StepFun presenta Step 3.7 Flash, un modelo de visión y lenguaje con 198.000 millones de parámetros

StepFun ha presentado oficialmente Step 3.7 Flash, un nuevo modelo de visión y lenguaje (Vision-Language) que aspira a convertirse en una opción relevante para tareas especializadas de inteligencia artificial. El modelo se basa en una arquitectura de mezcla de expertos (MoE) y cuenta con 198.000 millones de parámetros. Este diseño le permite ofrecer un alto rendimiento con un uso eficiente de los recursos de cómputo.

Especificaciones técnicas y arquitectura

Step 3.7 Flash destaca por varias características técnicas clave. El modelo emplea una arquitectura MoE que activa únicamente las subredes de parámetros relevantes para cada entrada. Así consigue equilibrar la escala del modelo con la eficiencia de su funcionamiento.

Gracias a sus capacidades visuales integradas, el modelo puede procesar tanto texto como imágenes. Su ventana de contexto ampliada de 256.000 tokens le permite trabajar con documentos largos, bases de código complejas y material visual detallado sin perder el contexto.

El modo Advisor, integrado en la arquitectura del modelo, ocupa un lugar especial. Este modo añade un nivel adicional de control sobre el comportamiento del modelo y permite obtener resultados más estructurados y predecibles. El enfoque resulta especialmente útil en entornos de producción, donde se exige fiabilidad y coherencia en los resultados.

Aplicaciones y casos de uso

StepFun posiciona Step 3.7 Flash como una solución para dos ámbitos principales. El primero es la automatización del desarrollo de software. El modelo puede analizar código fuente, detectar posibles mejoras, generar versiones optimizadas e incluso participar en la depuración. Su visión integrada le permite trabajar con capturas de pantalla de código y diagramas de arquitectura.

El segundo ámbito es la integración en sistemas de búsqueda. Sus capacidades visuales lo hacen adecuado para plataformas de búsqueda que gestionan tanto consultas de texto como imágenes. El contexto ampliado permite buscar respuestas complejas y con múltiples facetas a partir de datos heterogéneos.

Además, el modelo puede utilizarse en herramientas analíticas: para procesar conjuntos de datos combinados, analizar material de vídeo con una transcripción detallada de su contenido y ofrecer recomendaciones estructuradas a partir de los resultados obtenidos.

Posición en el mercado

El lanzamiento de Step 3.7 Flash se suma a la tendencia hacia la especialización que se observa en el mercado. En lugar de crear modelos universales, las empresas desarrollan cada vez más soluciones optimizadas para tareas concretas. StepFun demuestra que una especialización eficaz depende de la elección de la arquitectura y, también, de modos de funcionamiento específicos que permiten adaptar el comportamiento del modelo a cada necesidad.

La arquitectura MoE se está convirtiendo en el estándar para los grandes modelos, sobre todo ante las limitaciones de consumo energético y los costes de infraestructura. Esto abre el camino a soluciones de IA más asequibles y sostenibles.

Qué significa

La llegada de Step 3.7 Flash apunta a un cambio importante en la estrategia de desarrollo de los grandes modelos. En lugar de competir por tamaño y versatilidad, los desarrolladores se centran en una optimización profunda para aplicaciones concretas. Para desarrolladores y empresas, esto se traduce en más herramientas entre las que elegir y en la posibilidad de encontrar la solución que mejor se ajuste a las necesidades de cada proyecto.

Por su parte, la arquitectura MoE deja de ser un mero truco de ingeniería para convertirse en el estándar de los modelos eficientes de próxima generación. Permite reducir los costes de infraestructura y los gastos operativos sin sacrificar calidad, un factor crítico para la adopción comercial de la IA.