当前大语言模型应用面临一个核心矛盾：用户既希望模型推理更强，又要求响应更快、成本可控。这种张力智能体等复杂场景中更为明显。阶跃星辰此次发布的Step 3.5 Flash模型，正是围绕该需求给出的系统性方案。 从技术架构看，Step 3.5 Flash采用稀疏混合专家（MoE）架构，这是提升模型效率的重要路径。模型总参数规模达1960亿，但每个token仅激活约110亿参数，通过选择性激活在参数规模与计算效率之间取得平衡，从而在能力不打折的前提下，降低推理成本与延迟。 在推理速度上，Step 3.5 Flash表现突出。单请求代码类任务的推理速度最高达350TPS（每秒处理token数），在开源模型中处于领先水平。为继续提升吞吐，该模型引入MTP-3技术，使模型一次预测3个token，相比传统单token预测提升效率，对需要快速响应的应用更具价值。 长文本处理能力也是衡量大模型的重要指标。Step 3.5 Flash采用滑动窗口与全局注意力混合架构（SWA+Full Attention），在处理256K上下文时更聚焦关键信息，从而降低计算开销，提升超长文本任务的处理效率。这一设计可直接服务于文档分析、信息检索等场景。 在应用场景表现上，Step 3.5 Flash在智能体与数学任务上的性能已接近多款闭源模型。智能体应用对推理链条、任务规划与工具调用能力要求较高，该模型在复杂、长链条任务中的稳定表现，说明其具备支撑实际落地的能力基础。 从产业生态角度看，阶跃星辰选择开源Step 3.5 Flash，并邀请用户参与共创，说明了开源在AI发展中的推动作用。开源有助于降低应用门槛，带动更广泛创新实践。同时，企业已启动Step 4模型训练，显示其在技术迭代上的持续投入，也意味着后续能力更强的模型有望陆续推出。
从“拼参数”转向“拼效率”，从“展示能力”转向“交付应用”，大模型产业正在进入更强调工程落地的新阶段。面向智能体的开源基座模型不断出现，为创新打开空间，也对可靠性、安全性与生态协作提出更高要求。只有把速度、质量与成本放在同一套“应用账本”里衡量，并在开放协作中建立可验证、可持续的能力体系，技术进步才能更稳健地转化为现实生产力。