阶跃Step-3发布：国产SOTA模型重塑多模态推理，成本效率新纪元

type

status

date

slug

summary

性能与成本双突破：Step-3如何定义新SOTA

Step-3的登场可谓“出道即巅峰”。它在MMMU、AIME25等多个涵盖数学、代码及多模态推理的权威榜单中，均取得了开源模型的最佳成绩。这背后是其强大的性能支撑。

极致的解码速度：在Hopper GPU上，Step-3的解码吞吐量峰值达到了惊人的4039 token/秒，这一速度是同为MoE架构的DeepSeek-V3的174%，为大模型推理设定了全新的性能标杆。

颠覆性的成本控制：最引人注目的莫过于其极致的性价比。官方数据显示，在使用H20+H800的异构计算集群时，Step-3处理百万Token的解码成本低于0.055美元，折合人民币不足4毛钱。这一成本仅为DeepSeek-V3的80%，甚至在特定配置下（如32K上下文长度、H20计算卡）可低至其30%。

这种性能与成本的完美平衡，使得高性能大模型的应用门槛被前所未有地拉低，为AI变现和大规模商业化部署提供了坚实的基础。

核心揭秘：模型-Infra协同设计的力量

Step-3之所以能实现如此卓越的能效比，其核心秘诀在于采用了创新的“模型-Infra协同设计”理念。团队没有将模型算法和底层系统割裂开来独立优化，而是将它们视为一个统一的整体进行联合设计。

这一理念主要通过两大技术创新实现：

MFA（多矩阵因子分解）注意力机制：这是阶跃星辰自研的注意力算法。它通过在Query-Key路径上进行低秩分解，并让多个查询头共享Key/Value表示，从根本上压缩了推理过程中最占资源的KV缓存。与传统的稀疏注意力不同，MFA经过精心调校，使其算力-带宽比刚好适配主流GPU的硬件特性，确保在不同类型的计算卡上都能实现极高的利用率。

AFD（注意力-FFN分离）机制：在系统层面，传统模型推理会将Attention和FFN（前馈网络）的计算任务捆绑在同一组GPU上，常常导致部分资源闲置。AFD机制则创造性地将这两类计算任务“解耦”，并将它们分别调度到最适合其计算特性的GPU集群上。通过自研的StepMesh通信库，数据在不同集群间高效流转，实现了流水线并行，最大化了整个集群的吞吐量。

这种软硬件一体化的深度优化，是Step-3能够“跑得又快又省”的关键所在。

MoE架构的巧妙运用：321B参数的轻盈之道

Step-3是一个拥有48个专家的混合专家（MoE）模型，总参数量高达321B。然而，在实际推理时，模型仅激活其中的3个专家，激活参数量仅为38B。

MoE架构的优势在于，它允许模型在拥有巨大知识储备（总参数量）的同时，保持较低的单次推理计算成本（激活参数量）。这是一种“用大规模换取高质量，用稀疏激活换取高效率”的策略，使得运行一个数百亿参数的庞然大物变得异常轻盈。Step-3的成功，再次证明了MoE是通往更强大、更高效人工智能模型的重要路径。

国产开源力量崛起：重塑全球AI格局

值得注意的是，Step-3的开源并非个例。如今，Hugging Face等全球主流的AI模型榜单前列，已然被来自中国的模型占据主导地位。从智谱的GLM系列、阿里的Qwen系列，到腾讯的混元，再到如今的阶跃Step-3，国产大模型正以一种“集团军”的姿态，引领着全球开源AI生态的发展。

更重要的是，这些厂商纷纷选择将自家的王牌模型直接开源，而非遵循“发布N代，开源N-1代”的传统策略。这种开放和自信，极大地加速了全球AI技术的创新与普及，让更多人能够接触和使用最前沿的AI技术。

总而言之，阶跃Step-3的发布，不仅为多模态领域带来了新的SOTA，更重要的是，它通过模型与基础设施的协同设计，为解决大模型“能力越强、成本越高”的困境提供了全新的解题思路。

想要获取更多关于ChatGPT、Claude等模型的前沿AI日报和深度分析，探索如何利用Prompt（提示词）发挥AI的最大潜能，欢迎访问AI门户网站 https://aigc.bar，与我们一同见证AGI的未来。