StepFun · 2026-05 · MoE sparsa · Multimodale

Step-3.7-Flash

Step-3.7-Flash è un Transformer a attention multi-head (MHA) pubblicato da StepFun nel 2026-05, 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
Pubblicazione2026-05
Parametri198 mld
Attivi11 mld
Contesto262,144 tokens
AttentionMHA
Strati45
Dim. nascosta4,096
Teste di attention64
Vocabolario128,896
Codifica posizionaleRoPE
Normalizzazione
Attivazione
Precisionebf16
Classe architetturaleStep3p7ForConditionalGeneration

Panoramica dell'architettura

Ingresso vision → token t₁ t₂ t₃ t₄ token di ingresso Embedding · Vocabolario 128,896 → Dim. nascosta 4,096 Q1 Q2 Q3 Qn KV1 Teste di attention 64 Teste KV — 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 Vision ⇢ token
Disegnato dal config.json distribuito · 45 strati / larghezza 4,096 / contesto 262,144. Schema originale di questo atlante.

Attention

attention multi-head (MHA). 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-3.5-Flash
ModelloStep-3.7-FlashStep-3.5-FlashRapporto
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

Architetture più simili

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

Campi grezzi del config.json

49 campi
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