看看我们需要处理多少内容，总共198,471个词元。生成这些内容花了三个半小时。大家好，欢迎收看本期节目。今天我们要评测的是阶跃星辰（StepFun AI）推出的 Step 3.7 Flash模型。听起来这是一家非常棒的公司，他们拥有原生的多模态理解和行动能力，因此该模型支持图像输入。这就是主要的改进点。但看看这些数据统计吧，他们声称在性能上碾压了 DeepSeek V4 Flash。

更重要的是，这就是我为什么今天穿红色衣服的原因：在 Claw 评测中，它击败了所有人。看看这个结果，它不仅摧毁了 DeepSeek、Gemini和 ChatGPT，而且几乎追平了 Claude Opus。总的来说，正如你所见，他们的性能提升非常显著。虽然他们在网站上展示了一些炫酷的“Flash”特性，但有一点需要特别注意：在搜索该模型时要小心。起初我进行搜索时，结果却指向了 Step Up 3D，那并不是关于 Step 3.7 Flash的。

Step Up 3D其实是一部电影，讲的是一群叛逆青少年做他们通常做的事情的故事。所以请务必小心，确保找到正确的模型版本。让我们直接进入正题，看看它的实际表现如何。我们准备了一些测试项目：有 Flappy Bird 挑战、每日 Wiki 任务，还有洗车场景。甚至包括一次20万词元的生成测试。我会展示那次生成了多久，我为了得到答案进行了多少轮交互，以及最终的答案是否正确。

这个模型需要245GB的内存，目前使用的是 Q9量化版本。我们在这里制作了 Flappy Bird 挑战关卡。这是3D版的 Flappy Bird，因为我们不想只做基础的2D版本，而是尝试将其立体化。它拥有四种不同的推理级别：官方设定为低、中、高三档，但我额外添加了一个“关闭”选项。毕竟有时候你不想让模型思考太久，只想直接得到答案。让我展示一下不同模式下的对比情况。

首先关闭推理功能运行 Flappy Bird，结果如下：它并不是真正的3D效果，但带有一些小特效，整体看起来稍微有点缩小。我想这可以称为“复古3D”，如果你像我这样年纪大一点，就会记得我们过去玩的那些等距视角的3D游戏。速度非常快，达到每秒35个词元，内存占用245GB（Q9量化）。如果我们改用 Q4量化版本呢？很多人喜欢这种方案，虽然它会导致词元预测出现一定的随机性。

从 Q9切换到 Q4会带来巨大的速度差异，可能会快50%甚至100%。我们真的应该测试一下这个变化带来的影响，但显然 Q4版本会快得多。现在让我们继续深入，看看低级别推理模式下的表现。这次生成了35,000个词元，速度为每秒27.5个。之前关闭推理时只有4,000词元，现在跳到了3.5万。让我们检查一下上下文窗口大小，目前推理端占用了6GB内存，这部分还有优化空间。

让我们看看这35,000词元的结果……哦，天哪，出现了一个运行时错误。好吧，我们现在切换到中级推理模式。这次也生成了34,246个词元。生成这3.4万词元花了1,200秒，也就是大约20分钟。我知道我在这些生成任务上花费了大量时间为大家测试，而且我们是在本地运行的环境。让我们看看这次能否成功运行……哦，这个不错！如果你错过了之前的过程：我们从低级切换到了中级思考模式。

虽然词元数量依然是3.5万左右，但这次我们得到了一个有效的生成结果。看看这个！这只鸟很酷，它似乎在判断前方是否有管道。是的，这是一次相当不错的生成效果，看起来很棒。我认为唯一缺失的部分是地面纹理方向反了，底下看起来像是有个传送带在反向移动。但总体而言，这是一次非常漂亮的 Flappy Bird 3D生成结果。不过我们想挑战更高难度，想要切换一下风格，用这个模型尝试“高速公路”主题。

我们想用最大思考模式来运行3D Flappy Bird……抱歉，这不是“最大”而是“高级”思考模式。看看我为了滚动到页面底部花了多少力气，令人惊讶的是词元数量反而更少了，只有3.3万。我不知道这个模型脑子里在想什么奇怪的事情。为了验证我们本地得到的结果，我们也将在他们的官方服务器上运行一次测试以进行对比确认。

是的，确实是3.3万词元，这意味着又是另一轮20分钟的生成等待。让我们看看结果……哦，这个不错！我们改变了星球背景，也调整了飞机模型。不知道为什么鸟现在正对着屏幕方向，但碰撞检测似乎有问题？让我们再试一次……哦不。它确实很有潜力！它在做某些事情，我觉得可能只是我操作得不太好，或者管道需要设置得更宽一些。

总的来说，从中级到高级思考模式的生成质量都有了显著提升，表现相当不错。现在让我们实际进入测试环节，看看网页版本是否能做得更好些。我们将进行一次并排对比生成。我现在在他们的官方网站“Agents”页面上，选择 Flappy Bird 3D单文件 HTML选项。需要注意的是，他们的官网并不允许用户手动调整推理级别，但我直接点击播放按钮后……

哇，那速度真是快得惊人！他们声称该模型支持 MTP和 Eagle 3等技术。不过我在下载的模型文件中没有找到 MTP权重，也许我从 Hugging Face下载了错误的版本？就像我之前误入 IMDB网站时那样有点迷糊。如果你找到了正确的 MTP权重，请告诉我，你可以下载并测试看看速度有多快。

但先看看这个网页版的生成过程……哦，好吧。它是否真正完成了代码生成还是个问题。它似乎有点想放弃，说：“是的，这应该能工作。现在向用户展示代码并附上说明。”它并没有真正开始执行……哦，等等！它实际上正在运行。这个网站刚才稍微卡了一下，抱歉。它在构建代码块时遇到了一点阻塞。

让我们复制那段代码并检查它是否真的能运行。这是云端版本生成的结果，我认为它的效果不如我们本地生成的那些好。这其实是个好消息——我们在这一轮测试中获胜了！显然，云端版本更快且免费，如果你使用云服务则无需额外配置。但至少我们确认了所使用的推理代码是可验证的、足够好的，能够正常运行。

接下来我正在进行 TiddlyWiki 克隆任务测试，此时推理模式处于关闭状态。生成了4,500个词元，速度为每秒35.5个，这个效率非常合理。我们确实得到了一个 TiddlyWiki 应用实例。我记得它会将数据保存在本地存储中，所以我新建了一个……

Tiddler，如果你不知道的话，它是一个运行在你电脑上的维基。它不保存在任何文件或类似的东西里，只是存在于网络存储的缓存中。所以我有一篇叫 A 的文章和一篇叫 B 的文章，我实际上可以修改它。“Baa”，是的，它在起作用。所以这是一个基础维基。但在这里我们切换了一下，我进入了“低思考模式”。

从“无思考”到“低思考”，token 消耗量从 4,000 个增加到了 21,000 个。速度大约是每秒 31 个 token。这次我甚至没有使用“中等”或“高”思考模式，因为这是一个非常漂亮的生成结果。看看这个 TiddlyWiki 克隆版吧。我不想编辑它，我们直接做一个新的 tiddler。“我最喜欢的东西是你。”啊，看看那个。浪漫主义已经被添加到 TiddlyWiki 中了。再看看上面那个 tiddler，我知道我可以用这个来为我的应用制作文档页面。

所以我可能需要这样做。你可以导入和导出代码，它运行得很好。这是一个非常漂亮的生成结果。它有标签，所以你可以做所有这些事情。那真是美好的一天运行效果。接下来我要进去看看它是否能处理洗车任务。在“思考禁用”状态下，对于洗车问题，它给出了一个非常、非常简单的基本答案，速度为每秒 38.3 个 token。这个模型的速度越来越快、越来越快了。

那这个是哪个模式？低思考模式下，它知道我们需要开车去。你需要把车带在身上。所以，低思考模式绝对是一个很好的选择，但我们之前在《3D 吃豆人》中看到了运行时错误。让我想想，低思考模式似乎比“最大高思考”还要多？总之，让我们开始吧，做一些图形生成。

在这里我们要求它创建一个 SVG 图像，展示一个延时合成图，显示花朵在四季中绽放、枯萎并变成蝴蝶。我的天哪，怎么做呢？评论区有人声称他们的 6 岁小孩比某些模型代码写得更好。那你的 6 岁孩子会做饭吗？我甚至都做不到这个挑战，伙计。在 HTML 中怎么做 SVG 啊？这太疯狂了。

看，它实际上正在做动画。我不知道天上掉下来的是什么。我猜是太阳雨？它有春天，有花朵绽放。我看不到蝴蝶或蜜蜂，但这绝对是一个漂亮的生成结果。在我那个年代，我们有一个叫 Flash 的东西，由 Adobe 制作，虽然很糟糕，但人们用它做了一些很棒的游戏、生成物和动画。就像“坏跳跃 坏跳跃”那样，所有这些酷炫的东西都是用 Flash 做的。

现在它作为模型回归了，这是一个很棒的结果。让我们现在就改进一下，并切换模式。我们使用了低思考模式，它实际上直接输出了 SVG 代码，进入低思考模式时不需要 HTML。那是一张合成图像。提示词本身是“SVG 图像作为合成图”。而在无思考模式下，它将其制作成了动画。

但在低思考模式下，它实际上很好地遵循了指令。我想展示给你看。我要现在加大难度一点。我有一些新的免费内容要做，但我想先看看它能否处理数学问题。所以 DeepSeek 的人说 Flash 那个能做数学题。这是一道数学奥林匹克题目，DeepSeek Google Flash 轻松搞定它。它在几千个 token 内就完成了。这是一道好题，它正在试图找出答案。

所以是在无思考模式下。对吧？思考已被禁用。你以为它会是一个简短的回答吗？不，不不不。生成了 23,800 个 token，速度为每秒 29.5 个 token，而且它甚至得出了错误的答案。那不是正确答案。为了让我的生活更轻松一点，我们让它切换到了低思考模式。你知道的，就是那个低思考模式。

你觉得它会生成更多的 token 吗？但没有。我不知道我是否因为这段音乐会被版权警告。所以我只是……看看我需要滚动多少屏幕。198,471 个 token。在低思考模式下，这花了三个半小时来生成，而且它甚至没有得到正确答案。我已经盯着屏幕看了三个半小时，希望它能得到正确的答案，但它始终没有做到。

让我们看看它的思考过程。我们需要通过这个问题。它并没有陷入循环，因为我在应用中设置了循环检测器。我给它最多九个循环的机会，但它实际上给出了一个答案。所以我们知道它没有陷入死循环，那只是推理过程。“如果 x 是无理数，注意这些数字……假设 n 是合数，但我们需要找到某个 n……也许我们可以使用以下方法：如果我们选择这个 p……”

你知道，它有一些奇怪的推理。我知道很多人做思考任务时，需要设置较高的温度值，只是为了让它随机挑选 token，希望能生成一个答案。但这里使用的是零温度。根据模型本身的说法，这是最高准确度的设置。它设法进行了推理并得出了一个答案。显然答案是错误的，但如果你有一个难题，想随便扔点猴子上去希望能得到正确答案……

这个模型输出了 200,000 个 token。就这么做吧。去睡觉，第二天醒来，砰！你就有一个答案了。至于它是不是正确答案，那是另一个挑战。在数学领域，关键的是，它的表现并不好。但在其他领域呢？也许是法律方面，或者别的什么。哦，别用法律方面的例子，但也许还有其他领域。这绝对值得考虑使用。

我现在还有两个测试要给你看，因为你们真的很喜欢这个测试，不是吗？三个半小时的推理时间。还有谁在这个节目里展示了如此多的投入和工作量吗？它确实做到了，虽然实际上不是我亲自做的，但你知道，我要为此邀功，因为它是在我的系统上运行的。好吧？我想要一个点赞和一个评论。非常感谢。

接下来我们要进入制作 3D 城市场景的环节。在这个测试中，无思考模式已被禁用，我们得到了一个漂亮的场景。这实际上是一个不错的结果。这是一个 3D 城市，有一个滑块。现在，建筑物的灯光在白天实际上并没有关闭，所以它不太环保。Step 啊，你得再提升一点水平了。

但总的来说，没有运行时错误，所以这做得不错。我们要进入低思考模式，那产生了 13,000 个 token。让我们点击那个播放按钮看看，不幸的是，出现了一个运行时错误。现在，我给这个模型一次机会。我想看看……

模型成功修复了自身的问题，并执行了我们在实际网站上看到过的操作。它表示：“明白了，用户再次遇到错误。完美。因此代码修复方案应该是这样。”随后，它输出了具体的修复内容并解释了修改原因，然后结束了回合。我不得不催促道：“继续啊孩子。”它随即打印出了结果。由于此时已关闭了思考模式，因为它之前已经深思熟虑过，我不想让它重复思考。尽管我花了三个半小时处理这个问题，最终仍出现了运行时错误，这让我怀疑是否应该重新开启思考模式。

接下来我们进行“人类面孔测试”，这是最终的挑战之一，且保持关闭思考状态。这就是模型生成的人类面部图像，必须承认它确实有嘴巴和鼻子。这一点超越了 DeepSeek，后者只有眼睛和头发，却缺少嘴鼻细节。虽然我不确定它是否有眼睛，因为头顶像是假发或天线遮住了眼部区域，但这恰恰展示了 AI 眼中的未来人类形象：我们被覆盖着，仿佛戴上了眼镜。这是一次非常漂亮的生成过程，仅消耗了四五千个令牌，速度约为每秒两个令牌。

随后我们尝试提升推理能力，先切换到低强度模式失败，再切换至中等强度模式同样未能成功。这个模型的表现确实时好时坏，但我们还有一个关键挑战：它在 Claw 评估中的表现实际上优于其他模型。我此前并未用 OpenClaw 测试过，因此现在将在直播中首次尝试。我先启用了工具功能以观察其处理调用请求的能力，可以看到它正在发起网页页面请求并访问互联网。如果你希望验证该应用的隐私性，只需使用防火墙即可看到它建立的所有网络连接。

这是一个沙箱应用，操作系统本身会阻止越界访问。如果它试图读取容器文件夹内未授权的文件，系统会明确拒绝：“不行，你不能那样做。”因此，我通常保持防火墙运行以确保安全。确认其能够访问工具后，我将启动 OpenClaw 环境。虽然市面上还有 OpenCode、Pi 等许多优秀工具，但我不选择它们，因为该模型在 Claw 评估中名列前茅，甚至可与 Claude Opus 比肩。若在云端使用 Claude Opus，费用将非常高昂。

我的服务器已在应用中运行，并覆盖了 API 模型选择设置，因此它直接使用下拉菜单中指定的模型，无需频繁更新配置文件。我开启新会话并输入“你好”，它以每秒 28 个令牌的速度生成回复，似乎捕捉到了我的灵魂状态。接着我询问巴黎天气及世界动态，它正在执行操作并抓取 URL 数据。通过工具输出可以看到，巴黎当前气温为 17 度，甚至使用了表情符号来呈现结果。

那么大家如何看待 Step Front AI？这就是 Step 3.7 Flash，它无疑是 DeepSeek V4的有力竞争者。该模型甚至支持多模态功能，因此我计划对推理部分进行一些改进后再次回来测试。也许我们还会尝试 OpenClaw 或 Pi，想问问大家平时使用哪些框架？希望这期视频对大家有所帮助并带来乐趣。本次测试共消耗了 198,471 个令牌。