作者丨朱可軒
編輯丨陳彩嫻
春節將近，各家廠商似乎都在爭取休假前的最後一博，此時步入 2025 年也才半月有餘，大模型玩家們已然捲上了新高度。
先是 OpenAI 打響了開年第一“槍”，ChatGPT 上線了新功能“Tasks”，主打提升了任務執行能力，之後國內一眾廠商也先後釋出了自家成果——
月之暗面釋出了全新的多模態圖片理解模型 moonshot-v1-vision-preview；MiniMax 開源了基礎語言模型 MiniMax-Text-01 和視覺多模態模型 MiniMax-VL-01；生數科技上新了影片大模型 Vidu 2.0；
接著，智譜 AI 推出了端到端多模態大模型 GLM-Realtime；面壁智慧帶來了端側多模態模型 MiniCPM-o 2.6；DeepSeek 開源了 DeepSeek-R1 推理模型……
剛開年，模型更新便多到讓人眼花繚亂，當中也不難發現，多模態、推理和端側依舊是今年各家尋求突破的重點方向。
不得不提的是，在這一各廠商密集上新的“黃金節點”，AI 科技評論關注到，階躍星辰一週內竟一口氣批次更新了 6 款模型，全方位涵蓋語言、語音、推理、圖片理解、影片生成等多類別。
階躍的更新速度在國內大模型廠商中可以說是非常少見，自 1 月 16 日開始，撇開週末雙休，階躍這波幾乎一天一更，主打保質超量完成任務。
最為值得一提的是，多模態領域其實一直都是階躍的舒適區，其去年就已經發布了 8 款相關模型，且在多個業內權威榜單中拿下國內第一。
在此次模型上新中，階躍也繼續帶來了多模態基座模型的新成果——多模態 Step-1o 系列推出多模態理解模型 Step-1o vision、語音模型 Steo-1o Audio 升級，影片生成模型 Step-Video 升級至 V2 版。
值得關注的是，階躍在多模態推理也已開始嶄露頭角，其正式釋出了Step 系列的首款推理模型 Step Reasoner mini （簡稱“Step R-mini”），同時，正在推進視覺推理模型的研發，嘗試將推理能力融入更多互動形態的大模型中。
除多模態外，階躍的語言模型能力也不可小覷，文字創作一直是階躍旗下模型的一大優勢所在，此次階躍也同期釋出了小模型 Step R-mini 和 Step-2 文學大師版，繼續強化 Step-2 模型的創作能力。
2025 年的模型之戰已然打響，而階躍在開年便已火力全開，在多模態方面更是呈現出“卷王”之姿，迅速與其他廠商拉開了差距。
多模態是階躍一直以來在持續發力的重點方向，也是階躍的優勢所在，去年成立以來，階躍便已在多模態領域推出了 8 款大模型：
包括 Step-1V、Step-1.5V 兩款多模態大模型；Step-1X 影像生成大模型；Step-1.5v-turbo 影片理解模型和 Step-Video 影片生成模型；三款語音大模型——Step-tts-mini 語音復刻和生成大模型、Step-asr 語音識別大模型和 Step-1o Audio 語音大模型。
近日，階躍更新了多模態 Step-1o 系列成果，值得一提的是，Step-1o 也在國內權威的大型模型評估平臺“司南”（OpenCompass）多模態模型評測即時榜單中拿下了第一：
說回新成果，首先，階躍在 Step-1o Audio 的基礎上帶來了升級，這款國內首個千億引數端到端語音大模型距離首發剛過去一個多月，階躍便又迅速迭代了新版本，較之上一版實現了更低延遲，聲音也更為自然。
在通話過程中，Step-1o Audio 升級版不僅能感知理解情緒，還能結合語境，深度理解情感需求，提供最佳回應：
在向其吐槽生活中瑣碎的事情如“開了一天車感覺很累”，她能在誇獎我們“真能幹”的同時給出諸如“喝口水、吃點東西補充能量”的建議，再如圍繞“最近接單很多，感覺腰很痠痛”這一問題，她也能一邊感嘆生意紅火，一邊建議我們要注意身體，記得去醫院看看，人情味滿滿。
此外，升級版也已支援多語種和多方言的對話，並能在中英交流中達到“同傳”。
不止是語音，視覺方向也一併實現了煥新升級。
階躍同期推出了 Step-1o Vision 多模態模型，作為 Step-1o 的視覺版本，與 Step-1V 和 Step-1.5V 兩款更早版本的視覺理解模型相比，實現了模型架構升級，並在在視覺識別、感知、指令跟隨、推理等任務上實現大幅提升，擁有了更強的視覺效能。
此前，在 LMSYS Org 釋出的大模型競技場 Chatbot Arena 榜單中，Step-1V 便已位列視覺領域國內大模型第一，總分同 Gemini-1.5-Flash-8B-Exp-0827 持平。
這次升級版的 Step-1o Vision 又一戰成名，剛剛釋出便在 1 月 20 日 LMSYS Org 最新榜單中，拿下了國內視覺領域大模型第一，超過所有國內大模型廠商，保持住了在多模態領域的領先地位。
LMSYS Org 網址：https://lmarena.ai/
據階躍官方介紹，Step-1o Vision 能夠更準確地識別影像內容，不管是複雜場景還是相似圖片都能輕鬆識別，甚至能精確識別圖中的多種語言。
此外，Step-1o Vision 不僅能看懂圖片，還能根據圖片內容進行推理、輔助答題、激發靈感：
上下滑動檢視長圖
同 Step-1.5v 相比，Step-1o Vision 所關注到的細節也更多：
圖源階躍星辰
值得一提的是，在推理模型的研發上，階躍也正在融入其所擅長的多模態，多模態推理在此次上新中嶄露頭角，其重磅推出了 Step 系列首款推理模型 Step R-mini，這同時也意味著階躍成為目前基座模型最全的公司之一。
根據階躍方面資料顯示，Step R-mini 不僅在 AIME 和 Math 等數學基準測試上，成績超過了 o1-preview，比肩 OpenAI o1-mini，在 LiveCodeBench 程式碼任務上，也比 o1-preview 效果更佳。
從具體效果上來看，Step R-mini 既擅長主動進行規劃、嘗試和反思，又能透過慢思考和反覆驗證的邏輯機制提供準確可靠的回覆。
同時，其最鮮明的亮點在於，已經透過大規模強化學習訓練，並使用 On-Policy（同策略）強化學習演算法，實現了“文理兼修”，既擅長透過超長推理能力，解決邏輯推理、程式碼和數學等複雜問題，也能兼顧文學創作等通用領域。
在實際應用中，只會做數理題的模型其實是很難實現推廣落地的，而只有做到“文理雙修”，模型才能在具備較強推理邏輯能力和數理能力的同時，擁有更通用任務的解決能力，如此進一步提升可用性。
語言推理模型外，階躍也在推進視覺推理模型的研發。
其試圖將推理能力融入更多互動形態的大模型中，針對複雜視覺場景下的 Reasoning 問題，引入慢感知和空間推理的思想，把 Test-Time Scaling 從文字空間轉移到視覺空間，實現在視覺空間下的 Spatial-Slow-Thinking。據 AI 科技評論瞭解，這一模型的正式版本將在今年上線。
除了前所述三款模型，階躍此番針對 Step-Video 影片生成模型也進行了升級，推出 Step-Video V2 版本。
Step-Video 是階躍在去年 11 月上新的模型，此次釋出的V2版本在複雜運動、美感、簡單文字生成、中英雙語輸入和鏡頭語言方面具備更強的生成能力。
AI 科技評論也對此進行了一波實測——
我們發現，在輸入“小男孩變身毒液”後，Step-Video V2 能自動一鍵潤色出細節更豐富的內容，並補充暗色調、模糊背景等環境描寫，自然將這部分融入影片場景中：
同時，對於鏡頭語言也進行了增添，自動幫我們決定了以“特寫鏡頭”展現，有效提升了影片的敘事能力。此外，畫面中的小男孩形象逼真，一整套變身過程也非常流暢、自然。
此外，Step-Video V2 也支援中英雙語輸入，在進行復雜運動展現這方面也能輕鬆駕馭：
Prompt: A skeleton wearing a flower hat and sunglasses dances in the wild at sunset.
值得一提的是，生成內容的美感也是階躍一直在聚焦突破的方向，這一點從其前面推出的 Step-2 文學大師版也同樣能窺見，而 AI 生成影片的美學素養也是很多現有模型還無法兼具的，對此，我們也在躍問影片中進行測試：
以中華傳統文化的展現為例，我們向躍問輸入了“身著傳統服飾、打著傘的女子”“燈籠背景”的提示詞，其能自動潤色出“穿著一襲紅色的旗袍，上面繡著精緻的花紋，手持一把紙傘，傘面是白色的，上面繪有水墨畫，與她的服飾相得益彰。”這些帶有中國風特色元素的內容。
所生成的影片整個畫面色彩很協調，當中融入了中國紅作為主色調，背景的燈籠也並非死板的單一色彩，並能隱約看到佈景中的水墨畫，此外，對於提示詞中提到的“帶有精緻花紋的紅旗袍”“印有水墨畫的傘”這些細節也能夠覆蓋還原到：
多模態模型儼然成為階躍的拿手好戲，但其自研的語言模型實力也同樣不容忽視。
去年 3 月，成立之初的階躍釋出萬億引數語言大模型 Step-2 一鳴驚人。而 Step-2 作為國內首個由創業公司釋出的萬億引數大模型，直觀體現了 Scaling Law 定律的紅利。
在階躍看來，對於語言模型而言，Scaling Law 是重中之重，而模型容量、訓練資料量是模型語言、文字功底的基石，模型小、預訓練資料量小無法實現智慧湧現，亦無法把握文字。
Step-2 也曾多次在 LiveBench 等國際權威榜單上位列國產大模型第一。
去年11月，在 LiveBench 的多項測評標準中，Step-2 在 IF Average（指令跟隨）的表現上以 86.57 的分數排在第一，超越包括 o1-preview-2024-09-12 在內的所有國內外語言大模型。
這一指標主要衡量模型對語言生成細節的控制力，而這點在文字創作上的表現尤為顯著。在生成高質量、有創意的文字內容的同時，Step-2 模型是能夠根據使用者的指令對文字進行精確調整和最佳化的。
此次，在 Step-2 的基礎上，階躍又帶來了價效比和商用性更高的 Step-2mini 語言模型和精於創作的 Step-2 文學大師版。
據階躍官方介紹，和萬億引數大模型 Step-2 相比較，Step-2mini 以 3% 左右的引數量保有了其 80% 以上的模型效能。
同時，Step-2mini 還擁有更快的生成速度和極高的價效比——在輸入4000tokens的情況下，Step-2mini 的平均首字時延僅 0.17 秒，輸入 1 元/百萬 token；輸出 2 元/百萬 token。
從底層技術上來看，Step-2mini 採用了階躍和清華團隊在《Multi-matrix Factorization Attention》中提出，其自主研發的新型注意力機制架構——MFA（Multi-matrixFactorizationAttention，多矩陣分解注意力）及其變體 MFA-Key-Reuse。
論文連結：https://arxiv.org/abs/2412.19255
此前在 LLM 推理階段，傳統注意力機制存在著 KV 快取隨著批處理大小和序列長度線性增長的情況，這不僅使得記憶體佔用大，推理效率也並不高，常用的 MHA（Multi-HeadAttention，多頭注意力）也一直在嘗試解決這一問題，但其存在效能和資源消耗間的平衡難題。
MFA 則針對前述問題給出瞭解法，相比於 MHA 架構，MFA 節省了近 94% 的 KV 快取開銷，擁有更快的推理速度，並大幅降低了推理成本。換言之，MFA 在不增加額外工程複雜度的前提下，解決了大語言模型高效推理的視訊記憶體瓶頸問題。
Step-2 文學大師版則是階躍專為創作場景研發的語言模型，沿襲了 Step-2 廣袤的知識儲備以及對文字強大的細節把控能力，同時也有著更為強大的內容創作能力。
此前，用大模型輔助創作的內容就經常會被吐槽一眼 AI，創作出來的內容往往缺乏銳度和新意，沒有真情實感和對社會事件的描繪與思考，這本質上是模型過度對齊社會共識所致。
而好的內容創作模型則是需要充分理解使用者創作需求的，邏輯嚴密、語言凝練、言之有物、節奏緊湊，並且擁有深刻思想和和獨特風格，才是這類模型要達成的目標，Step-2 文學大師版的測試結果恰恰印證了這點：
例如，讓躍問以明朝為背景創作第一人稱懸疑小說，並融入《明書·太祖載記》的內容，帶有天災、地裂、克蘇魯等元素。其所創作出的內容確實有模有樣，所有關鍵詞無一遺漏，甚至對於天災、地裂的描述銜接也十分流暢，在克蘇魯這一怪物形象的塑造上也很生動。科幻小說其也同樣不在話下：
上下滑動檢視長圖
上下滑動檢視長圖
現如今，隨著基座大模型玩家洗牌，競爭已進入更加白熱化的下半場，一邊是對 AGI 理想的堅持，一邊是面對現實的妥協，部分廠商仍在摸索基座大模型的未來，另外一部分則在技術和產品間反覆橫跳，亦或是直接改變了方向。
階躍則一直屬於前者，從基座模型來看，階躍其實也是國內為數不多已形成從理解到生成、從文字、多模態到推理全系列模型矩陣，並堅持預訓練，繼續衝擊 AGI 的大模型創業公司之一。
自成立初起，階躍便一直堅持認為——多模理解和生成的統一是通往 AGI 的必經之路，而模型的演化必然會經歷單模->多模->世界模型三個階段。
其技術發展也是沿著“單模態—多模態—多模理解和生成的統一—世界模型—AGI（通用人工智慧）”這條路徑一步步走來的。
當前，階躍的多模態應用已經愈發廣泛，並被業內多數開發者所認可，持續領跑行業：
例如，網紅 AI 應用胃之書的開發者趙純想就曾表示，透過 AB 測試發現，階躍星辰的模型付費率最高，而 AI 心理療愈應用林間療愈室 CEO 李神龍也在接入階躍的多模態理解大模型後，實現了使用者付費率的提升。
而從整體上來看，無論是去年一月一更的 11 款基座大模型，還是今年一開年便加大攻勢推出的 6 款模型，在如此厚積薄發下，階躍的技術發展無疑已駛入快車道，而其低調務實的做派下也盡顯追逐 AGI 的野心。
如今的階躍星辰，無疑已經成為了基座模型領域的“六邊形戰士”。
更多內容，點選下方關注：
未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社群進行轉載！
公眾號轉載請先在「AI科技評論」後臺留言取得授權，轉載時需標註來源並插入本公眾號名片。
未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社群進行轉載！
公眾號轉載請先在「AI科技評論」後臺留言取得授權，轉載時需標註來源並插入本公眾號名片。