Hogar
Los lanzamientos de Flash marcan la llegada de una revolución en la eficiencia de los agentes
Hoy se celebra el lanzamiento oficial de Step3.7Flash. Este modelo de código abierto está diseñado específicamente para abordar los principales retos asociados a la era de los agentes, entre los que se incluyen la mejora de la eficiencia, la garantía de la fiabilidad y la potenciación de las capacidades de procesamiento multimodal. Ha suscitado rápidamente un gran interés en el sector debido a que se ha publicado bajo una licencia de modelo de pesos abiertos (Apache 2.0).

Excelentes resultados en pruebas comparativas y un sólido rendimiento práctico
Step3.7Flash ha ofrecido un rendimiento excepcional en diversas pruebas de evaluación críticas:
Primer puesto en ClawEval-1.1 con 67,1 puntos
Primer puesto en SimpleVQA Search con 79,2 puntos
Segundo puesto en SWE-PRO con 56,3 puntos
Una puntuación de 95,3 en las evaluaciones V* Python
Estos resultados confirman su gran ventaja competitiva en casos de uso complejos, como tareas de agentes, generación de código y aplicaciones de búsqueda visual.
Parámetros optimizados: equilibrio entre velocidad, coste y rendimiento
Desarrollado específicamente para flujos de trabajo de Agentic, programación, búsqueda y multimodalidad, Step3.7Flash ha logrado avances significativos en velocidad y eficiencia:
Velocidad de razonamiento: hasta 400 TPS
Arquitectura: estructura MoE dispersa de 198 000 millones con aproximadamente 11 000 millones de parámetros activos
Longitud del contexto: admite hasta 256 000 caracteres
Nivel de razonamiento: ofrece tres niveles diferentes de profundidad de razonamiento
Además de mantener un alto rendimiento, este modelo también reduce los costes reales de implementación, lo que lo convierte en una opción eficiente para los desarrolladores.
Comprensión multimodal combinada con una ejecución fiable, lo que permite realmente «ver y actuar»
La característica más destacada de Step3.7Flash es su sólida capacidad de bucle percepción-acción. Es capaz de interpretar interfaces de usuario, gráficos, documentos e imágenes, para a continuación generar código automáticamente o invocar herramientas con el fin de llevar a cabo las acciones necesarias.
Además, su función mejorada de búsqueda visual «Web+» permite acceder a una gama más amplia de fuentes de información y admite consultas de seguimiento más detalladas. La fiabilidad de las llamadas a herramientas también se ha mejorado considerablemente, alcanzando una tasa de éxito superior al 98 % en todos los niveles de dificultad del τ²-bench, lo que ayuda a minimizar problemas como la desviación del objetivo y los fallos en las llamadas a herramientas.
Compatibilidad con los ecosistemas existentes y fácil implementación local
Este modelo funciona bien con marcos de agentes populares, como Claude Code, KiloCode, Hermes Agent y OpenClaw, así como con los protocolos MCP. También es compatible con hardware local como Mac Studio M4Max, DGX Spark y AMD AI Max+395, lo que facilita la implementación local y su uso en escenarios en los que la privacidad de los datos es una prioridad.
Comentario de AIbase
Artículo relacionado
El exinvestigador de OpenAI, Barrett Zoph, regresa a Google para colaborar en el desarrollo de Gemini
Barret Zoph, que anteriormente abandonó de forma repentina la empresa para incorporarse a OpenAI debido a un desacuerdo con la directora general de Thinking Machines Lab, Miriam Mularati, ha vuelto a
Cómo Recursive Intelligence recaudó 335 millones de dólares con una valoración de 4.000 millones de dólares en cuatro meses
Las cofundadoras de la startup Ricursive Intelligence parecían destinadas a ser cofundadoras.Anna Goldie, directora ejecutiva, y Azalia Mirhoseini, directora técnica, son tan conocidas en la comunidad
La carrera por la IA no va a esperar, y tampoco lo hará este descuento del 25 % de TechCrunch Disrupt
Todos los fundadores que están desarrollando proyectos de IA en estos momentos se plantean la misma pregunta: ¿Estamos avanzando lo suficientemente rápido y de forma lo suficientemente eficaz? TechCru
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
Hoy se celebra el lanzamiento oficial de Step3.7Flash. Este modelo de código abierto está diseñado específicamente para abordar los principales retos asociados a la era de los agentes, entre los que se incluyen la mejora de la eficiencia, la garantía de la fiabilidad y la potenciación de las capacidades de procesamiento multimodal. Ha suscitado rápidamente un gran interés en el sector debido a que se ha publicado bajo una licencia de modelo de pesos abiertos (Apache 2.0).

Excelentes resultados en pruebas comparativas y un sólido rendimiento práctico
Step3.7Flash ha ofrecido un rendimiento excepcional en diversas pruebas de evaluación críticas:
Primer puesto en ClawEval-1.1 con 67,1 puntos
Primer puesto en SimpleVQA Search con 79,2 puntos
Segundo puesto en SWE-PRO con 56,3 puntos
Una puntuación de 95,3 en las evaluaciones V* Python
Estos resultados confirman su gran ventaja competitiva en casos de uso complejos, como tareas de agentes, generación de código y aplicaciones de búsqueda visual.
Parámetros optimizados: equilibrio entre velocidad, coste y rendimiento
Desarrollado específicamente para flujos de trabajo de Agentic, programación, búsqueda y multimodalidad, Step3.7Flash ha logrado avances significativos en velocidad y eficiencia:
Velocidad de razonamiento: hasta 400 TPS
Arquitectura: estructura MoE dispersa de 198 000 millones con aproximadamente 11 000 millones de parámetros activos
Longitud del contexto: admite hasta 256 000 caracteres
Nivel de razonamiento: ofrece tres niveles diferentes de profundidad de razonamiento
Además de mantener un alto rendimiento, este modelo también reduce los costes reales de implementación, lo que lo convierte en una opción eficiente para los desarrolladores.
Comprensión multimodal combinada con una ejecución fiable, lo que permite realmente «ver y actuar»
La característica más destacada de Step3.7Flash es su sólida capacidad de bucle percepción-acción. Es capaz de interpretar interfaces de usuario, gráficos, documentos e imágenes, para a continuación generar código automáticamente o invocar herramientas con el fin de llevar a cabo las acciones necesarias.
Además, su función mejorada de búsqueda visual «Web+» permite acceder a una gama más amplia de fuentes de información y admite consultas de seguimiento más detalladas. La fiabilidad de las llamadas a herramientas también se ha mejorado considerablemente, alcanzando una tasa de éxito superior al 98 % en todos los niveles de dificultad del τ²-bench, lo que ayuda a minimizar problemas como la desviación del objetivo y los fallos en las llamadas a herramientas.
Compatibilidad con los ecosistemas existentes y fácil implementación local
Este modelo funciona bien con marcos de agentes populares, como Claude Code, KiloCode, Hermes Agent y OpenClaw, así como con los protocolos MCP. También es compatible con hardware local como Mac Studio M4Max, DGX Spark y AMD AI Max+395, lo que facilita la implementación local y su uso en escenarios en los que la privacidad de los datos es una prioridad.
Comentario de AIbase
El exinvestigador de OpenAI, Barrett Zoph, regresa a Google para colaborar en el desarrollo de Gemini
Barret Zoph, que anteriormente abandonó de forma repentina la empresa para incorporarse a OpenAI debido a un desacuerdo con la directora general de Thinking Machines Lab, Miriam Mularati, ha vuelto a
Cómo Recursive Intelligence recaudó 335 millones de dólares con una valoración de 4.000 millones de dólares en cuatro meses
Las cofundadoras de la startup Ricursive Intelligence parecían destinadas a ser cofundadoras.Anna Goldie, directora ejecutiva, y Azalia Mirhoseini, directora técnica, son tan conocidas en la comunidad
La carrera por la IA no va a esperar, y tampoco lo hará este descuento del 25 % de TechCrunch Disrupt
Todos los fundadores que están desarrollando proyectos de IA en estos momentos se plantean la misma pregunta: ¿Estamos avanzando lo suficientemente rápido y de forma lo suficientemente eficaz? TechCru











