Step 3.5 Flash開源後登頂OpenClaw

#open-source#benchmark-top#base-modelstep-3.5-flashstep-3.5-flashopenclaw

💡開源Step 3.5 Flash登OpenClaw榜首—立即部署新頂尖模型（28字）

⚡ 30-Second TL;DR

有什麼變化

Step 3.5 Flash昨日全面開源

為什麼重要

提升開源AI勢頭，對封閉模型施壓，並加速從業人員創新。

下一步行動

從儲存庫下載Step 3.5 Flash並與現有LLM進行基準測試。

誰應關注：Developers & AI Engineers

背景與延伸：來自公開資料，非原文內容。引用 9 個來源。

•Step 3.5 Flash 採用稀疏 MoE 架構，總參數 196.81B，每 token 僅激活約 11B 參數，實現高效推理[1][2][3]。
•模型支援 262K 長上下文，使用 3:1 滑動窗口注意力 (SWA) 比例，並透過 MTP-3 (3-way Multi-Token Prediction) 達成 100-300 tok/s 速度，單流編碼任務峰值 350 tok/s[1][2][4]。
•已在 SiliconFlow、NVIDIA NIM、Hugging Face 和 OpenRouter 等平台部署，提供 $0.1/M 輸入與 $0.3/M 輸出 token 的競爭性定價[1][2][9]。
•模型在代理任務基準中表現優異，如研究代理得分 65.27%，優於部分專有模型，並強調工具呼叫與 ReAct 架構整合[3][6]。

📊 競品分析▸ Show

架構細節：Transformer 基底，稀疏 MoE，總參數 196.81B (196B 主幹 + 0.81B MTP Head)，每 token 活躍 ~11B，45 層，隱藏尺寸 4,096，詞彙大小 128,896，288 路由專家 + 1 共享專家 (Top-8 選擇)，注意力為 3:1 SWA (窗口 512)[2][3]。
加速技術：MTP-3 (訓練與推理皆用)，支援 vLLM 部署需 expert-parallel、reasoning-parser 等參數[1][6]。
部署優化：適合 DGX Spark 等統一記憶體系統，強於編碼代理、工具呼叫、長上下文處理[2][7]。

開源代理模型將加速企業採用

其高效 MoE 與高達 350 tok/s 速度降低部署成本，挑戰專有模型主導地位[1][3]。

MTP-3 技術將成主流

Step 3.5 Flash 證明 MTP 在推理階段應用可大幅提升吞吐量，其他模型如 GLM-4.7 已跟進[5]。

中國開源 AI 競爭力提升

StepFun 模型在基準超越 DeepSeek V3.2 並快速登頂 OpenClaw，顯示本土創新追趕全球領先者[5]。

2026-03

Step 3.5 Flash 全面開源並登頂 OpenClaw 調用量第一

2026-03

部署至 SiliconFlow、NVIDIA NIM、Hugging Face 等平台

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #open-source

同產品

更多關於 step-3.5-flash

同來源