Step3-VL-10B，系2026年1月20日開源的多模態模型。Step3-VL-10B在視覺感知、邏輯推理、數學競賽以及通用對話等一系列基準測試中均達到同規模SOTA水平。
基本介紹
- 外文名：Step3-VL-10B
- 開源日期：2026年1月20日
簡介,發展歷史,核心亮點,獨特設計,
簡介
Step3-VL-10B，僅用10B參數量，Step3-VL-10B在視覺感知、邏輯推理、數學競賽以及通用對話等一系列基準測試中均達到同規模SOTA水平，並且解決了參數量小和智慧型水平高難以兼優的行業難題。
Step3-VL-10B提供SeRe（順序推理）和PaCoRe（並行協調推理）兩種範式，在STEM推理、識別、OCR&文檔、GUI Grounding、空間理解、代碼等核心維度，都取得了千億級別模型的優秀分數，PaCoRe範式表現更優。
發展歷史
2026年1月20日，階躍星辰宣布多模態模型Step3-VL-10B開源。
核心亮點
Step3-VL-10B 具備三大核心亮點：
- 極致視覺感知標桿：在同參數量級中展現出頂尖的識別與感知精度。通過引入PaCoRe（並行協調推理） 機制，模型在複雜計數、高精度OCR及空間拓撲理解等高難度任務上的可靠性實現了質的飛躍。
- 深層邏輯推演與長程推理：得益於規模化強化學習（RL）的持續疊代，Step3-VL-10B在10B規模上實現了跨任務推理能力的階躍。無論是競賽級數學難題、真實編程環境還是視覺邏輯謎題，模型均能通過嚴密的多步思維鏈推導出最終答案。
- 強大端側 Agent 互動：基於海量GUI（圖形用戶界面）專用預訓練數據，模型能夠精準識別並操作複雜界面，成為端側Agent的核心引擎。
獨特設計
1.全參數端到端多模態聯合預訓練：摒棄了傳統分階段凍結模組的訓練範式，直接在 1.2T 高質量多模態數據集上進行全參數聯合訓練。這種方式實現了視覺特徵與語言邏輯在底層語義空間的深度對齊，為模型構建了極致的感知能力與複雜的跨模態推理基石。
2.大規模多模態強化學習（RL）演進：率先將大規模強化學習引入多模態領域，歷經超過 1,400 次疊代最佳化。模型在視覺識別、數理邏輯推理及通用對話等維度的能力均實現質的飛躍，且實驗數據表明，模型性能仍處於上升通道，尚未觸及飽和邊界。
3.並行協調推理機制（PaCoRe）：創新性地引入 PaCoRe 機制，支持推理階段的動態算力擴展。通過並行探索多個感知假設並進行多維證據聚合，該機制顯著提升了模型在競賽級數學、複雜 OCR 識別、精準物體計數及空間拓撲推理中的準確度。
