Flash-Einführungen läuten eine Revolution in der Effizienz von Agenten ein
Heute ist der Tag der offiziellen Veröffentlichung von Step3.7Flash. Dieses Open-Source-Modell wurde speziell entwickelt, um die zentralen Herausforderungen des „Agent-Zeitalters“ zu bewältigen, darunter die Steigerung der Effizienz, die Gewährleistung der Zuverlässigkeit und die Verbesserung der multimodalen Verarbeitungsfähigkeiten. Da es unter einer Open-Weights-Modelllizenz (Apache 2.0) veröffentlicht wurde, hat es in der Branche schnell große Beachtung gefunden.

Hervorragende Benchmark-Ergebnisse und starke praktische Leistung
Step3.7Flash hat bei einer Vielzahl wichtiger Bewertungstests eine außergewöhnliche Leistung gezeigt:
Erster Platz bei ClawEval-1.1 mit 67,1 Punkten
Erster Platz bei SimpleVQA Search mit 79,2 Punkten
Zweiter Platz bei SWE-PRO mit 56,3 Punkten
Eine Punktzahl von 95,3 bei den V*-Python-Bewertungen
Diese Ergebnisse bestätigen seinen starken Wettbewerbsvorteil bei komplexen Anwendungsfällen wie Agenten-Aufgaben, Codegenerierung und visuellen Suchanwendungen.
Optimierte Parameter: Abwägung von Geschwindigkeit, Kosten und Leistung
Step3.7Flash wurde speziell für Agentic-, Programmier-, Such- und multimodale Workflows entwickelt und hat erhebliche Fortschritte bei Geschwindigkeit und Effizienz erzielt:
Rechengeschwindigkeit: Bis zu 400 TPS
Architektur: 198B spärliche MoE-Struktur mit ca. 11B aktiven Parametern
Kontextlänge: Unterstützt bis zu 256.000 Zeichen
Inferenzebene: Bietet drei verschiedene Ebenen der Inferenztiefe
Bei gleichbleibend hoher Leistung senkt dieses Modell zudem die tatsächlichen Bereitstellungskosten und ist damit eine effiziente Wahl für Entwickler.
Multimodales Verständnis kombiniert mit zuverlässiger Ausführung – ermöglicht so wirklich „Sehen und Handeln“
Das herausragendste Merkmal von Step3.7Flash ist seine robuste „Perception-Action-Loop“-Fähigkeit. Es kann Benutzeroberflächen, Diagramme, Dokumente und Bilder interpretieren und anschließend automatisch Code generieren oder Tools aufrufen, um die erforderlichen Aktionen auszuführen.
Darüber hinaus ermöglicht seine erweiterte visuelle Web+-Suchfunktion den Zugriff auf ein breiteres Spektrum an Informationsquellen und unterstützt detailliertere Folgeabfragen. Die Zuverlässigkeit von Tool-Aufrufen wurde ebenfalls erheblich verbessert und erreicht eine Erfolgsquote von über 98 % über alle Schwierigkeitsstufen des τ²-Benchmarks hinweg, was dazu beiträgt, Probleme wie Zielabweichungen und fehlgeschlagene Tool-Aufrufe zu minimieren.
Kompatibilität mit bestehenden Ökosystemen und einfache lokale Bereitstellung
Dieses Modell lässt sich gut mit gängigen Agenten-Frameworks wie Claude Code, KiloCode, Hermes Agent und OpenClaw sowie mit MCP-Protokollen kombinieren. Es ist zudem mit lokaler Hardware wie Mac Studio M4Max, DGX Spark und AMD AI Max+395 kompatibel, was die lokale Bereitstellung und den Einsatz in Szenarien erleichtert, in denen Datenschutz oberste Priorität hat.
Kommentar von AIbase
Verwandter Artikel
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Heute ist der Tag der offiziellen Veröffentlichung von Step3.7Flash. Dieses Open-Source-Modell wurde speziell entwickelt, um die zentralen Herausforderungen des „Agent-Zeitalters“ zu bewältigen, darunter die Steigerung der Effizienz, die Gewährleistung der Zuverlässigkeit und die Verbesserung der multimodalen Verarbeitungsfähigkeiten. Da es unter einer Open-Weights-Modelllizenz (Apache 2.0) veröffentlicht wurde, hat es in der Branche schnell große Beachtung gefunden.

Hervorragende Benchmark-Ergebnisse und starke praktische Leistung
Step3.7Flash hat bei einer Vielzahl wichtiger Bewertungstests eine außergewöhnliche Leistung gezeigt:
Erster Platz bei ClawEval-1.1 mit 67,1 Punkten
Erster Platz bei SimpleVQA Search mit 79,2 Punkten
Zweiter Platz bei SWE-PRO mit 56,3 Punkten
Eine Punktzahl von 95,3 bei den V*-Python-Bewertungen
Diese Ergebnisse bestätigen seinen starken Wettbewerbsvorteil bei komplexen Anwendungsfällen wie Agenten-Aufgaben, Codegenerierung und visuellen Suchanwendungen.
Optimierte Parameter: Abwägung von Geschwindigkeit, Kosten und Leistung
Step3.7Flash wurde speziell für Agentic-, Programmier-, Such- und multimodale Workflows entwickelt und hat erhebliche Fortschritte bei Geschwindigkeit und Effizienz erzielt:
Rechengeschwindigkeit: Bis zu 400 TPS
Architektur: 198B spärliche MoE-Struktur mit ca. 11B aktiven Parametern
Kontextlänge: Unterstützt bis zu 256.000 Zeichen
Inferenzebene: Bietet drei verschiedene Ebenen der Inferenztiefe
Bei gleichbleibend hoher Leistung senkt dieses Modell zudem die tatsächlichen Bereitstellungskosten und ist damit eine effiziente Wahl für Entwickler.
Multimodales Verständnis kombiniert mit zuverlässiger Ausführung – ermöglicht so wirklich „Sehen und Handeln“
Das herausragendste Merkmal von Step3.7Flash ist seine robuste „Perception-Action-Loop“-Fähigkeit. Es kann Benutzeroberflächen, Diagramme, Dokumente und Bilder interpretieren und anschließend automatisch Code generieren oder Tools aufrufen, um die erforderlichen Aktionen auszuführen.
Darüber hinaus ermöglicht seine erweiterte visuelle Web+-Suchfunktion den Zugriff auf ein breiteres Spektrum an Informationsquellen und unterstützt detailliertere Folgeabfragen. Die Zuverlässigkeit von Tool-Aufrufen wurde ebenfalls erheblich verbessert und erreicht eine Erfolgsquote von über 98 % über alle Schwierigkeitsstufen des τ²-Benchmarks hinweg, was dazu beiträgt, Probleme wie Zielabweichungen und fehlgeschlagene Tool-Aufrufe zu minimieren.
Kompatibilität mit bestehenden Ökosystemen und einfache lokale Bereitstellung
Dieses Modell lässt sich gut mit gängigen Agenten-Frameworks wie Claude Code, KiloCode, Hermes Agent und OpenClaw sowie mit MCP-Protokollen kombinieren. Es ist zudem mit lokaler Hardware wie Mac Studio M4Max, DGX Spark und AMD AI Max+395 kompatibel, was die lokale Bereitstellung und den Einsatz in Szenarien erleichtert, in denen Datenschutz oberste Priorität hat.
Kommentar von AIbase
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des





Heim






