开源模型小钢炮登场！10B多模态屠榜，性能超越巨型系统20倍

智东西
作者 程茜
编辑 李水青

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

智东西1月20日报道，今日下午，阶跃星辰开源多模态模型Step3-VL-10B。该模型参数量为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。

阶跃星辰的多项测评显示，Step3-VL-10B的性能可以媲美甚至超越规模大10-20倍的开源模型，如GLM-4.6V 106B-A12B、Qwen3-VL-Thinking 235B-A22B以及闭源旗舰模型，如Gemini 2.5 Pro、Seed-1.5-VL。

这一轻量级模型的性能表现，也意味着手机、电脑、工业嵌入式设备也可以运行GUI操作、复杂文档解析、高精度计数等复杂多模态推理任务。

从技术层面看，Step3-VL-10B的性能突破得益于三个关键设计，分别是高质量多模态语料库上进行统一预训练、缩放多模态强化学习、并行协调推理机制。

目前，阶跃星辰已开源Step3-VL-10B系列的Base模型和Thinking模型。

Hugging Face开源地址：https://huggingface.co/collections/stepfun-ai/step3-vl-10b

ModelScope开源地址：https://modelscope.cn/collections/stepfun-ai/Step3-VL-10B

体验地址：https://huggingface.co/spaces/stepfun-ai/Step3-VL-10B

技术报告链接：https://arxiv.org/pdf/2601.09668

一、从GUI感知到视觉识别和推理，Step3-VL-10B思路清晰

阶跃星辰在最新公众号里放出了Step3-VL-10B在多模推理能力方面的真实案例。

首先是关于摩尔斯编码的推理，可以看到模型的思考过程思路清晰，先拆解字母再逐个查表，最后拼接，流程正确，并且对大部分字母如S、T、E、F、U、N的定位和编码描述准确。

其次是GUI感知能力，模型需要识别标签页中以章节开头.tex结尾的文件标签，可以看到其思考过程采用了识别标签、排除非目标、统计数量的步骤进行了准确分析，并有效规避了干扰选项。

第三个是关于图推理的案例，模型需要在连线非常复杂的图片中准确识别中长度最短的图有几条，从思考过程可以看到，其先确认了最小权重的边长度是1，然后再统计所有权重为1的边。

二、拿下开源SOTA，数学竞赛测试题超94分

Step3-VL-10B具备三大核心亮点：

视觉感知精度更高：在同参数量级中展现出顶尖的识别与感知精度，研究人员为其引入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提升。

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规模上能应对竞赛级数学难题、真实编程环境、视觉逻辑谜题。

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。

阶跃星辰公开的多模态基准测试结果显示，Step3-VL-10B是10B参数类别中最强大的开源模型。

具体来看，在多模态推理能力上，Step3-VL-10B在部分测试集上超越了GLM-4.6V、Qwen3-VL等模型，其性能优于10倍至20倍大的模型。

数学能力方面，该模型在AIME 25/24等数学竞赛测试题上得分超过94分，这意味着其在逻辑严密性上甚至优于许多千亿级模型。

2D、3D空间推理能力上，模型在BLINK上表现出66.79%的涌现式空间意识，在All-Angles-Bench上达到57.21%，意味着该模型在具身智能应用方面具有强大的潜力。

最后是编程能力，在真实、动态编程环境下，Step3-VL-10B超越GLM-4.6V、Qwen3-VL等模型。

此外，该模型的开源主页显示，研究人员在Qwen3VL-8B相关的基准测试中出现了不准确数据，例如AIME、HMMT、LCB，目前正在修复。这些错误是由于其在大规模评估过程中max_tokens设置错误造成，他们将重新运行测试，并在下一版技术报告中提供修正后的数据。

三、从感知到推理双提升，三大关键设计加持

该模型的论文提到，Step3-VL-10B的性能突破得益于三个关键设计：

一是在高质量多模态语料库上进行统一预训练：研究人员采用单阶段、完全解冻的训练策略，在1.2T token的多模态语料库上进行训练，重点关注两大基础能力：推理和感知，例如通用知识和教育中心任务等推理能力，定位、计数、OCR和GUI交互等感知能力。

通过联合优化感知编码器和Qwen3-8B解码器，STEP3-VL-10B建立了内在的视觉-语言协同效应。

二是缩放多模态强化学习：通过一个严格的后训练流程解锁了前沿能力，该流程包括两阶段监督微调（SFT）以及超过1400次的强化学习迭代，结合可验证奖励（RLVR）和人类反馈（RLHF）。

三是并行协调推理机制：研究人员采用并行协调推理（PaCoRe），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。

阶跃星辰的最新公众号提到，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。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”。

结语：Step3-VL-10B或成端侧AI新选择

从Step3-VL-10B的实测可以看出，该模型凭借10B轻量化参数体量，通过高质量多模态语料统一预训练、千余次强化学习迭代及并行协调推理机制，实现了对超大规模模型的跨级性能追赶。

并且具体到GUI交互、精准计数、竞赛级数学推理等任务，该模型也展现出较大应用潜力，未来有望降低在工业质检、本地文档分析、基层医疗辅助等场景的部署门槛。