelu, o kterém zatím žádný zdroj nehlásí, aby seznamy zůstaly kompletní. Nikdy není výše než model s daty.
Nové! (ochranná lhůta): Model mladší než 7 dní ukazuje místo skóre Nové! a nezískává místo v žebříčku. Jeho skóre se počítá od prvního dne, ale model starý jeden den roste rychleji než cokoli jiného, takže bez čekání by #1 týdne byl vždy model, který vyšel včera, místo toho, co vydrželo týden.
Trend: Jak růst modelu za určité období odpovídá typickému růstu modelu za stejné období. Rychlejší než obvyklé znamená vzestup, pomalejší pokles.
Typický model: Střed katalogu: polovina modelů s číslem rostla rychleji za dané období, polovina pomaleji.

Podobné modely

AI modely pro generování obrázků, videa a textu

Step 3.7 Flash je textový model pro rodinu Text / LLM uvedený na ModelTrends.ai, katalogu open source AI modelů pro obrázky, video a text určeném jen ke čtení. Porovnejte ho s dalšími modely Text / LLM a podívejte se na jeho skóre žhavosti.

Další modely Text / LLM llm stepfun vidění video uvažování agenti programování dlouhý kontext

Procházet podle rodiny modelů