阶跃星辰开源的Step3-VL-10B模型以10B轻量参数在多项基准测试中超越10-20倍规模的大模型，通过三大关键技术实现性能突破，为端侧AI应用带来新可能。
智能速览
10B参数模型性能媲美20倍规模的GLM-4.6V、Qwen3-VL等大模型
在数学竞赛测试题上得分超过94分，超越许多千亿级模型
通过PaCoRe机制提升复杂计数、高精度OCR及空间拓扑理解能力
三大关键设计：统一预训练、缩放多模态强化学习、并行协调推理
支持GUI操作、复杂文档解析、高精度计数等端侧复杂任务
精华内容
这款轻量级模型的突破性表现，证明智能水平并不完全取决于参数规模，而是源于精心的技术设计和训练策略。
性能表现亮眼
Step3-VL-10B在多模态推理能力上，部分测试集超越了GLM-4.6V、Qwen3-VL等模型，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，逻辑严密性甚至优于许多千亿级模型。
在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%，显示其在具身智能应用方面的强大潜力。编程能力方面，在真实、动态编程环境下，Step3-VL-10B同样超越了GLM-4.6V、Qwen3-VL等模型。
三大关键技术
首先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，重点关注推理和感知两大基础能力。
其次是缩放多模态强化学习。通过严格的后训练流程解锁前沿能力，包括两阶段监督微调以及超过1400次的强化学习迭代，结合可验证奖励和人类反馈。
第三是并行协调推理机制(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，显著提升了模型在竞赛级数学、复杂OCR识别等任务中的准确度。
实际应用案例
在摩尔斯编码推理案例中，模型展现出清晰的思考过程：先拆解字母再逐个查表，最后拼接，流程正确且对大部分字母的定位和编码描述准确。
GUI感知能力测试中，模型能够准确识别标签页中以章节开头.tex结尾的文件标签。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准确分析，有效规避了干扰选项。
图推理案例显示，模型能够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边，先确认最小权重的边长度是1，再统计所有权重为1的边。
端侧AI新机遇
Step3-VL-10B的轻量化特性意味着手机、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。这为终端设备走向’主动理解与可执行交互’提供了技术基础。
该模型的应用潜力主要集中在工业质检、本地文档分析、基层医疗辅助等场景，有望大幅降低这些场景的部署门槛。通过更低的成本和更少的算力，实现世界一流的多模态能力。
Step3-VL-10B的成功证明了参数规模并非决定AI性能的唯一因素，精心设计的技术架构和训练策略同样重要。这一突破或将重塑端侧AI的发展格局，让更多设备具备强大的多模态理解能力。
关键评论
10B模型性能是否真能在消费级显卡上运行？
硬件厂商缺乏动力推动端侧AI发展令人遗憾
