StepFun · 2026-03 · Sparsames MoE

Step-3.5-Flash

Step-3.5-Flash ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von StepFun im 2026-03, mit 45 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 262,144 Tokens.

Schichtstapel

Attention ×12 Gleitendes Fenster ×33 · Schichten 45

Kernfakten

LaborStepFun
Veröffentlicht2026-03
Parameter196 Mrd.
Aktiv11 Mrd.
Kontext262,144 tokens
AttentionMHA (64:64)
Schichten45
Hidden-Dim.4,096
Attention-Köpfe64
Vokabular128,896
PositionscodierungRoPE
Normierung
Aktivierung
Präzisionbf16
ArchitekturklasseStep3p5ForCausalLM

Architekturüberblick

t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 128,896 → Hidden-Dim. 4,096 Q1 Q2 Q3 Qn KV1 KV2 KV3 KVn Attention-Köpfe 64 KV-Köpfe 64 head dim 128 · RoPE Router E1 E2 E3 E4 E5 E6 E7 E8 +280… Geteilter Experte ×1 Top-8 von 288 Experten · ≈ 11 Mrd. Parameter pro Token aktiv × 45 Transformer-Block Attention FFN / MoE pre-norm Finale Norm · LM head → Vokabular 128,896 p p p → nächstes Token MTP ×3 → +3 zukünftige Tokens Positionscodierung RoPE Präzision BF16 Kontext 256K tok
Gezeichnet nach der mitgelieferten config.json · 45 Schichten / Breite 4,096 / Kontext 262,144. Originaldiagramm dieses Atlas.

Attention

Multi-Head-Attention (MHA) — 64 q-heads / 64 kv-heads. RoPE θ=NaN.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 288 gerouteten Experten und Top-8-Routing; etwa 11 Mrd. Parameter sind pro Token aktiv.

Die Konfiguration enthält 3 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.

Feldweiser Vergleich

Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.

Vollfeldvergleich mit dem Vorgänger Step-3
ModellStep-3.5-FlashStep-3Ratio
model_typestep3p5step3_vl
architecturesStep3p5ForCausalLMStep3VLForConditionalGeneration
hidden_size40967168×0.571
num_hidden_layers4561×0.738
num_attention_heads6464≈1
head_dim128256×0.500
intermediate_size1126418432×0.611
moe_intermediate_size12805120×0.250
rope_theta5000000.0×12 + 10000.0×36500000
max_position_embeddings262144
sliding_window512
vocab_size128896128815≈1
torch_dtypebfloat16bfloat16
num_nextn_predict_layers3
yarn_only_typesfull_attention×1
max_seq_len26214465536×4.00
use_qk_normtrue
moe_layers_enum3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,444,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59
num_attention_groups81×8.00
use_moetrue
moe_num_experts28848×6.00
moe_top_k83×2.67
share_expert_dim12805120×0.250
moe_layer_offset0
moe_every_n_layer1
norm_expert_weighttruefalse

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

41 Felder
architecturesStep3p5ForCausalLM
model_typestep3p5
yarn_only_typesfull_attention×1
hidden_size4096
intermediate_size11264
num_hidden_layers45
max_seq_len262144
vocab_size128896
torch_dtypebfloat16
use_qk_normtrue
moe_layers_enum3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44
num_attention_heads64
num_attention_groups8
head_dim128
use_moetrue
moe_num_experts288
moe_top_k8
moe_intermediate_size1280
share_expert_dim1280
moe_layer_offset0
moe_every_n_layer1
norm_expert_weighttrue
moe_router_activationsigmoid
moe_router_scaling_factor3
att_impl_typeGQA
tie_word_embeddingsfalse
rope_theta5000000.0×12 + 10000.0×36
use_head_wise_attn_gatetrue
sliding_window512
use_moe_router_biastrue
need_fp32_gatetrue
sinkfalse
layer_typesfull_attention×12 + sliding_attention×36
num_nextn_predict_layers3
partial_rotary_factors0.5×12 + 1.0×36
eos_token_id1×1 + 2×1 + 128007×1
bos_token_id0
swiglu_limits0.0×46 + 7×2
swiglu_limits_shared0.0×47 + 16×1
zero_centeredtrue
max_position_embeddings262144