大家好，我是冷逸。
兄弟们，我发现了一个神仙模型。
先考你一道题：既然全宇宙都在膨胀，那我变胖是不是符合宇宙规律？
嗯……你是不是要先想一下？在你想的时候，模型已经推理并回答出来了。
是的，就2秒（纯API调用）。
官方说，它的输出速度能拉到400 Token/s。
而且，它还原生支持视觉理解，图片、视频都能看懂。要知道，即使到现在，国内支持视觉理解的模型总共就没几款。
那它一定很贵吧？
并不。订阅Step Plan最低只要38元/月。API直连，输入（缓存命中）0.27 元，缓存未命中是1.35元，输出是8.1元。
单看这个价格，好像并不比DeepSeek v4 Flash（输入1元/输出2元）便宜。但如果你横向对比多模态+超高速这个组合，它的性价比就非常有优势了。
对了，它还开源。
这就是昨天发布的Step 3.7 Flash，原生支持视觉理解，为Agent做了全面优化，超快速度，256k上下文，总参数198B（激活11B）。
一手实测
这是它的benchmark得分。
简单说就是：
对比GPT和Claude还有些差距，但Gemini还是能超一超的；
对比DeepSeek各有胜出；
对比上一代模型，大幅提升；
以及速度上，遥遥领先……因为大多数模型都在100 TPS以下。
比如Artificial Analysis这个速度榜单，之前最快的是GPT-5.3，也只有130多。
而Step 3.7 Flash能冲到400 TPS，也不知道用了什么魔法。。
我实测可以拉到330+TPS
下面我们实测几个Case，带你直观感受一下。
1）视觉编程任务
第一个任务：测试视觉理解+编程能力。
我没告诉它是什么桥，让它自己理解，然后设计一个3D模型。
One shot直出，效果还不错。
而且它识别出了这是旧金山的金门大桥。
但也u1s1，这前端能力和顶级模型k2.6和glm5.1比还有差距。
2）视觉理解任务
我随便在某软件里截了张图，画了个框，问它：我如果要模糊处理，应该怎么操作？
这张图里的信息极多，但是模型还是一眼认出这是Photoshop界面，并告诉我具体操作步骤。
关键是，全程只用6秒，这输出速度快得吓人。
于是我在想：只要速度足够快，是不是可以有实时渲染的新交互产品诞生？AI游戏产品会不会加速到来？
来看几个官方案例。
用户上传一张飞机驾驶舱图片，输入“如何起飞”的指令，模型会以【秒级反应】在图片中寻找如何起飞的关键操作按钮，并生成分步骤教程。
又比如这个浏览网页的场景。
用户输入“这些设计有什么有趣之处”的指令后，模型会自动框选界面、识别信息、理解图片设计，最终生成专业分析。
注意，它不是其他视觉模型经常测的“给一张图，一次性给结果”的那种，而是分步骤、近乎实时地生成，给用户讲解画面内容。
这套交互，玩法非常多。
比如，老师PPT全屏讲课，讲到哪里，模型就自动在哪里画线或圈出来。
你可能会说：PPT自带的画笔功能就能做到啊，干嘛多此一举？
纯AI演示画面，不代表真实情况
但我想反问：那个画笔功能，你是不是得一直用鼠标操作？而老师上课，不可能一直坐在电脑前。她手里可能同时拿着课本和粉笔，甚至正准备敲打瞌睡的你。
又比如，把它接到AI眼镜里，可视之处都可以实时渲染。
对了，好像阶跃的多模态模型一直就跟车企有深度合作。这场景，一下子就通了。
3）Agent长程任务
还是我们的老Case：
提示词：联网搜索、调研Step 3.7 Flash模型的关键信息，尽量从权威信源获取信息。先给我创建一份2000字的word调研报告（含pdf版）。然后调用guizang-ppt skill做一份10页的PPT，页面高级审美。
这个任务涉及联网搜索+word生成+转PDF+skill调用+Coding开发力，还包括页面上线前测试的chrome-devtools-mcp，特别考验模型的长程任务能力。
Ps：我发觉这个模型特别适合干测试。之前用Claude Code做测试，很多模型调用chrome-devtools-mcp只是走个过场，但Step 3.7 Flash会一环一环真正检查——因为它有视觉理解能力，而且速度极快。
所以干测试得心应手。
来看下最终产物。
先是word报告。
然后是PPT。
全部one shot直出，整体都还不错。
4）推理任务
最后，测一个稍微带推理能力的3D编程任务。
提示词：Create a single HTML file containing a fully functional 3D Rubik's Cube simulation using Three.js (via CDN). The cube must be able to automatically solve itself.
功能做得挺多，UI也很好看。
但是推理能力不太够，导致one shot出来的建模和运算路径都是错的。
