Flash-Einführungen läuten eine Revolution in der Effizienz von Agenten ein
Heute ist der Tag der offiziellen Veröffentlichung von Step3.7Flash. Dieses Open-Source-Modell wurde speziell entwickelt, um die zentralen Herausforderungen des „Agent-Zeitalters“ zu bewältigen, darunter die Steigerung der Effizienz, die Gewährleistung der Zuverlässigkeit und die Verbesserung der multimodalen Verarbeitungsfähigkeiten. Da es unter einer Open-Weights-Modelllizenz (Apache 2.0) veröffentlicht wurde, hat es in der Branche schnell große Beachtung gefunden.

Hervorragende Benchmark-Ergebnisse und starke praktische Leistung
Step3.7Flash hat bei einer Vielzahl wichtiger Bewertungstests eine außergewöhnliche Leistung gezeigt:
Erster Platz bei ClawEval-1.1 mit 67,1 Punkten
Erster Platz bei SimpleVQA Search mit 79,2 Punkten
Zweiter Platz bei SWE-PRO mit 56,3 Punkten
Eine Punktzahl von 95,3 bei den V*-Python-Bewertungen
Diese Ergebnisse bestätigen seinen starken Wettbewerbsvorteil bei komplexen Anwendungsfällen wie Agenten-Aufgaben, Codegenerierung und visuellen Suchanwendungen.
Optimierte Parameter: Abwägung von Geschwindigkeit, Kosten und Leistung
Step3.7Flash wurde speziell für Agentic-, Programmier-, Such- und multimodale Workflows entwickelt und hat erhebliche Fortschritte bei Geschwindigkeit und Effizienz erzielt:
Rechengeschwindigkeit: Bis zu 400 TPS
Architektur: 198B spärliche MoE-Struktur mit ca. 11B aktiven Parametern
Kontextlänge: Unterstützt bis zu 256.000 Zeichen
Inferenzebene: Bietet drei verschiedene Ebenen der Inferenztiefe
Bei gleichbleibend hoher Leistung senkt dieses Modell zudem die tatsächlichen Bereitstellungskosten und ist damit eine effiziente Wahl für Entwickler.
Multimodales Verständnis kombiniert mit zuverlässiger Ausführung – ermöglicht so wirklich „Sehen und Handeln“
Das herausragendste Merkmal von Step3.7Flash ist seine robuste „Perception-Action-Loop“-Fähigkeit. Es kann Benutzeroberflächen, Diagramme, Dokumente und Bilder interpretieren und anschließend automatisch Code generieren oder Tools aufrufen, um die erforderlichen Aktionen auszuführen.
Darüber hinaus ermöglicht seine erweiterte visuelle Web+-Suchfunktion den Zugriff auf ein breiteres Spektrum an Informationsquellen und unterstützt detailliertere Folgeabfragen. Die Zuverlässigkeit von Tool-Aufrufen wurde ebenfalls erheblich verbessert und erreicht eine Erfolgsquote von über 98 % über alle Schwierigkeitsstufen des τ²-Benchmarks hinweg, was dazu beiträgt, Probleme wie Zielabweichungen und fehlgeschlagene Tool-Aufrufe zu minimieren.
Kompatibilität mit bestehenden Ökosystemen und einfache lokale Bereitstellung
Dieses Modell lässt sich gut mit gängigen Agenten-Frameworks wie Claude Code, KiloCode, Hermes Agent und OpenClaw sowie mit MCP-Protokollen kombinieren. Es ist zudem mit lokaler Hardware wie Mac Studio M4Max, DGX Spark und AMD AI Max+395 kompatibel, was die lokale Bereitstellung und den Einsatz in Szenarien erleichtert, in denen Datenschutz oberste Priorität hat.
Kommentar von AIbase
Verwandter Artikel
Der ehemalige OpenAI-Forscher Barrett Zoph kehrt zu Google zurück, um die Entwicklung von Gemini voranzutreiben
Barret Zoph, der zuvor aufgrund von Meinungsverschiedenheiten mit Miriam Mularati, der Geschäftsführerin von Thinking Machines Lab, überraschend das Unternehmen verlassen und zu OpenAI gewechselt war,
Wie Recursive Intelligence innerhalb von vier Monaten 335 Millionen Dollar bei einer Bewertung von 4 Milliarden Dollar einwarb
Die Mitbegründerinnen des Start-ups Ricursive Intelligence schienen dafür prädestiniert zu sein, gemeinsam ein Unternehmen zu gründen.Anna Goldie, CEO, und Azalia Mirhoseini, CTO, sind in der KI-Commu
Der Wettlauf um die KI wartet nicht – ebenso wenig wie dieser 25-prozentige Rabatt auf die TechCrunch Disrupt
Jeder Gründer, der derzeit im Bereich KI tätig ist, stellt sich dieselbe Frage: Gehen wir schnell genug und effektiv genug vor? Bei der TechCrunch Disrupt 2026 treffen Sie auf Menschen, die sich auf h
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Heute ist der Tag der offiziellen Veröffentlichung von Step3.7Flash. Dieses Open-Source-Modell wurde speziell entwickelt, um die zentralen Herausforderungen des „Agent-Zeitalters“ zu bewältigen, darunter die Steigerung der Effizienz, die Gewährleistung der Zuverlässigkeit und die Verbesserung der multimodalen Verarbeitungsfähigkeiten. Da es unter einer Open-Weights-Modelllizenz (Apache 2.0) veröffentlicht wurde, hat es in der Branche schnell große Beachtung gefunden.

Hervorragende Benchmark-Ergebnisse und starke praktische Leistung
Step3.7Flash hat bei einer Vielzahl wichtiger Bewertungstests eine außergewöhnliche Leistung gezeigt:
Erster Platz bei ClawEval-1.1 mit 67,1 Punkten
Erster Platz bei SimpleVQA Search mit 79,2 Punkten
Zweiter Platz bei SWE-PRO mit 56,3 Punkten
Eine Punktzahl von 95,3 bei den V*-Python-Bewertungen
Diese Ergebnisse bestätigen seinen starken Wettbewerbsvorteil bei komplexen Anwendungsfällen wie Agenten-Aufgaben, Codegenerierung und visuellen Suchanwendungen.
Optimierte Parameter: Abwägung von Geschwindigkeit, Kosten und Leistung
Step3.7Flash wurde speziell für Agentic-, Programmier-, Such- und multimodale Workflows entwickelt und hat erhebliche Fortschritte bei Geschwindigkeit und Effizienz erzielt:
Rechengeschwindigkeit: Bis zu 400 TPS
Architektur: 198B spärliche MoE-Struktur mit ca. 11B aktiven Parametern
Kontextlänge: Unterstützt bis zu 256.000 Zeichen
Inferenzebene: Bietet drei verschiedene Ebenen der Inferenztiefe
Bei gleichbleibend hoher Leistung senkt dieses Modell zudem die tatsächlichen Bereitstellungskosten und ist damit eine effiziente Wahl für Entwickler.
Multimodales Verständnis kombiniert mit zuverlässiger Ausführung – ermöglicht so wirklich „Sehen und Handeln“
Das herausragendste Merkmal von Step3.7Flash ist seine robuste „Perception-Action-Loop“-Fähigkeit. Es kann Benutzeroberflächen, Diagramme, Dokumente und Bilder interpretieren und anschließend automatisch Code generieren oder Tools aufrufen, um die erforderlichen Aktionen auszuführen.
Darüber hinaus ermöglicht seine erweiterte visuelle Web+-Suchfunktion den Zugriff auf ein breiteres Spektrum an Informationsquellen und unterstützt detailliertere Folgeabfragen. Die Zuverlässigkeit von Tool-Aufrufen wurde ebenfalls erheblich verbessert und erreicht eine Erfolgsquote von über 98 % über alle Schwierigkeitsstufen des τ²-Benchmarks hinweg, was dazu beiträgt, Probleme wie Zielabweichungen und fehlgeschlagene Tool-Aufrufe zu minimieren.
Kompatibilität mit bestehenden Ökosystemen und einfache lokale Bereitstellung
Dieses Modell lässt sich gut mit gängigen Agenten-Frameworks wie Claude Code, KiloCode, Hermes Agent und OpenClaw sowie mit MCP-Protokollen kombinieren. Es ist zudem mit lokaler Hardware wie Mac Studio M4Max, DGX Spark und AMD AI Max+395 kompatibel, was die lokale Bereitstellung und den Einsatz in Szenarien erleichtert, in denen Datenschutz oberste Priorität hat.
Kommentar von AIbase
Der ehemalige OpenAI-Forscher Barrett Zoph kehrt zu Google zurück, um die Entwicklung von Gemini voranzutreiben
Barret Zoph, der zuvor aufgrund von Meinungsverschiedenheiten mit Miriam Mularati, der Geschäftsführerin von Thinking Machines Lab, überraschend das Unternehmen verlassen und zu OpenAI gewechselt war,
Wie Recursive Intelligence innerhalb von vier Monaten 335 Millionen Dollar bei einer Bewertung von 4 Milliarden Dollar einwarb
Die Mitbegründerinnen des Start-ups Ricursive Intelligence schienen dafür prädestiniert zu sein, gemeinsam ein Unternehmen zu gründen.Anna Goldie, CEO, und Azalia Mirhoseini, CTO, sind in der KI-Commu
Der Wettlauf um die KI wartet nicht – ebenso wenig wie dieser 25-prozentige Rabatt auf die TechCrunch Disrupt
Jeder Gründer, der derzeit im Bereich KI tätig ist, stellt sich dieselbe Frage: Gehen wir schnell genug und effektiv genug vor? Bei der TechCrunch Disrupt 2026 treffen Sie auf Menschen, die sich auf h





Heim






