开源Step3-VL-10B：10B规模的“小能手”挑战200B巨模型性能巅峰

发布时间：2026-01-20 18:21:30 | 责任编辑：张毅 | 浏览量：6 次

阶跃星辰近日宣布开源其最新多模态视觉语言模型Step3-VL-10B。该模型仅凭10B 的参数规模，在多项基准测试中展现出了跨级别的竞技状态，成功解决了小参数量模型难以兼顾高智能水平的行业痛点。
在核心性能测试中，Step3-VL-10B不仅在视觉感知、逻辑推理和数学竞赛等维度达到了同规模 SOTA 水平，更实现了对规模大其10到20倍的开源模型（如 Qwen3-VL-Thinking235B 等）以及顶级闭源旗舰模型的媲美甚至超越。依托全参数端到端多模态联合预训练和大规模强化学习迭代，该模型在 AIME 等高难度数学竞赛测试中已步入世界第一梯队。
此次开源涵盖了 Base 和 Thinking 两个版本。得益于创新的并行协调推理机制（PaCoRe），模型在处理高精度 OCR、复杂计数及空间拓扑理解等任务时表现尤为稳健。这意味着原本依赖云端运行的复杂多模态推理能力，现在可以更低成本地部署在手机、电脑等端侧设备上，大幅提升了端侧 Agent 的交互效率。
项目主页:https://stepfun-ai.github.io/Step3-VL-10B/
论文链接:https://arxiv.org/abs/2601.09668
HuggingFace:https://huggingface.co/collections/stepfun-ai/step3-vl-10b
ModelScope:https://modelscope.cn/collections/stepfun-ai/Step3-VL-10B
划重点:
🚀 小参数跨级反超:Step3-VL-10B以10B 规模挑战并超越了200B 级的巨量模型，实现了性能与规模的极致杠杆比。
🧠 深层逻辑与感知:引入 PaCoRe 机制及大规模强化学习，在竞赛级数学、复杂 GUI 感知及3D 空间推理等领域达到世界顶尖水平。
📱 端侧智能下沉:支持高性能多模态能力在低算力设备运行，为手机和工业嵌入式设备的“主动理解与交互”提供了强力底座。