開源新王炸！10B多模態小模型屠榜，性能媲美20倍巨無霸

智東西
作者 程茜
編輯 李水青

智東西1月20日報道，今日下午，階躍星辰開源多模態模型Step3-VL-10B。該模型參數量為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。

階躍星辰的多項測評顯示，Step3-VL-10B的性能可以媲美甚至超越規模大10-20倍的開源模型，如GLM-4.6V 106B-A12B、Qwen3-VL-Thinking 235B-A22B以及閉源旗艦模型，如Gemini 2.5 Pro、Seed-1.5-VL。

這一輕量級模型的性能表現，也意味著手機、電腦、工業嵌入式設備也可以運行GUI操作、復雜文檔解析、高精度計數等復雜多模態推理任務。

從技術層面看，Step3-VL-10B的性能突破得益于三個關鍵設計，分別是高質量多模態語料庫上進行統一預訓練、縮放多模態強化學習、并行協調推理機制。

目前，階躍星辰已開源Step3-VL-10B系列的Base模型和Thinking模型。

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

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

體驗地址：https://huggingface.co/spaces/stepfun-ai/Step3-VL-10B

技術報告鏈接：https://arxiv.org/pdf/2601.09668

一、從GUI感知到視覺識別和推理，Step3-VL-10B思路清晰

階躍星辰在官方公眾號里放出了Step3-VL-10B在多模推理能力方面的真實案例。

首先是關于摩爾斯編碼的推理，可以看到模型的思考過程思路清晰，先拆解字母再逐個查表，最后拼接，流程正確，并且對大部分字母如S、T、E、F、U、N的定位和編碼描述準確。

其次是GUI感知能力，模型需要識別標簽頁中以章節開頭.tex結尾的文件標簽，可以看到其思考過程采用了識別標簽、排除非目標、統計數量的步驟進行了準確分析，并有效規避了干擾選項。

第三個是關于圖推理的案例，模型需要在連線非常復雜的圖片中準確識別中長度最短的圖有幾條，從思考過程可以看到，其先確認了最小權重的邊長度是1，然后再統計所有權重為1的邊。

二、拿下開源SOTA，數學競賽測試題超94分

Step3-VL-10B具備三大核心亮點：

視覺感知精度更高：在同參數量級中展現出頂尖的識別與感知精度，研究人員為其引入PaCoRe（并行協調推理）機制，模型在復雜計數、高精度OCR及空間拓撲理解等高難度任務上的可靠性提升。

深層邏輯推演與長程推理：得益于規模化強化學習（RL）的持續迭代，Step3-VL-10B在10B規模上能應對競賽級數學難題、真實編程環境、視覺邏輯謎題。

端側Agent交互：基于海量GUI（圖形用戶界面）專用預訓練數據，模型能夠精準識別并操作復雜界面。

階躍星辰公開的多模態基準測試結果顯示，Step3-VL-10B是10B參數類別中最強大的開源模型。

具體來看，在多模態推理能力上，Step3-VL-10B在部分測試集上超越了GLM-4.6V、Qwen3-VL等模型，其性能優于10倍至20倍大的模型。

數學能力方面，該模型在AIME 25/24等數學競賽測試題上得分超過94分，這意味著其在邏輯嚴密性上甚至優于許多千億級模型。

2D、3D空間推理能力上，模型在BLINK上表現出66.79%的涌現式空間意識，在All-Angles-Bench上達到57.21%，意味著該模型在具身智能應用方面具有強大的潛力。

最后是編程能力，在真實、動態編程環境下，Step3-VL-10B超越GLM-4.6V、Qwen3-VL等模型。

此外，該模型的開源主頁顯示，研究人員在Qwen3VL-8B相關的基準測試中出現了不準確數據，例如AIME、HMMT、LCB，目前正在修復。這些錯誤是由于其在大規模評估過程中max_tokens設置錯誤造成，他們將重新運行測試，并在下一版技術報告中提供修正后的數據。

三、從感知到推理雙提升，三大關鍵設計加持

該模型的論文提到，Step3-VL-10B的性能突破得益于三個關鍵設計：

一是在高質量多模態語料庫上進行統一預訓練：研究人員采用單階段、完全解凍的訓練策略，在1.2T token的多模態語料庫上進行訓練，重點關注兩大基礎能力：推理和感知，例如通用知識和教育中心任務等推理能力，定位、計數、OCR和GUI交互等感知能力。

通過聯合優化感知編碼器和Qwen3-8B解碼器，STEP3-VL-10B建立了內在的視覺-語言協同效應。

二是縮放多模態強化學習：通過一個嚴格的后訓練流程解鎖了前沿能力，該流程包括兩階段監督微調（SFT）以及超過1400次的強化學習迭代，結合可驗證獎勵（RLVR）和人類反饋（RLHF）。

三是并行協調推理機制：研究人員采用并行協調推理（PaCoRe），支持推理階段的動態算力擴展。通過并行探索多個感知假設并進行多維證據聚合，該機制顯著提升了模型在競賽級數學、復雜OCR識別、精準物體計數及空間拓撲推理中的準確度。

階躍星辰的官方公眾號提到，得益于“三位一體”架構，Step3-VL-10B證明智能水平并不完全取決于參數規模。這也意味著：世界一流的多模態能力有望以更低成本、更少算力獲得；與此同時，過去主要集中在云端超級智能將逐步向端側下沉，推動終端走向“主動理解與可執行交互”。

結語：Step3-VL-10B或成端側AI新選擇

從Step3-VL-10B的實測可以看出，該模型憑借10B輕量化參數體量，通過高質量多模態語料統一預訓練、千余次強化學習迭代及并行協調推理機制，實現了對超大規模模型的跨級性能追趕。

并且具體到GUI交互、精準計數、競賽級數學推理等任務，該模型也展現出較大應用潛力，未來有望降低在工業質檢、本地文檔分析、基層醫療輔助等場景的部署門檻。