6天连发6模型，阶跃稳稳蝉联多模态卷王

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

我勒个老天奶，大模型六小强之一的阶跃星辰，给大家拜早年的方式可真不一样——

6天之内，库库连发6个模型。

大秀自家语言、语音、推理、图片理解、视频生成等多个类别的模型肌肉。

年前如此密集地发布新模型，虽然心疼阶跃程序员的头发们1秒，但很快意识到他们打的是有准备的仗：

早在去年3月正式亮相之前，就语言模型和多模态模型双管齐训，此后一直在多模态方面稳扎稳打；1个月前，官宣拿到了2024年的第n笔融资，数额为数亿美元；于是也很顺理成章的，在迎接蛇年之际，亮出了自己同时修的6个模型、“五个学位”。

感慨一下，无论从速度还是覆盖程度，阶跃这一波都能称得上一句“国内基模制造工厂”。

而且！稍微眼尖一点就能发现，这家伙似乎铆足了劲要当多模态卷王——

虽然新模型多到让人眼花缭乱，但咱一眼就看出来了，最出彩拔尖的，还是多模态模型。

最直接的证据就是多模态模型Step-1o系列，开年又拿下新排位，勇夺多模态模型评测实时榜单OpenCompass，及大模型竞技场最新多模态榜单中国第一。

至于此次炮轰式上新的具体情况——无论是模型种类、数量还是质量——咱们都拉出来溜溜。

也方便一起更清晰地感知感知，2025年开年，阶跃在AGI路上第一波加速狂奔，到底怎么样。

6款模型密集上新，阶跃全面布局基模矩阵

截至推送发出，阶跃已经是业内模型矩阵最全面的公司之一。

全面两个字，何以见得？

6款模型，包括语言、语音、推理、图片理解、视频生成：

• 视觉版多模态模型Step-1o Vision
• 语音模型Step-1o Audio
• 视频生成模型Step-Video
• 推理模型Step R-mini
• 语言模型Step-2 mini
• 语言模型Step 文学大师版

至此，阶跃的基座模型矩阵已经覆盖了从语言、多模态到推理的全面能力；其中的推理模型是阶跃自研Step系列模型家族的首个推理模型，完成了阶跃基模界“六边形战士”的最后一块拼图。

不过，「全方位发力」是否意味着有真材实料，高举高打？咱们一一来看。

p.s.先叠个甲，以下模型按量子位随机实测顺序排列，不分重量级与先后（doge）。

咱选择先从多模态Step-1o系列开头。

多模态系列：视觉版多模态模型Step-1o Vision

阶跃的多模态之路始于2023年11月，千亿参数的多模态大模型Step-1V训练告成。

次年，Step-1V就在大模型竞技场位列视觉领域中国大模型第一，后来又接二连三在各种海内外榜单上多次霸榜。

可以说，「强多模态能力」成为了阶跃身上烙下的一个鲜明tag。

而其旗下多模态的主系列，也从Step-1V迭代到了Step-1o。

相比于1v系列，1o系列升级了模型架构，让视觉性能up up，同时实现在视觉识别、感知、指令跟随、推理等任务的能力提升。

这次密集连发，Step-1o系列全新发布了多模态理解模型 Step-1o Vision，升级语音模型 Step-1o Audio。

先说前者，多模态视觉模型Step-1o Vision。

值得一提的是，这款模型刚推出，就在大模型竞技场最新榜单上一战成名。

1月20日，Lmsys Org发布大模型竞技场最新榜单，Step-1o Vison榜上有名，是当下中国视觉领域大模型top 1。

具体而言，Step-1o Vision是阶跃最新多模态模型Step-1o的视觉版本。

在Step-1o的基础上，Step-1o Vision百尺竿头更进一步，官方称“识别图像内容更准确（哪怕是复杂场景或相似图片）”，“能识别图中的多种语言”。

实战看看实力！

识别图像第一关，图像理解——

最近小红书上中外网友疯狂一起搞抽象的事情，想必大家都知道了，有的人肯定深度参与了（盯.gif）。

我们从搞抽象的评论区，选了一张歪果仁们还不一定学会了的中式meme图，来考考Step-1o Vision。

但跃问没有犹豫，直接回答正确，算它功德+1。

识别图像第二关，根据图片内容进行推理——

Prompt言简意赅：

从里面取出一瓶矿泉水，需要几步?

附带的图片从侧面拍摄，一定程度上提升了难度。

而且咱们挖了坑，既没有说从什么的里面取出矿泉水，也没说什么什么样的东西是矿泉水。

然而，Step-1o Vision对答如流。

既说明了是要从“饮料柜”里拿，也说明了矿泉水的位置所在，还正确回答了“需要几步”这一问题。

多模态系列：语音模型Step-1o Audio

紧接着说说本次Step-1o系列上新系列的第二款模型，Step-1o Audio。

语音模型其实不是阶跃Step系列的新面孔。

阶跃此前就有语音复刻和生成大模型Step-tts-mini、语音识别大模型Step-Asr；去年12月13日又官宣了名为Step-1o Audio的千亿参数端到端语音大模型，是国内首个千亿参数的端到端语音大模型。

现在，Step-1o Audio还叫这名儿。

但前后不过一个月，它已经速度飞快地升级，在情绪感知与理解、多语种和多方言、通话体验上有了新突破。

官方给的新版本亮点有仨：

• 情绪感知，识别语气语调情绪信息，并结合语境理解需求，给予恰到好处的回应；
• 多语种、多方言对话，中英文可达“同传”水平；
• 通话体验升级，低延迟、更自然、个性化。

既然宣称自己能感知情绪，那咱就来段丧气满满的牢骚。

结果很妙，Step-1o Audio它说它心疼我哎！！不仅替我埋怨诉苦，还劝我下次早起不要迟到被扣钱了。

好贴心，我哭啊。

然并卵，深受感动也没影响我们继续测试。

于是咱又秀了一段我国南方某地口音的日语，想和它切磋一番。

量子位：おはよう、あけましておめでとう！（你好，新年快乐！）

Step-1o Audio：おはよう、何かお手伝いできることはありますか？（你好，有什么可以帮你的吗～）

还怪乐于助人的。

至于整体的通话质量，如视频呈现。

没有加速，确实延迟很低，声音也很拟人，nice。

推理系列：推理模型Step R-mini

Step R-mini，全称Step Reasoner mini，是本次阶跃模型6连发里打头阵的那一个。

这也是阶跃的第一个推理模型，“擅长主动进行规划、尝试和反思，能通过慢思考和反复验证的逻辑机制”。

有了它，有了这块阶跃基模矩阵的重要拼图，才有了我们前面说阶跃是“国内基模制造工厂”这个title。

诸多Benchmark评测上，Step R-mini都还挺闪耀：

部分数学基准测试（如AIME和Math等）上，Step R-mini的成绩超过了OpenAI o1-preview，比肩OpenAI o1-mini；代码任务（如LiveCodeBench）上，Step R-mini的效果优于o1-preview。

从官方介绍中，我们还提取到一个Step R-mini的关键词：文理兼修。

这一点比较特别。

因为OpenAI o1为首开启的推理模型新赛道，着重抓的是模型的逻辑推理能力，通用性也普遍泛化在数学、代码、物理、化学等方面。

理论上来讲，增加类o1模型的训练参数规模可以提升模型的文科能力，但会因此损失确定性，造成理工科能力的下滑。总之推理模型就很难兼顾文理两个方向。

据介绍，为了让Step R-mini文理兼修，阶跃对模型进行了大规模的强化学习训练，并使用On-Policy（同策略）强化学习算法。

因此，上手体验时，量子位也从文理两方面下手。

先来一道推理题：外星人题。

在此前测试的所有大模型中，这道外星人题只有4o和o1-preview答对过。

不过，4o虽然做对了，却只是借助python代码给出了数值解：

o1就不一样了，给出完整的解析解还去掉了不符合条件的根。

看看Step R-mini这边，答题开始——

Step R-mini显示呈现了自己的完整思考过程。过程不算短，但实际体感吐出的速度是很快的。

思考完毕后，Step R-mini会把思考过程折叠起来，若有需要再手动打开查看。

（相比之下，o1不给看原始思考过程，折叠起来的是思考过程摘要；有的推理模型则是不折叠，在思考过程下面直接接输出答案）

然后再呈现给用户一个精炼版的输出：

答案正确，√2-1。

此外，Step R-mini还可以处理复杂的开发需求。

它会逐步分析用户的需求和意图，构建代码逻辑，在代码写作中穿插对当前代码片段的分析和验证，最终给到可执行的代码。

比如，短短一行出头的prompt，要它写一个AI产品订阅的页面，附带一些特定条件。

运行它写的代码，你将得到（这孩子还挺会阶梯式定价的）：

至于文科内容创作能力方面，官方介绍是酱婶的：

它会先分析用户对创作主题、文学题材的要求，然后思考处理创作角度、描绘的景物、修辞手法、内容结构，赋予事物人类情感层面的象征意义，并增加个性化的、创新的表达风格。

让咱来浅浅为难它一下。

输入prompt：

请以“挤地铁的早八人”为题，用琼瑶的文风，创作一篇800字左右的文章。

Step R-mini的思考过程，大致走了“点明琼瑶文风特色——切入视角——设定主角——氛围营造和语言表达——控制字数——排篇布局——动手开写”这么一个流程。

最后呈现出的短文，描写生动，仿佛能感觉到车厢里的暧昧流动（？），确实有琼瑶阿姨作品的味道。

共824个字，以及甚至贴心地在最后加了个关于“琼瑶文风”的小tips。

另外，阶跃在自己的公众号中明确给出了彩蛋——

除了语言推理模型，我们也在打造视觉推理模型，将推理能力融入更多交互形态的大模型中。

据官方所说，针对复杂视觉场景下的Reasoning问题，团队引入了慢感知和空间推理的思想，把Test-Time Scaling从文本空间转移到视觉空间，实现在视觉空间下的Spatial-Slow-Thinking。

一些阶段性成果，也小小偷跑物料了一下。

譬如让阶跃的视觉推理模型解答图中的题目：

又或者询问图中的这些小球，分别对应什么数字？

从Demo来看表现不错，值得期待一波。

何况阶跃是拍着胸脯保证了，多模态视觉推理2025年内一定发布。

反正咱已经搬着小板凳坐好了（乖巧嗑瓜子等待.jpg）。

语言模型系列：语言模型Step 文学大师版

此次上新的6款模型中，有2款都隶属语言模型之列。

毕竟语言模型是这一波AI浪潮的起点，也是阶跃从第一天就开始布局和扎根的领域（24年3月发的语言大模型Step-2，是国内最早由创业公司发布的万亿参数大模型）。

沿Scaling Law路线，阶跃一年多来在语言模型方面成果斐然，多次在国内外权威榜单上获得中国第一。

迄今为止，语言模型简直可以算阶跃的又一传统强项艺能了（手动狗头）。

这一波升级的Step 文学大师版、Step-2 mini都脱胎于Step-2，但二者各有所长。

Step 文学大师版，是在文学创作的垂直领域体现出更强实力的那一个。

相比于其它以“数字+英文”来命名的模型，真的拥有好特别的一个名字！而且名副其实，“专为创作而生”，已经上线跃问App。

用实战说话，咱们先看它写的内容，再来揭晓prompt，看看到底贴合与否：

公布答案的时刻！

我们让Step 文学大师版写故事时的要求，是“以明朝为背景创作一个悬疑小说，融入《明书·太祖载纪》的内容，带有天灾、地裂、克苏鲁等元素，第一人称”。

说起来，Step 文学大师版的文学能力，和文理兼修的Step R-mini的文科能力来源还不一样：

Step 文学大师版之所以文学修养不低、创作能力强大，是因为沿袭了万亿参数语言模型Step-2的知识储备，以及对语言生成的把控。

相信很多朋友用了AI都有一个苦恼，就是AI生成的文字内容，有的就是有股说不清道不明的AI味。

针对于此，阶跃思考其本质逻辑，是那些模型创作出来的内容缺乏锐度和新意，没有真情实感和对社会事件的描绘与思考。

而好的内容创作模型需要充分理解用户的创作需求，逻辑严密、语言凝练、言之有物、节奏紧凑，拥有深刻思想和独特的风格……

（越听越像量子位主编对编辑们的要求，xs）

因此，“继承”Step-2能力的Step 文学大师版，实际上是吃到了万亿参数语言模型的Scaling Law红利，以此提升自己语言、文字功底的基石。

语言模型系列：语言模型Step-2 mini

上新之语言模型系列的第二位，则是语言模型Step-2 mini。

相较于Step 文学大师版，它更具性价比和商用性。

顾名思义，mini，意味着这是一位敏捷的轻量级选手，阶跃官方对它的介绍是“极速响应、高性价比”。

轻量级，体现在Step-2 mini仅以万亿参数大模型Step-2的3%左右的参数量，保有其80%以上的模型性能。

极速响应，体现在Step-2 mini相比此前的阶跃模型有着更快的生成速度，输入4000 tokens的情况下，平均首字时延仅0.17秒。

高性价比，直接体现在价格上，输入为1元/百万token；输出为2元/百万token。

上述优点如果从技术实现上追根溯源，是Step-2 mini采用了阶跃自主研发的新型注意力机制架构MFA（Multi-matrix Factorization Attention，多矩阵分解注意力）及其变体 MFA-Key-Reuse。

相比于常用的MHA（Multi-Head Attention，多头注意力）架构，MFA节省了近94%的KV缓存开销，从而拥有更快的推理速度，并大幅降低了推理成本。

速度快、性价比高，使得Step-2 mini在同类竞品中的商业化场景更广泛。

友情提示，现在所有开发者盆友们，已经可以在阶跃星辰开放平台调用Step-2 mini的API了。

视频模型系列：视频生成模型Step-Video

Last one，视频生成模型Step-Video。

11月底的时候，不少网友就发现阶跃旗下「跃问」的web端，突然冒出了换个“跃问视频”的选项。

但这事儿悄悄咪咪的，低调得很符合阶跃一贯的行事作派。

想不到这一轮6连发，直接把初代视频生成模型的升级版Step-Video给放到web端可用了。

底层模型的升级点标注得很明确，是在复杂运动、美感、人物、简单文字生成、中英双语输入和镜头语言方面具备更强的生成能力。

进入后，界面很简单，没有各种可以手动调整的参数，只用输入中/英文prompt即可。

输入框右上方有一个可供选择的“描述优化”按钮。

优化程度大概是，原prompt长这样：

在外国的唐人街，到处洋溢着春节的喜气洋洋的氛围，中国面孔和外国面孔的很多路人在唐人街上走来走去，路边还有一个卖冰糖葫芦的老大爷。

优化过的prompt长这样：

在唐人街上，春节的喜气洋洋氛围中，中国面孔和外国面孔的路人来来往往。一个身穿红色上衣、灰色裤子的老大爷在路边摆摊卖冰糖葫芦，他笑眯眯地招呼着行人。阳光洒在唐人街上，照亮了红灯笼和彩旗，人们在街上品尝着美食，笑声不绝于耳。整个场景采用稳定器拍摄，画面流畅，具有纪实风格。

优化的细节包括但不限于人物外表细节、面部表情、环境背景、人物动作、运镜手法、画面风格等等。

然后量子位浅浅测了一下，主要考验的是人物形象是否更稳定和复杂运动生成是否更自然。

测试prompt如下：

视频中，一名女子身穿浅色衣服，头戴花环，专注地拉小提琴。她身处阳光下，背景是被阳光照亮的树木。视频采用特写镜头拍摄，捕捉了女子专注演奏的神情，阳光透过树叶洒在她身上，营造出一种宁静而美好的氛围。整个画面清晰，具有写实风格，展现了女子与自然环境的和谐美感。

没过多久，就get了如下视频：

视频主体的性别、衣着、神态、动作、背景、光线，都满足提示词需求。

视频质量也没毛病，人物稳定，小提琴没走样，手部作为经常出bug的生成难点也hold住了。

最后，我们再送跃问视频一题，以此结束对6款模型的所有实测。

也祝心早已不在工位上的各位，蛇年快乐发大财！

Prompt：夕夜里，一位小女孩站在四合院的院子中间，手持点燃的仙女棒，火花闪烁照亮她充满期待的脸庞，背后是贴满春联的大门和高高挂起的红灯笼，暖黄色灯光透过窗户洒在地上，营造出温馨的氛围。

差异化成生存关键，但阶跃依旧奔赴AGI

综上所述，阶跃近期6款模型走质又走量的全线出击，其特点可以清晰概括为：

布局全面，实力不俗，迭代迅速。

这样十二个字，既是对阶跃开年打法的精炼概括，也是阶跃在牌桌上稳扎稳打的优势所在。

尤其是它在农历新年到来前，又用实力秀了一波作为多模态卷王，在多模态的领域的技术持续领先性。

而且量子位在过去一年多少获悉，市场、开发者对阶跃多模态的能力还是十分认可的。

比如小而美的AI应用胃之书的开发者赵纯想就说过，AB测试下来，用阶跃的模型，付费率最高；别的一些网红AI应用也多少透露过，接入阶跃多模态模型API，实现了用户付费率的提升。

以这样的技术实力和行业口碑作为2025开年基本盘，阶跃也无惧现阶段业界悄然形成的一种共识了。

那就是以2024年末、2025年初为界，大模型竞争格局中的基座模型玩家已经步入新的篇章，下半场的洗牌之战已经吹响号角。

详细观察，可以发现诸多变化来印证这一点。

譬如有的基座模型玩家，开始转向专注在特定垂直领域进行模型研发，以精巧取胜。

有的则放弃了对超级大模型训练的执着追求，更务实地选择训练参数适中的更快、更便宜的模型，并基于此打造应用掘金。

还有的基座模型玩家开始进行战略方向上的调整，从更注重追求用户增长，转为倾向对模型与技术能力提升进行重视。

这恰恰call back了去年在坊间流传的那句话，“大模型六小强生存关键是差异化”。

然而，在这场风云变幻中，阶跃却很专情，坚定地沿着去年3月公开宣布的路线稳步前行。

即：单模态——多模态——多模理解和生成的统一——世界模型——AGI。

任凭风浪起，稳坐钓鱼台。

Read More