如何用百亿参数的模型，实现媲美千亿级巨头的多模态推理能力？阶跃星辰发布的STEP3-VL-10B模型给出了答案。它通过创新的预训练策略和推理机制，在多项硬核基准测试中表现出色，为高效多模态模型的发展提供了新的技术路径和实践参考。
智能速览
10B参数模型在MathVision等多项评测中超越百亿级大模型。
采用1.2T多模态语料进行全参数解冻预训练，建立深层视觉语言协同。
引入并行协调推理机制，有效提升复杂视觉逻辑处理能力。
通过超1000次强化学习迭代，显著增强高难度数学推理表现。
精华内容
这款模型的成功并非偶然，其背后是多项核心技术突破的共同作用。下面将深入剖析其实现高效与强大能力的关键所在。
性能对标顶尖
STEP3-VL-10B的核心亮点在于其卓越的性能表现。尽管仅有10B参数量，但在多项权威基准测试中，它展现出了与更大规模模型相抗衡的实力。具体而言，该模型在MMMU基准上取得了80.11%的得分，在MM-Bench上更是高达92.2%。
尤为突出的是其在高难度推理任务中的表现，MathVision得分75.95%，AIME2025竞赛题得分94.43%。这些数据表明，一个经过精心设计的百亿级模型，完全有能力在部分指标上超越参数量达其10到20倍的千亿级开源模型（如GLM-4V-106B）及部分前沿闭源模型（如Gemini 2.5 Pro）。
高效预训练策略
如此强大的能力源于其高效的预训练策略。研究团队采用了单阶段、全参数解冻的方式进行预训练，这在模型设计上是一种统一且彻底的优化。他们在海量的1.2T高质量多模态语料上，同时优化感知编码器与解码器。
这种做法使得模型在预训练初期就能建立视觉与语言之间的深层协同效应。因此，模型在OCR文字识别、GUI交互理解以及遵循复杂指令等需要视觉与语言紧密结合的任务上，表现尤为出色。
创新推理机制
为了解决视觉感知任务中推理链条过短或断裂的问题，研究团队引入了名为“并行协调推理”的创新机制。该机制允许模型在面对复杂视觉信息时，并行生成多个不同的理解假设，并进行交叉验证。
通过这种方式，原本隐含在模型内部的视觉处理过程被显性化，有效扩展了推理时的计算深度，从而显著增强了模型处理复杂视觉逻辑关系和长链推理任务的能力，是其性能超越预期的关键之一。
规模化强化学习
在后训练阶段，大规模强化学习的应用是模型能力再次跃升的催化剂。团队进行了超过1000次的强化学习迭代，结合可验证的奖励信号与人类反馈，对模型进行持续精调。
这种规模化的实践，特别是针对数学推理等需要严谨逻辑的任务，起到了至关重要的作用。正是通过这种方式，模型才得以在AIME2025这类极高难度的数学竞赛题上取得接近95%的惊人准确率，证明了其在深度推理方面的强大潜力。
STEP3-VL-10B的出现，有力地证明了模型规模并非决定性能的唯一因素。通过创新的架构设计和训练方法，小模型也能爆发出巨大能量。这不仅为研究者提供了一个强大的开源基线，也引发了业界对于未来AI模型发展方向的深入思考：效率和智能的平衡点究竟在哪里？
关键评论
对AIME2025高达94.43%的分数感到惊讶。
部分网友更关注实际使用效果，对评测数据持观望态度。
有用户反馈在部署时遇到了技术问题。
