StepFun · 2026-05 · Sparsames MoE · Multimodal

Step-3.7-Flash

Step-3.7-Flash ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von StepFun im 2026-05, mit 45 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 262,144 Tokens.

Schichtstapel

Attention ×12 Gleitendes Fenster ×33 · Schichten 45

Kernfakten

LaborStepFun
Veröffentlicht2026-05
Parameter198 Mrd.
Aktiv11 Mrd.
Kontext262,144 tokens
AttentionMHA
Schichten45
Hidden-Dim.4,096
Attention-Köpfe64
Vokabular128,896
PositionscodierungRoPE
Normierung
Aktivierung
Präzisionbf16
ArchitekturklasseStep3p7ForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 128,896 → Hidden-Dim. 4,096 Q1 Q2 Q3 Qn KV1 Attention-Köpfe 64 KV-Köpfe — 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 Vision ⇢ token
Gezeichnet nach der mitgelieferten config.json · 45 Schichten / Breite 4,096 / Kontext 262,144. Originaldiagramm dieses Atlas.

Attention

Multi-Head-Attention (MHA). 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-3.5-Flash
ModellStep-3.7-FlashStep-3.5-FlashRatio
model_typestep3p7step3p5
architecturesStep3p7ForConditionalGenerationStep3p5ForCausalLM
hidden_size40964096≈1
num_hidden_layers4545≈1
num_attention_heads6464≈1
head_dim128128≈1
intermediate_size1126411264≈1
moe_intermediate_size12801280≈1
rope_theta5000000.0×12 + 10000.0×365000000.0×12 + 10000.0×36
max_position_embeddings262144262144≈1
sliding_window512512≈1
vocab_size128896128896≈1
torch_dtypebfloat16bfloat16
num_nextn_predict_layers33≈1
im_end_token<im_end>
im_patch_token<im_patch>
im_start_token<im_start>
image_token_len169
patch_token_len81
image_token_id128001
understand_projector_stride2
use_im_start_endtrue
vision_select_layer-1
projector_biasfalse
yarn_only_typesfull_attention×1full_attention×1
max_seq_len262144262144≈1

Strukturell ähnlichste Modelle

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

Rohe Config-Felder

49 Felder
architecturesStep3p7ForConditionalGeneration
model_typestep3p7
im_end_token<im_end>
im_patch_token<im_patch>
im_start_token<im_start>
image_token_len169
patch_token_len81
image_token_id128001
understand_projector_stride2
use_im_start_endtrue
vision_select_layer-1
projector_biasfalse
yarn_only_typesfull_attention×1
hidden_size4096
intermediate_size11264
num_hidden_layers45
max_seq_len262144
max_position_embeddings262144
vocab_size128896
torch_dtypebfloat16
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
use_mfafalse
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
num_nextn_predict_layers3
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
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_shared0.0×46 + 16×2