StepFun · 2026-03 · MoE sparsa

Step-3.5-Flash

Step-3.5-Flash è un Transformer a attention multi-head (MHA) pubblicato da StepFun nel 2026-03, con 45 strati, dimensione nascosta 4096 e una finestra di contesto di 262,144 token.

Pila di strati

Attention ×12 Finestra scorrevole ×33 · Strati 45

Dati chiave

LaboratorioStepFun
Pubblicazione2026-03
Parametri196 mld
Attivi11 mld
Contesto262,144 tokens
AttentionMHA (64:64)
Strati45
Dim. nascosta4,096
Teste di attention64
Vocabolario128,896
Codifica posizionaleRoPE
Normalizzazione
Attivazione
Precisionebf16
Classe architetturaleStep3p5ForCausalLM

Panoramica dell'architettura

t₁ t₂ t₃ t₄ token di ingresso Embedding · Vocabolario 128,896 → Dim. nascosta 4,096 Q1 Q2 Q3 Qn KV1 KV2 KV3 KVn Teste di attention 64 Teste KV 64 head dim 128 · RoPE Router E1 E2 E3 E4 E5 E6 E7 E8 +280… Esperto condiviso ×1 top-8 su 288 esperti · ≈ 11mld parametri attivi per token × 45 blocco transformer Attention FFN / MoE pre-norm Normalizzazione finale · LM head → Vocabolario 128,896 p p p → token successivo MTP ×3 → +3 token futuri Codifica posizionale RoPE Precisione BF16 Contesto 256K tok
Disegnato dal config.json distribuito · 45 strati / larghezza 4,096 / contesto 262,144. Schema originale di questo atlante.

Attention

attention multi-head (MHA) — 64 q-heads / 64 kv-heads. RoPE θ=NaN.

FFN / MoE

È un mixture-of-experts sparso con 288 esperti instradati e routing top-8; circa 11 milioni di parametri sono attivi per token.

La configurazione include 3 strati extra di predizione multi-token (MTP) usati per accelerare il decodice.

Confronto campo per campo

Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.

Confronto completo con il predecessore Step-3
ModelloStep-3.5-FlashStep-3Rapporto
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

Architetture più simili

I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).

Campi grezzi del config.json

41 campi
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