ステップ3.7 フラッシュオープンソースモデルの実世界テスト - マルチモーダルエージェントブレイン、トークン不要

企業がこれを利用するとは想像しにくい。 AI その費用は、従業員を雇用する費用をはるかに上回っている。

先週、Axiosは次のように報じた。 AI コンサルタントは、ある企業顧客が従業員に適切な情報を提供しなかったために罰則を受けたことを明らかにした。 Claude これらのライセンスには使用制限があり、わずか1ヶ月で5億ドルという驚異的な費用がかかった。

miHoYoの従業員がテストを行っています AI Agent 当時、数十棟が建設されたため Agent もし適切なタイミングで閉鎖されていなかったら、約200万元相当のトークンが一夜にして焼却処分されていたでしょう。

複数 Agent 複数回の呼び出しと高頻度のツール起動を伴う協調生産チェーンは、トークン消費とレイテンシーオーバーヘッドのために、企業にとって耐え難い負担になりつつある。

だから最近はみんなFlashモデルを推しているんです。

Flashモデルはもはや、フラッグシップモデルよりも高速で安価な代替品というだけではありません。今では、… Agent ワークフローのあらゆるステップを、より速く、より安定させ、より経済的にする。

最近、Jieyue Xingchenは新世代モデルを発表しました。高効率フラッシュレート オープンソースモデル Step 3.7 Flash公式文書によると、ステップ3.7フラッシュは198BパラメータスパースMoEである。 マルチモーダルこのモデルは、トークンあたり約11バイトのパラメータをアクティブ化し、256Kのコンテキストをサポートし、最大スループットは400トークン/秒です。また、推論強度を低、中、高の3段階でサポートしています。

私たちは、現実世界の複雑なシナリオにおけるその性能をより重視しています。 Agent リンク効率。今日は、ランキングや順位表は一旦置いておいて、実際の環境でのテストを実施してみましょう。

使用されたテストは Claude Code + StepFunのコーディングプラン。

Case 1 マルチモーダル知覚とUI実行

私はStep 3.7 Flashを使ってeコマース業務レビューダッシュボードを作成するための下書きを素早くスケッチしました。

下書き図を参考にして、eコマース業務レビューダッシュボードを作成してください。

ステップ3.7 Flashは視覚的な理解を統合する。 Agent このワークフローモデルは、手書き文字やスケッチ内の空間レイアウトを正確に認識できる。スケッチを、現代的でレスポンシブなHTML/CSS/JSカンバンアプリケーションに変換します。

生成されたウェブページは非常に高い忠実度を誇り、私の手描きのスケッチとほぼ完全に一致しています。ページのセクションやテキストは非常に正確に認識され、私が描いた小さな矢印やアイコンさえも再現されています。

しかし、チャネル販売セクションの上部に「すべて」オプションがあるはずですが、ステップ3.7のFlashではそれが省略されていました。

私たちはスケッチに基づいてページを最適化し続けました。

引き続きページ全体の最適化を行い、特に元の画像と異なっていた販売チャネルのセクションを改善しました。元のレイアウトに合わせるため、上部に「すべて」オプションを追加しました。

ステップ3.7 フラッシュマルチモーダルその能力は単に画像を理解するだけにとどまらず、修正が必要な箇所を正確に特定し、適切な変更を加える能力も含まれる。

事例2：視覚探索とツール強化型推論

BYDは本日、5月の生産・販売レポートを発表しました。Step 3.7 Flashでテストしてみましょう。

画像から重要な情報を抽出し、オンラインで分析レポートを生成します。

このタスクは単なるOCR文字認識ではなく、ステップ3.7のFlashがまず重要なデータを抽出し、次にオンラインで背景を検証し、最後に読みやすい分析レポートを出力できるかどうかを確認することです。

ステップ3.7 Flashによって認識される情報は非常に正確です。

生成されたレポートを見てみましょう。ステップ3.7のFlashはいくつかの重要なポイントを捉えており、その内容は非常に正確です。

BYDの2026年5月における新エネルギー車の販売台数は383,453台、新エネルギー車の生産台数は380,549台であった。

1月から5月までの累計減少率は前年同期比で20.32%だったが、5月には生産量が8.78%、売上高が0.26%増加し、明確な回復を示し、生産量と売上高の両方が回復基調の成長を見せたことから、重要な転換点となった。

5月には、新エネルギー車販売台数全体の41.9%が輸出によるものであり、輸出はBYDにとって最も重要な成長エンジンの1つとなっている。

ケース3 視覚的理解

ミキシングコンソールの写真をアップロードして、こう尋ねました。

マイクの調整方法を教えてください。

ステップ 3.7 Flash はこれを NFM M シリーズのプロフェッショナル ミキシング コンソールとして識別し、マイクを調整するにはチャンネルと G を確認する必要があることも説明しました。AI主な端子としては、N、FADER、MUTE、AUX、およびメイン出力があります。

平均的な初心者にとって、ステップ3.7「Flash」で説明されている手順は、「マイクから音が出ないのはなぜか」「音が小さすぎる」「ハウリングが発生する」といった問題のトラブルシューティングを基本的にガイドするのに役立ちます。

特に、まずミュート、次にゲイン、次にチャンネルフェーダー、最後にメイン出力を確認するという指示は、視覚的な理解と論理的な観点から非常に優れている。

ケース4：画像からインタラクティブマップへ

フォルダ内の画像をそのまま入力として使用し、追加の背景情報は一切提供しないでください。ワークフロー全体を一度に完了してください。

目的：ucsd-tour.htmlという名前の、完全なデモ可能な単一ページのHTMLシティツアーページを作成する。このページは以下の機能を備えている必要がある。

1. 提供された画像の中からランドマークを特定してください。

2. ウェブページ検索を通じて識別結果を確認する。

3. 画像を現在の作業ディレクトリにコピーし、適切な名前で保存します。

4. 美しくインタラクティブな地図形式の都市ガイドを作成する。

重要な入力ルール：

• 入力画像としては、直接提供された画像のみを使用してください。
• 追加の画像を探すために、フォルダやディレクトリをスキャンしないでください。
• 現在のディレクトリから無関係な画像をインポートしないでください。
• 提供された画像は、完全な画像セットとして扱われます。

ステップ3.7 Flashは7つの場所を正確に識別することができ、その視覚理解能力とウェブ検索能力が標準レベルに達していることが示された。

しかし、詳しく調べてみると、ランドマークの名前と画像が一致していないことから、このモデルは複数ファイル管理、パスマッピング、リソース命名に関して十分な厳密性を備えていない可能性があることが示唆される。

ステップ3.7でFlashが生成した地図を見ると、おおまかな方向を示しているだけで、実際の地図とはかけ離れています。ランドマークの位置も、実際の地理的な位置とは異なっています。

全体として、ステップ3.7のフラッシュはコアとなる認識タスクを完了しただけであり、細部にはまだ改善の余地がある。

ステップ3.7 Flashを実際に操作した際に最も直感的に感じるのは、その応答速度の速さです。

マルチファイルマッピングや精密な空間ロジックといった複雑なタスクを扱う際の細部にはまだ改善の余地があるものの、Step 3.7 Flash の高い応答速度と...マルチモーダル知覚の統合は、複数回の相互作用において実証された。高効率エラー訂正能力したがって、低遅延かつ低コストで複雑な機能を提供できます。 Agent リンクの強度を犠牲にして、耐障害性を向上させた。

この評価で実際に使用されたトークンは、週間のコーディングプランのクレジット限度額の約15%に過ぎませんでした。MoEアーキテクチャのコスト面での利点のおかげで、 Agent 高頻度で複数回の反復処理、データ検索、およびエラー訂正を長時間のワークフローで行う場合でも、計算コストは企業にとって完全に負担可能な範囲内に抑えることができます。

製品版としての使用を想定したStep 3.7 Flashでは… Agent の高効率レートフラッシュモデル、Agent 実際の業務を扱う場合、トークンを大量に消費する厄介な存在ではなく、ワークフロー全体をより高速に、より安定的に、よりコスト効率よく実行できます。

大型モデルアプリケーションはより実用的になってきています。企業が法外な請求や遅延を心配する必要がなくなると、AI そうして初めて、それは単なる一箇所に展示されるおもちゃから、産業グレードの生産ラインで安定して稼働する生産性向上ツールへと真に変貌を遂げることができるのだ。

元のリンク:実世界でのステップ3.7 フラッシュのパフォーマンス：より安定し、より高速で、よりエネルギー効率が向上しました。 Agent 脳