Kann ich Step 3.7 Flash lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter stepfun-ai/Step-3.7-Flash gehostet, aber das vollständige Modell mit 198 Milliarden Parametern als sparsames MoE erfordert erhebliche Hardware, um es mit nützlicher Geschwindigkeit zu betreiben.

Was kostet es und wie groß ist das Kontextfenster?

Eingabetokens kosten $0,20 pro Million ($0,04 bei Cache-Treffer) und Ausgabetokens $1,15 pro Million; das Kontextfenster umfasst 256K Tokens.

Worin unterscheidet sich Step 3.7 Flash von einem Standard-Dichtemodell?

Es handelt sich um eine Mixture-of-Experts-Architektur, die trotz 198 Milliarden Gesamtparametern pro Token nur etwa 11 Milliarden Parameter aktiviert, was einen höheren Durchsatz als ein vergleichbar leistungsfähiges dichtes Modell ermöglicht und die Denktiefe pro Anfrage anpassbar macht.

Step 3.7 Flash

3679°

#llm #stepfun #vision #video #logik #agenten

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

StepFun | 262.144 Token Kontext | $0.20/M Eingabe, $1.15/M Ausgabe. Step 3.7 Flash ist StepFuns neuestes hocheffizientes multimodales Mixture-of-Experts Modell. Es kombiniert einen 196B-Parameter Sprach-Backbone mit einem Vision-Encoder für native Bild- und Videoverarbeitung und aktiviert etwa 11B Parameter pro Token. Das Modell unterstützt ein 256K Kontextfenster und bietet wählbare Reasoning-Stufen (hoch/mittel/niedrig), die es Aufrufern erlauben, Geschwindigkeit, Kosten und Reasoning-Tiefe abzuwägen. Entwickelt für Codierung, agentische Workflows, strukturierte Ausgaben und produktive Aufgaben mit langem Kontext.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Step 3.7 Flash ist StepFuns sparsames Mixture-of-Experts Vision-Sprachmodell, das einen Sprach-Backbone mit 196 Milliarden Parametern mit einem Vision-Encoder kombiniert und dabei pro Token nur etwa 11 Milliarden Parameter aktiviert. Es unterstützt ein Kontextfenster von 256K, native Bild- und Videoverarbeitung sowie drei wählbare Denkstufen. Mit $0,20 pro Million Eingabetokens richtet es sich an Entwickler, die hochdurchsatzfähige agentenbasierte Pipelines betreiben, nicht an Gelegenheitsnutzer.

Bekannt für

Wählbare Denktiefe (niedrig/mittel/hoch) zum Abwägen von Geschwindigkeit gegen Kosten pro Aufruf.
Starke agentenbasierte Werkzeugnutzung: Führt ClawEval-1.1 mit 67,1 Punkten an, deutlich vor dem nächsten Konkurrenten.
Native Bild- und Videoverarbeitung im Basismodell integriert, nicht nachträglich hinzugefügt.
256K Kontextfenster bewältigt große Dokumente, umfangreiche Codebasen oder mehrstufige Agentenhistorien in einem Durchgang.
Offene Gewichte auf Hugging Face verfügbar für selbstgehostete oder lokale Bereitstellung.

Achte auf

Mit 198 Milliarden Gesamtparametern erfordert der lokale Betrieb ernsthafte Hardware; prüfen Sie Ihren VRAM vor dem Download.
Ausgabepreise von $1,15 pro Million Tokens summieren sich schnell bei umfangreichen, ausführlichen Workflows mit hoher Denktiefe.
StepFun hat die vollständigen Lizenzbedingungen nicht im Model Card veröffentlicht; prüfen Sie die erlaubten Nutzungen vor dem produktiven Einsatz.

Am besten für

Agenten und Werkzeugnutzung

Prompts zum Ausprobieren

Fehlersuche über mehrere Dateien

Hier ist ein GitHub-Issue-Bericht und drei dazugehörige Python-Dateien. Verfolgen Sie die Ursache über die Dateien hinweg, erklären Sie genau, welche Zeile den Fehler verursacht, und erstellen Sie einen minimalen Patch, der einen Regressionstest bestehen würde. Issue: Der Aufruf von process_batch() mit einer leeren Liste löst einen KeyError auf 'results' aus. Dateien: [fügen Sie Ihre Dateien hier ein].

Diagramm in strukturierte Daten umwandeln

Ich füge einen Screenshot eines Finanz-Dashboards mit mehreren Diagrammen und einer Zusammenfassungstabelle bei. Extrahieren Sie jeden lesbaren Zahlenwert, identifizieren Sie den Metriknamen und den Zeitraum für jeden Wert und geben Sie das Ergebnis als JSON-Array mit den Schlüsseln metric, period, value, unit zurück.

Agentenplan für lange Dokumente

Sie haben unten einen 200-seitigen Beschaffungsvertrag eingefügt. Identifizieren Sie jede Klausel, die eine finanzielle Verpflichtung unsererseits begründet, die Frist oder den Auslöser für jede Klausel sowie die maximale Haftungssumme, falls angegeben. Geben Sie eine nach Fristdatum sortierte Tabelle zurück. Wenn eine Frist unklar ist, kennzeichnen Sie sie. [Vertragstext einfügen].

Vergleichen mit

Step 5 Preview
Modell mit offenen Gewichten
1,048,576 Token Kontext · $1.00/M Eingabe, $2.70/M Ausgabe
Step 3.5 Flash
Modell mit offenen Gewichten
262,144 Token Kontext · $0.10/M Eingabe, $0.30/M Ausgabe
GPT-6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.10/M Eingabe, $0.50/M Ausgabe
GPT-5.6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.20/M Eingabe, $1.20/M Ausgabe

Mehr Textmodelle von stepfun

Häufig gestellte Fragen

Kann ich Step 3.7 Flash lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter stepfun-ai/Step-3.7-Flash gehostet, aber das vollständige Modell mit 198 Milliarden Parametern als sparsames MoE erfordert erhebliche Hardware, um es mit nützlicher Geschwindigkeit zu betreiben.
Was kostet es und wie groß ist das Kontextfenster?: Eingabetokens kosten $0,20 pro Million ($0,04 bei Cache-Treffer) und Ausgabetokens $1,15 pro Million; das Kontextfenster umfasst 256K Tokens.
Worin unterscheidet sich Step 3.7 Flash von einem Standard-Dichtemodell?: Es handelt sich um eine Mixture-of-Experts-Architektur, die trotz 198 Milliarden Gesamtparametern pro Token nur etwa 11 Milliarden Parameter aktiviert, was einen höheren Durchsatz als ein vergleichbar leistungsfähiges dichtes Modell ermöglicht und die Denktiefe pro Anfrage anpassbar macht.

Captain's Urteil
Ein ernstzunehmender agentenbasierter Arbeitspferd mit echter Vision-Kompetenz und cleverem Denkregler, sofern man die Ausgabekosten verkraftet oder das Modell selbst hostet.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Step 3.7 Flash ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm stepfun vision video logik agenten programmieren langer kontext

Nach Modellfamilie stöbern