模型介绍
中文整理STEP3-VL-10B 模型卡片
Model use case
STEP3-VL-10B 是一款轻量级开源基础模型，旨在重新定义紧凑效率与前沿多模态智能之间的权衡。尽管参数规模仅为 10B，该模型在视觉感知、复杂推理和以人为中心的对齐方面表现出色。该模型持续超越 10B 参数规模以下的模型，并可媲美或超越显著更大的开源模型（10倍至20倍参数规模），如 GLM-4.6V、Qwen3-VL-Thinking 以及 Gemini 2.5 Pro 和 Seed-1.5-VL 等顶级专有模型。
主要能力
STEM 推理：在 AIME2025 上达到 94.43%，在 MathVision 上达到 75.95%（使用 PaCoRe 模式），展现出超越 10 倍至 20 倍参数规模模型的复杂推理能力。
视觉感知：在 MMBench 上达到 92.05%，在 MMMU 上达到 80.11%，建立了强大的通用视觉理解和多模态推理能力。
图形用户界面与光学字符识别：在 ScreenSpot-V2 上达到 92.61%，在 ScreenSpot-Pro 上达到 51.55%，在 OCRBench 上达到 86.75%，为智能体和文档理解任务进行了优化。
空间理解：在 BLINK 上达到 66.79%，在 All-Angles-Bench 上达到 57.21%，展现出新兴的空间感知能力，为具身智能应用提供了强大潜力。
输入输出
输入：多模态输入，支持图像和文本。
输出：文本输出。
运行要求
模型权重：20 GB
运行时开销：约 4 GB
最低显存要求：24 GB（如 RTX 4090 或 A100）
推荐开发环境：Python 3.10，PyTorch 2.1.0 以上，Transformers 4.57.0 以上。
仅支持 bf16 推理。
基本用法
该模型支持多种部署方式：
使用 Hugging Face Transformers 进行推理：推荐使用 python=3.10、torch>=2.1.0 和 transformers=4.57.0 作为开发环境。默认支持多patch图像预处理。
使用 vLLM 部署：需要 vLLM 版本 >= 0.14.0rc2.dev143+gc0a350ca7。部署时必须添加 --trust-remote-code 参数。
使用 SGLang 部署：支持 OpenAI 兼容 API。
推理模式说明：
SeRe（顺序推理）：标准推理模式，使用顺序生成（思维链），最大长度为 64K tokens。
PaCoRe（并行协调推理）：高级模式，通过聚合 16 个并行 rollout 的证据来合成最终答案，最大上下文长度为 128K tokens。
限制
基准测试说明：Qwen3VL-8B 基准测试（如 AIME、HMMT、LCB）存在不准确问题，原因是评估过程中错误地将 max tokens 设置为 32K。团队正在重新运行测试，将在下一版技术报告中提供修正后的数据。
许可证
本项目基于 Apache 2.0 许可证开源。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。