10B击败200B！阶跃星辰10B视觉语言SOTA模型开源

性能超越 20 倍大模型，阶跃星辰多模态“小核弹” Step3-VL-10B 开源！

仅用 10B 参数量，Step3-VL-10B 在视觉感知、逻辑推理、数学竞赛以及通用对话等一系列基准测试中均达到同规模 SOTA 水平，并且解决了参数量小和智能水平高难以兼优的行业难题。

我们在多项关键评测中观察到，Step3-VL-10B 媲美甚至超越规模大 10-20 倍开源模型（如 GLM-4.6V 106B-A12B、Qwen3-VL-Thinking 235B-A22B）以及顶级闭源旗舰模型（如 Gemini 2.5 Pro、Seed-1.5-VL）。

基于这样一个小而强底座，原本只能在云端运行的复杂多模态推理（如 GUI 操作、复杂文档解析、高精度计数）能够下沉到手机、电脑甚至工业嵌入式设备中。

Base 和 Thinking 模型同时开源，欢迎下载体验！

• 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

10B参数，200B性能

Step3-VL-10B 具备三大核心亮点：

• 极致视觉感知标杆：在同参数量级中展现出顶尖的识别与感知精度。通过引入 PaCoRe（并行协调推理） 机制，模型在复杂计数、高精度 OCR 及空间拓扑理解等高难度任务上的可靠性实现了质的飞跃。

• 深层逻辑推演与长程推理：得益于规模化强化学习（RL）的持续迭代，Step3-VL-10B 在 10B 规模上实现了跨任务推理能力的阶跃。无论是竞赛级数学难题、真实编程环境还是视觉逻辑谜题，模型均能通过严密的多步思维链推导出最终答案。

• 强大端侧 Agent 交互：基于海量 GUI（图形用户界面）专用预训练数据，模型能够精准识别并操作复杂界面，成为端侧 Agent 的核心引擎。

Step3-VL-10B 提供 SeRe（顺序推理）和 PaCoRe（并行协调推理）两种范式，在STEM 推理、识别、OCR & 文档、GUI Grounding、空间理解、代码等核心维度，都取得了千亿级别模型的优秀分数，PaCoRe范式表现更优。

1、STEM /多模态推理

STEM（科学、技术、工程、数学）与多模态推理（Multimodal Reasoning）是衡量模型“深度智能”的核心维度。

Step3-VL-10B 在 MMMU、MathVision 中超越 GLM-4.6V、Qwen3-VL 等模型。

2、竞赛数学

在数学维度上，Step3-VL-10B 表现尤其突出。在 AIME 25/24 等数学竞赛测试题上以几乎满分的成绩达到世界第一梯队水平。

这意味着 Step3-VL-10B 已具备了顶尖人类数学竞赛选手的思维能力，在逻辑严密性上甚至优于许多千亿级模型。

3、2D/3D空间推理

Step3-VL-10B 在多个空间推理基准中都表现出优异水平，尤其是在需要精细感知与复杂逻辑结合的 BLINK、CVBench、OmniSpatial 及 ViewSpatial 等测试中，其性能显著超越了同规模模型。

4、代码

在真实、动态编程环境下，Step3-VL-10B 超越诸多世界一流多模态模型。

真实案例

在真实使用场景中，Step3-VL-10B 的多模推理能力覆盖 GUI 感知、视觉识别和推理等。

• 案例一：莫尔斯推理

• 案例二：GUI 感知

• 案例三：图推理

为什么能做到？三项关键设计

能够达到以上性能，得益于 Step3-VL-10B 在三方面独特设计：

1.全参数端到端多模态联合预训练：摒弃了传统分阶段冻结模块的训练范式，直接在 1.2T 高质量多模态数据集上进行全参数联合训练。这种方式实现了视觉特征与语言逻辑在底层语义空间的深度对齐，为模型构建了极致的感知能力与复杂的跨模态推理基石。

2.大规模多模态强化学习（RL）演进：率先将大规模强化学习引入多模态领域，历经超过 1,400 次迭代优化。模型在视觉识别、数理逻辑推理及通用对话等维度的能力均实现质的飞跃，且实验数据表明，模型性能仍处于上升通道，尚未触及饱和边界。

3.并行协调推理机制（PaCoRe）：创新性地引入 PaCoRe 机制，支持推理阶段的动态算力扩展。通过并行探索多个感知假设并进行多维证据聚合，该机制显著提升了模型在竞赛级数学、复杂 OCR 识别、精准物体计数及空间拓扑推理中的准确度。

得益于“三位一体”架构，Step3-VL-10B 证明智能水平并不完全取决于参数规模。

依托更高质量、更有针对性的数据构建，以及系统化的后训练与强化学习策略，10B 级模型同样有能力在多项基准测试中与 10–20 倍体量的模型正面竞争，甚至实现反超。

这也意味着：世界一流的多模态能力有望以更低成本、更少算力获得；与此同时，过去主要集中在云端超级智能将逐步向端侧下沉，推动终端走向“主动理解与可执行交互”，从而重塑人机交互体验。

目前，我们已开源 Step3-VL-10B（包括 Base 模型和 Thinking 模型），欢迎大家与我们讨论交流，也欢迎开源社区来微调我们的模型，共同推动小模型实现智能跃迁！

<原文链接：https://mp.weixin.qq.com/s/Sh5j0uG0wtR04XHrg-EoYA