多模態(tài)卷王階躍震撼6連發(fā)，春節(jié)檔最強AI家族來襲！

　　開年放大招!階躍星辰重磅升級 Step 系基座模型全家桶，一口氣連更上新6款模型。作為業(yè)內(nèi)公認(rèn)的「多模態(tài)卷王」，這家 AI 明星公司目前已擁有業(yè)內(nèi)最全模型矩陣。

　　臨近過年，階躍星辰的春節(jié)系列大禮包也來了!

　　是的，這個國內(nèi)屈指可數(shù)的堅持自研底座模型的大模型創(chuàng)業(yè)公司，又給業(yè)內(nèi)帶來了不小的震撼。

　　一口氣接連上新了6款模型，從語言、語音、推理到多模態(tài)理解和生成，一網(wǎng)打盡。

　　經(jīng)過這一輪迭代后，階躍星辰的模型更全面，能力也更強了。而截至目前，國內(nèi)有全類型基模布局的大模型公司，僅階躍星辰、阿里通義、智譜三家。

　　當(dāng)然，布局全是一方面，模型性能究竟同樣令人關(guān)注。幾乎跟階躍發(fā)布全新模型同一時間，全新升級多模態(tài) Step-1o 系在兩大權(quán)威榜單中，再次拿下中國第一。

　　如今，階躍在多模態(tài)卷王的路上越走越遠(yuǎn)。

　　接下來，讓我們好好扒一扒，這波神級的更新有多猛。

　　理解生成一體化，多模態(tài)卷王持續(xù)領(lǐng)先

　　一開年，階躍火速拿下新排位——在國內(nèi)權(quán)威大模型評測平臺 OpenCompass 中，Step-1o 直接問鼎。

　　這一情形似曾相識。

　　要知道，Step-1o 的上一個版本 Step-1V 多模態(tài)理解模型，去年上半年剛發(fā)布時，也火速登上了 OpenCompass 榜第一。最近一年，階躍多模態(tài)模型在這張榜單上多次成功「守擂」。

　　Step-1o Vision:超越想象的視覺理解

　　與此同時，Step1o 系列的視覺版本多模態(tài)——Step-1o Vision，一經(jīng)推出就為階躍在多模態(tài)賽道的競爭中增加了一大助力。

　　在1月20日 LMSYS Org 最新發(fā)布的大模型競技場 Chatbot Arena 多模態(tài)榜單中，Step-1o Vision 位列視覺領(lǐng)域中國大模型第一，是唯一進(jìn)入前10名的中國公司。

　　相較于 Step-1V 系列模型，Step-1o Vision 進(jìn)行了架構(gòu)升級，在視覺識別、感知、指令跟隨、推理等核心能力上都有大幅提升。看得更清楚，擁有更強大的細(xì)節(jié)感知能力，且看得更明白，能深刻理解視覺背后的復(fù)雜語義和隱喻。

　　更精準(zhǔn)圖像理解

　　Step-1o Vision 就像是獲得了「火眼金睛」，能輕松應(yīng)對復(fù)雜場景的識別圖像內(nèi)容的挑戰(zhàn)，即便是相似的圖片，也能輕松識別。

　　前段時間，Karpathy 轉(zhuǎn)發(fā)了一篇關(guān)于軟件工程「認(rèn)知符合」的一篇論點文章，其中一張圖很好詮釋了核心觀點。

　　將它扔給 Step-1o Vision，看看它的理解力如何?

　　AI 一眼就辨別出了圖中左右部分差異之處，它分別分析了左圖和右圖核心要點，并在最后給出一個言簡意賅的總結(jié)。

　　更令人驚嘆的是，它還能精確識別并理解圖像中的文化隱喻。

　　就好比如下這類的梗圖，Step-1o Vision 分析得可是頭頭是道。

　　更強大的視覺推理

　　但真正令人震撼的是，Step-1o Vision 的視覺推理能力。

　　它不僅能看懂圖片，還能基于圖像內(nèi)容進(jìn)行深度思考和推理，為你答疑解惑、激發(fā)創(chuàng)意，成為每個人工作與學(xué)習(xí)路上的智能伙伴。

　　如下這張廣告牌中，Step-1o Vision 準(zhǔn)確讀取了核心信息，并給出了超強的理解力——人類技能的不可替代性，以及對 AI 的幽默回應(yīng)。

　　再比如，需要運用到策略的問題——拿到 VC 需要幾步?

　　Step-1o Vision 先理解了圖片之后，準(zhǔn)確推理出得到最終目標(biāo)物，需要的步驟。

　　語音模型 Step-1o Audio 再升級

　　Step-1o 系列這次升級的，還有語音模型 Step-1o Audio。

　　去年12月階躍發(fā)布了國內(nèi)首個千億參數(shù)端到端語音大模型，如今在情緒感知與理解、多語種和多方言、通話體驗上，又有了新的突破。

　　現(xiàn)在，它能感知你的情緒，精準(zhǔn)識別出語氣語調(diào)中的特別之處。真的 AI，就要做到比對象還貼心。

　　共情是深度溝通的基礎(chǔ)。當(dāng)我吐槽今天工作太累太累，它會貼心地送上問候，并愿意傾聽我的糟心事，甚至還站在我的角度去考慮問題。

　　同時，它還支持多語種、多方言對話，在中英交流時，直接達(dá)到「同傳」的水平!

　　而通話體驗，也更加低延遲、聲音更自然，有了個性化的風(fēng)格。

　　首款推理模型:文理兼修，效果媲美 o1-mini

　　最近，業(yè)內(nèi)各家都紛紛推出了自家的推理模型。

　　階躍星辰的首款推理模型 Step R-mini，也及時登場了。至此，階躍就圓滿達(dá)成了這一成就:成為目前基座模型最全的公司之一。

　　雖說推理模型早已不是一個新鮮的概念，但在它們之中，卻存在著嚴(yán)重的「偏科」現(xiàn)象。只會做數(shù)理題的 AI，就像個只會背公式的學(xué)霸，很難在實際任務(wù)中廣泛應(yīng)用。

　　而模型想要「文理兼修」，就必須變身全能型選手，什么通用任務(wù)都能輕松搞定。

　　這里的問題在于，如果只是簡單地通過增加訓(xùn)練數(shù)據(jù)來提升文科能力，那么就會像蹺蹺板一樣，造成模型理工科能力的下滑。

　　為了規(guī)避這一點，Step R-mini 采用了 On-Policy(同策略)強化學(xué)習(xí)算法，并進(jìn)行了大規(guī)模的強化學(xué)習(xí)訓(xùn)練。

　　所以，Step R-mini 的推理能力如何?

　　令人驚喜的是，在 AIME 和 Math 等數(shù)學(xué)基準(zhǔn)測試上，它的成績超過了 o1-preview，比肩 OpenAI o1-mini。在 LiveCodeBench 代碼任務(wù)上，也比 o1-preview 效果更佳。

　　接下來，我們就要上實測題了。

　　比如這道邏輯推理，Step R-mini 很輕松地就給出了正確答案。

　　一個控制小飛機躲子彈游戲的 python 代碼，它經(jīng)過一番思考后絲滑寫出。

　　下面測試大部分推理模型的盲區(qū)——文科。在內(nèi)容創(chuàng)作上，Step R-mini 寫的現(xiàn)代詩的表現(xiàn)也是可圈可點。

　　在思考過程中，它會首先分析我們的要求，思考該怎樣處理創(chuàng)作角度，如何賦予事物人類情感的象征意義。

　　引人注意的是，在推理模型的研發(fā)上，階躍也在將自己擅長的多模態(tài)融入進(jìn)去，Step R-mini 在視覺推理上已經(jīng)有了階段性成果。

　　最常見的問路題，Step R-mini 在復(fù)雜場景中，也能做出判斷，給出正確的導(dǎo)向。

　　還有類似的題——「從藍(lán)色箭頭出發(fā)，我能到達(dá)哪個」，Step R-mini 一眼就辨認(rèn)出路線。

　　再上升一個難度——「這些小球分別對應(yīng)什么數(shù)字」，更多起到找終點的問題，AI 也沒有被繞暈。

　　針對復(fù)雜視覺場景下的 Reasoning 問題，團(tuán)隊引入了慢感知和空間推理的思想，把 Test-Time Scaling 從文本空間轉(zhuǎn)移到視覺空間，實現(xiàn)在視覺空間下的 Spatial-Slow-Thinking。

　　據(jù)悉，階躍也計劃今年發(fā)布多模態(tài)視覺推理。

　　Step-Video V2:開啟視頻生成新篇章

　　若說 Step-1o Vision 讓 AI 真正理解了視覺世界，那么 Step-Video 則讓 AI 創(chuàng)造力插上了想象的翅膀。

　　這一次，Step-Video 模型迎來了重大升級，迭代到了最新 V2版本。

　　復(fù)雜運動，動作更自然

　　其中，最令人印象深刻的是，其在復(fù)雜運動場景的突破。

　　我們已經(jīng)看過太多太多，AI 視頻模型在體操、運動、健身等場景中，頻頻失敗的案例。

　　舞蹈、運動等各種復(fù)雜運動場景中，在 Step-Video V2的演繹下，呈現(xiàn)出前所未有的流暢自然感。

　　比如下面這段芭蕾舞，雙腿頻頻交替之間，并沒有出現(xiàn)幻覺。

　　舞臺燈光為藍(lán)色，背景幕布描繪了湖水和山巒的景象。一位身穿白色芭蕾舞裙的芭蕾舞演員在舞臺中央翩翩起舞。固定鏡頭，平視拍攝，演員旋轉(zhuǎn)，揮舞手臂，踮起腳尖。鏡頭拉遠(yuǎn)，平視拍攝，展示出更多芭蕾舞演員，她們身穿白色芭蕾舞裙，在舞臺上整齊地排列，跟隨主角的舞步，一同揮舞手臂，踮起腳尖。鏡頭緩慢推近，平視拍攝，聚焦于主角，她優(yōu)雅地跳躍、旋轉(zhuǎn)。固定鏡頭，平視拍攝，主角和芭蕾舞團(tuán)的演員們在舞臺上繼續(xù)表演，她們的動作協(xié)調(diào)一致，展現(xiàn)出優(yōu)美的舞姿。

　　人物刻畫更逼真

　　在人物形象刻畫上，Step-Video V2將細(xì)節(jié)表現(xiàn)推向了極致，更逼真生動、細(xì)節(jié)更豐富，表現(xiàn)更自然。

　　從五官輪廓到真實的皮膚質(zhì)感，從自然的面部表情到微妙的身體語言，每一個細(xì)節(jié)都經(jīng)過精心打磨。

　　再來看這位乘坐列車看向窗外的女子，AI 在人物刻畫上也做到的非常真實，包括窗外物體運動方向，也很好地遵循了物理世界。

　　視頻中，一位身著藍(lán)色上衣的女子坐在列車窗前，頭依靠著窗戶看向窗外。她面帶微笑，眼神中透露出對窗外景色的向往。列車正高速行駛，窗外的景色迅速向后掠過，仿佛是一幅幅流動的畫卷。整個畫面采用固定鏡頭拍攝，畫面清晰，具有紀(jì)實風(fēng)格，展現(xiàn)了女子與窗外景色的和諧美感。

　　Step-Video V2在「變身」方面，表現(xiàn)更加精彩——一個小男孩突然變身毒液。

　　視頻中，一個身穿西裝的小男孩，突然表情變得猙獰，身體逐漸被黑色的液體包裹，最終變身成為黑色毒液。這個過程在暗色調(diào)的環(huán)境中進(jìn)行，背景較為模糊，突出表現(xiàn)了小男孩變身的每一個細(xì)節(jié)。視頻采用特寫鏡頭拍攝，具有科幻風(fēng)格，清晰地展示了變身的每一個動作細(xì)節(jié)，給人以震撼感。

　　精準(zhǔn)文字生成

　　不僅如此，Step-Video V2在文字生成方面，更加精準(zhǔn)，還能支持中英雙語輸入。

　　下面「2025」字樣中，比較難得一點是，AI 還可以將倒映在地板上的2025同時生成出來。

　　采用3D 動畫風(fēng)格，視頻中，慢慢顯現(xiàn)出了“Year of Snake，2025”的字樣，天空中綻放出絢爛的煙花。2025字樣晶瑩剔透泛著金光，地板上反射著它的倒影，背景是黑色的地板。一條卡通蛇戴著一副酷炫的黑色墨鏡不斷扭動身體，鏡片上反射著舞臺的燈光。畫面采用固定機頭，動畫風(fēng)格，展現(xiàn)了蛇年過年喜慶熱鬧的氛圍。

　　帶著紅色圍巾的小貓，手里拿著福字，過年氛圍感完全拉滿了。

　　視頻中，一只毛色柔軟的灰色小貓前爪緊握著寫有「�！棺謽拥膶β�(lián)。它戴著一條紅色的圍巾，圍巾上繡著金色的花紋。小貓的眼神專注而靈動，似乎在為新年的到來而歡呼雀躍。它站在一個裝飾華麗的房間里，房間里掛滿了彩帶和氣球，充滿了節(jié)日的氛圍。整個畫面采用固定鏡頭拍攝，畫面清晰，具有溫馨而喜慶的氛圍。

　　鏡頭表現(xiàn)力突破性升級

　　更令人興奮地是，Step-Video V2在視頻敘事上，實現(xiàn)了全方位的升級。

　　豐富的鏡頭語言，讓其能夠創(chuàng)作出更具感染力的作品。

　　視頻中，一名身穿醒目黃色和紅色賽車服的賽車手，頭戴專業(yè)頭盔，駕駛一輛設(shè)計獨特的白色和紅色本田摩托車，在泥土賽道上展開緊張刺激的越野賽。鏡頭以平視方式跟隨賽車手，捕捉他每一個跳躍、轉(zhuǎn)彎和加速的瞬間。賽道由松散的泥土構(gòu)成，背景中觀眾席、圍欄、旗幟

　　再加上推位搖移等專業(yè)鏡頭技巧的靈活運用，Step-Video V2不僅讓視頻畫面更具美感，更為內(nèi)容敘事注入了獨特的藝術(shù)魅力。

　　下面這個「跟拍」宇航員的鏡頭，完全不輸好萊塢大片。人物角色額頭上的汗珠，這么微小的細(xì)節(jié)，AI 也能完全呈現(xiàn)出來。

　　手持跟蹤鏡頭滑過飛船走廊，捕捉到宇航員工作時專注而有序的神態(tài)。鏡頭拉近到一名操作員，他全神貫注地盯著屏幕，額頭上沁出了汗珠，周圍的儀器發(fā)出低沉的嗡嗡聲，加劇了緊迫感。

　　Step-2mini、Step 文學(xué)大師來了

　　除了多模態(tài)模型，階躍自研的語言模型也實力強大，表現(xiàn)亮眼。

　　比如去年3月發(fā)布的 Step-2，就是國內(nèi)最早由創(chuàng)業(yè)公司發(fā)布的萬億參數(shù)大模型，多次在國內(nèi)外權(quán)威榜單上獲得中國第一。

　　此次升級的 Step-2mini、Step 文學(xué)大師版都是 Step-2系列的分支。不同的是，前者性價比更高，更具商用性，后者則在文學(xué)創(chuàng)作上表現(xiàn)出了驚人能力。

　　Step-2mini

　　Step-2mini 是一款小參數(shù)模型，它的亮點是極速響應(yīng)、高性價比，因而商業(yè)化場景更廣泛。

　　對比 Step-2來看，Step-2mini，只有3%左右的參數(shù)量，卻保有了80%以上的模型性能。

　　與此同時，它擁有更快的生成速度，和極高的性價比。

　　在輸入4000tokens 的情況下，Step-2mini 的平均首字時延僅0.17秒。輸入低至1元/百萬 token;輸出低至2元/百萬 token。

　　之所以能達(dá)到如此極速的效果和極致性價比，都要歸功于階躍星辰自主研發(fā)的新型注意力機制架構(gòu)——MFA(多矩陣分解注意力)及其變體 MFA-Key-Reuse。

　　相比于常用的 MHA(多頭注意力)架構(gòu)，這種架構(gòu)節(jié)省了近94%的 KV 緩存開銷，因而擁有了更快的推理速度，同時大幅降低了推理成本。

　　現(xiàn)在，在階躍星辰開放平臺，開發(fā)者已經(jīng)可以調(diào)用 Step-2mini 的 API 接口了。

　　Step 文學(xué)大師

　　Step-2文學(xué)大師版，是專為創(chuàng)作而生的語言模型。

　　它不僅沿襲了萬億參數(shù)語言模型 Step-2廣袤的知識儲備、對文字強大的細(xì)節(jié)把控能力，還擁有更強大的內(nèi)容創(chuàng)作能力。

　　為什么很多大模型創(chuàng)作的內(nèi)容，總有一股揮之不去的 AI 味?

　　本質(zhì)原因，就是這些模型過度對齊社會共識，「跪得太直」。因為絲毫沒有真情實感，一出口自然也就是「正確的廢話」，缺少靈魂。

　　好的內(nèi)容創(chuàng)作，需要邏輯嚴(yán)密、語言凝練、句句帶料，擁有深刻思想和獨特風(fēng)格。

　　不過，這許多人類都無法做到的事，模型怎么做到呢?

　　此時，Scaling Law 就是重中之重了。模型小、預(yù)訓(xùn)練數(shù)據(jù)小，模型就沒有足夠的智能。

　　而 Step-2文學(xué)大師的訓(xùn)練過程中，足夠的模型容量、訓(xùn)練數(shù)據(jù)量，都成為了它文字功底的基石。

　　那就讓我們來看看，Step-2文學(xué)大師的寫作功底究竟如何。

　　我們請它以「過年」為題，寫一篇懸疑小說。

　　有了有了，有那味了!這個懸念叢生的故事，是小編在某乎上看到，一定會付費看到結(jié)局的程度。

　　接下來，讓它試試寫一篇科幻小說，描寫一下100年后人類和 AI 共存的世界。

　　這篇故事的主人公，負(fù)責(zé) AI 的定期銷毀�？吹阶詈笠欢�，小編后背一涼:Step-2文學(xué)大師，您的大作真是絕了!

　　初心不變，AGI 路上的技術(shù)理想主義者

　　百模大戰(zhàn)之后，階躍星辰、智譜、百川智能、月之暗面、MiniMax、零一萬物脫穎而出，成為人們口中的「AI 六小強」。而這六家 AI 初創(chuàng)明星公司，也因過去一年的選擇，分化出了全新的格局。

　　一直以來，技術(shù)演進(jìn)和商業(yè)探索都不是一條直線。各家根據(jù)自身特點選擇不同的路徑，這種多元化發(fā)展格局，恰恰體現(xiàn)了行業(yè)的蓬勃生機。

　　百川智能專注 AI 醫(yī)療領(lǐng)域，其醫(yī)療增強大模型能力全球領(lǐng)先，并且在落地應(yīng)用上也取得了不錯進(jìn)展。聚焦金融、教育、醫(yī)療等行業(yè)的商業(yè)化，通過全鏈路領(lǐng)域增強的一站式解決方案幫助企業(yè)智能化升級。

　　零一萬物聚焦參數(shù)適中、推理速度更快、推理成本更低、更具商業(yè)落地前景的性能卓越的輕量化模型。在國內(nèi)市場專注 ToB 方向，在海外市場則以理性的姿態(tài)繼續(xù) ToC 應(yīng)用的探索。

　　月之暗面通過 Kimi 探索國內(nèi)消費級市場，力爭打造 AI 時代的超級應(yīng)用。并于近日推出了 OpenAI 滿血版 o1之外第二個多模態(tài)推理模型 k1.5。

　　此外，階躍星辰則選擇繼續(xù)在基座大模型上加大研發(fā)。

　　不久前，階躍星辰已經(jīng)完成了 B 輪融資，資金總額高達(dá)數(shù)億美金。據(jù)了解，這筆資金將繼續(xù)用于基礎(chǔ)模型的研發(fā)，繼續(xù)強化多模態(tài)和復(fù)雜推理方面。階躍一口氣發(fā)布的基�！噶�連更」，是2025年第一張成績單。

　　回顧過去一年各大 AI 產(chǎn)品的發(fā)展歷程，我們不難發(fā)現(xiàn)一個規(guī)律:無論是對話能力、創(chuàng)意寫作，還是代碼生成，用戶體驗的天花板始終受限于底層模型的能力邊界。

　　一些看似簡單的產(chǎn)品創(chuàng)新，往往需要強大的模型能力的支撐。

　　值得一提的是，Step 系模型多次在各大權(quán)威榜單中登頂榜首，收獲國內(nèi)外開發(fā)者諸多好評，充分驗證了其技術(shù)實力。

　　AI 大模型的競爭就像一場馬拉松，重要的不是起跑的速度，而是途中的節(jié)奏和后程的耐力。而現(xiàn)在，階躍沖刺的后勁十足。

　　從千億參數(shù)到萬億參數(shù)的跨越，從文本圖像理解到視頻生成的拓展，階躍正在用一個個具體成果，將那張通往 AGI 的路線圖變?yōu)楝F(xiàn)實。

　　畢竟，在通過 AGI 的征程上，只有那些能夠持續(xù)積累的玩家，才有可能走到最后。