Die Step 3.7 Flash API ist auf Novita AI für Entwickler verfügbar, die ein multimodales Reasoning-Modell über eine OpenAI-kompatible Serverless-LLM-API benötigen: Verwenden Sie stepfun/step-3.7-flash mit dem Chat-Completions-Endpunkt von Novita AI, wenn Ihr Workflow Texte, Bild- oder Videoeingaben, Tool-Aufrufe, strukturierte Ausgaben und ein 256K-Kontextfenster erfordert. Wenn Sie bereits bereit sind, Anfragen zu senden, springen Sie zum Schnellstart mit der Step 3.7 Flash API. Wenn Sie noch entscheiden, ob das Modell zu Ihrem Produkt passt, beginnen Sie mit den Spezifikationen, Preisen und den untenstehenden Evaluierungshinweisen.
Was ist Step 3.7 Flash auf Novita AI?
Step 3.7 Flash ist StepFuns hocheffizientes multimodales Reasoning-Modell, das auf Novita AI für den Serverless-LLM-Zugriff gehostet wird. Die API-Modell-ID lautet stepfun/step-3.7-flash, und das Modell wird über den Chat-Completions-Endpunkt bereitgestellt.
Die praktische Antwort für Entwickler ist unkompliziert: Verwenden Sie die Step 3.7 Flash API, wenn Ihr Workflow mehr als reinen Text-Chat erfordert. Es eignet sich für agentische Aufgaben, die lange Anweisungen, visuellen oder Video-Kontext, strukturierte Ausgaben und Tool-Routing kombinieren. Beispiele sind die Analyse eines Produktvorführungsvideos, die Umwandlung von Screenshots in Implementierungsaufgaben, die Planung mehrstufiger Operationen aus gemischten Medieneingaben oder die Verwendung eines Modells, um zu entscheiden, wann eine Anwendungsfunktion ausgeführt werden soll.
Es ist nicht dazu gedacht, jedes kleinere Textmodell in Ihrem Stack zu ersetzen. Wenn Ihre Anwendung nur kurze FAQ-Antworten, einfache Extraktion oder eine Klassifizierung mit hohem Volumen benötigt, vergleichen Sie zunächst aktuelle Modelle in der Novita AI Modellbibliothek und den Novita AI Preisen. Step 3.7 Flash wird besonders attraktiv, wenn multimodale Eingaben, langer Kontext oder tool-bewusste Planung Teil der tatsächlichen Produktanforderung sind.
Step 3.7 Flash API: Spezifikationen, Verfügbarkeit und Preise
Novita AI listet Step 3.7 Flash derzeit als Serverless-LLM-Modell mit den folgenden Implementierungsdetails. Die Verfügbarkeit und Preise des Modells können sich ändern, überprüfen Sie daher vor der Produktionsrouting und Beschaffungsprüfung die aktuelle Modellseite.
| Feld | Aktueller Wert bei Novita AI |
|---|---|
| Anzeigename | Step 3.7 Flash |
| API-Modell-ID | stepfun/step-3.7-flash |
| Zugangspfad | Serverless LLM |
| Endpunkt | chat/completions |
| Eingabemodalitäten | Text, Bild, Video |
| Ausgabemodalität | Text |
| Kontextfenster | 262.144 Token |
| Maximale Ausgabetoken | 256.000 Token |
| Funktionsaufrufe | Unterstützt |
| Strukturierte Ausgaben | Unterstützt |
| Reasoning | Unterstützt |
| Modellfamilie | StepFun |
| Architekturbezeichnung | MoE |
Die aktuellen Token-Preise für stepfun/step-3.7-flash sind:
| Token-Typ | Aktueller Preis |
|---|---|
| Eingabe-Token | 0,20 $ pro Million Token |
| Gecachte Eingabe-Token | 0,04 $ pro Million Token |
| Ausgabe-Token | 1,15 $ pro Million Token |
Dieselbe Modellliste zeigt Anforderungsraten-Stufen von T1 bis T5. Das sichtbare T1-Kontingent beträgt 30 RPM und 50.000.000 TPM, mit höheren RPM-Werten auf höheren Stufen. Behandeln Sie diese als Plattformlimits, die Sie während der Kontoerstellung überprüfen sollten, nicht als Ersatz für Ihre eigenen Lasttests.
Preise sind wichtig, da multimodale und langkontextuelle Anfragen schnell anwachsen können. Ein Produktteam sollte die Prompt-Größe, den aus Medien abgeleiteten Kontext, die Wiederverwendung gecachter Lesevorgänge und die Ausgabelänge separat messen. Wenn ein Workflow wiederholt denselben System-Prompt, dasselbe Tool-Schema oder denselben großen Anweisungsblock sendet, können gecachte Lesevorgänge Teil der Kostenplanung werden. Wenn Antworten regelmäßig große Ausgabegrößen erreichen, werden Ausgabe-Token die Rechnung schneller dominieren als Eingabe-Token.
Ein nützliches Budgetierungsmuster besteht darin, den Evaluierungsverkehr in drei Eimer aufzuteilen. Messen Sie zunächst eine textbasierte Basislinie für dieselbe Aufgabe. Fügen Sie zweitens Bild- oder Videoeingaben hinzu und zeichnen Sie auf, wie oft der zusätzliche Kontext die Antwort ändert. Testen Sie drittens die Langkontextversion mit der vollständigen Richtlinie, dem Schema oder der Produktdokumentation. Wenn der dritte Eimer die Routing-Genauigkeit verbessert oder manuelle Überprüfungen reduziert, kann die größere Anfrage gerechtfertigt werden. Wenn nicht, halten Sie den Produktionspfad schmaler.
Für welche multimodalen Reasoning-Aufgaben ist es geeignet?
Step 3.7 Flash ist am interessantesten, wenn das Modell über verschiedene Arten von Eingaben hinweg argumentieren muss und dann einen Plan, eine Entscheidung oder eine strukturierte Antwort liefern soll.
Für Produkt- und Supportteams kann dies bedeuten, dass das Modell einen UI-Screenshot oder ein kurzes Video-Clip prüft, das wahrscheinliche Problem des Benutzers identifiziert und ein JSON-Objekt zurückgibt, das das Ticket an die richtige Warteschlange leitet. Für Entwickler-Tools kann es bedeuten, eine Bildschirmaufzeichnung eines Fehlers, den dazugehörigen Fehlertext und ein Quellcode-Snippet zu lesen und dann eine Reproduktionscheckliste zu erstellen. Für Betriebsworkflows kann es bedeuten, lange Richtlinientexte mit visuellen Beweisen zu kombinieren und das Modell aufzufordern, einen schrittweisen Bearbeitungsplan zu erstellen.
Der wichtige Unterschied ist, dass Step 3.7 Flash die für die Aufgabe benötigten Beweise erhalten sollte. Bitten Sie es nicht, Details zu erschließen, die nie bereitgestellt wurden. Wenn der Workflow von einer Datenbanksuche, einem Abrechnungsstatus, einem Bestellstatus oder einem Bereitstellungsprotokoll abhängt, legen Sie diese Daten über Ihre Anwendungsschicht oder einen Tool-Aufruf offen, anstatt sich auf das Allgemeinwissen des Modells zu verlassen.
Gute Evaluierungs-Prompts umfassen:
- Einen Support-Triage-Prompt mit einem Screenshot, der Beschreibung des Benutzers und einem erforderlichen JSON-Schema.
- Einen Produkt-QA-Prompt mit einer kurzen Videoeingabe und einer Fehlerberichtsvorlage.
- Einen Tool-Routing-Prompt, bei dem das Modell zwischen
create_ticket,search_docsundescalate_to_humanwählen muss. - Einen Langkontext-Analyse-Prompt, bei dem dasselbe Tool-Schema und derselbe Richtlinientext von gecachten Lesevorgängen profitieren können.
Vermeiden Sie es, mit vagen Prompts wie „Analysieren Sie dieses Video“ oder „Überlegen Sie zu diesem Bild“ zu beginnen. Geben Sie dem Modell die Aufgabe, die Entscheidungsgrenze und das Ausgabeformat. Das erleichtert den Vergleich von Ergebnissen über Modelle hinweg und die Messung, ob sich der zusätzliche Kontext und die multimodalen Eingaben auszahlen.
Für Agent-Workflows ist die Tool-Unterstützung des Modells der Teil, den Sie am sorgfältigsten testen sollten. Eine gute Evaluierung von Tool-Aufrufen sollte Fälle umfassen, in denen die richtige Antwort darin besteht, ein Tool aufzurufen, Fälle, in denen die richtige Antwort darin besteht, nach weiteren Informationen zu fragen, und Fälle, in denen kein Tool ausgeführt werden sollte. Das verhindert, dass die Evaluierung übereifrige Aktionen belohnt, nur weil das Modell einen Funktionsaufruf ausgeben kann.
Wie sollten Teams es vor der Produktion evaluieren?
Beginnen Sie mit einem kleinen Testsatz, der Ihrem Produkt ähnelt, nicht mit einem generischen Benchmark-Prompt. Fügen Sie Erfolgsfälle, Randfälle und Prompts hinzu, die keinen Tool-Aufruf auslösen sollten. Wenn Ihre Anwendung strukturierte Ausgaben benötigt, validieren Sie die Ausgabe automatisch gegen Ihr Schema, anstatt sie manuell zu überprüfen.
Eine minimale OpenAI-kompatible Textanfrage verwendet die Novita AI LLM API Basis-URL und die verifizierte Modell-ID:
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["NOVITA_API_KEY"],
base_url="https://api.novita.ai/openai",
)
response = client.chat.completions.create(
model="stepfun/step-3.7-flash",
messages=[
{
"role": "system",
"content": "Sie sind ein praktischer Incident-Triage-Assistent. Geben Sie prägnante, strukturierte Empfehlungen zurück.",
},
{
"role": "user",
"content": "Überprüfen Sie diese Incident-Zusammenfassung und identifizieren Sie die nächsten drei Prüfungen: Die API-Latenz hat sich nach einem Deployment verdoppelt, die Datenbank-CPU ist normal, die Fehlerrate ist gleichbleibend.",
},
],
max_tokens=700,
temperature=0.2,
)
print(response.choices[0].message.content)
Für die Produktionsevaluierung fügen Sie vier Prüfungen hinzu, bevor Sie echten Benutzerverkehr routen:
- Kostenprüfung: Protokollieren Sie Eingabe-, gecachte Lese- und Ausgabe-Token für repräsentative Anfragen.
- Schema-Prüfung: Validieren Sie strukturierte Ausgaben automatisch und wiederholen Sie den Vorgang oder greifen Sie auf Alternativen zurück, wenn Antworten nicht übereinstimmen.
- Tool-Prüfung: Testen Sie sowohl Tool-Aufruf- als auch Nicht-Tool-Aufruf-Fälle, einschließlich mehrdeutiger Prompts.
- Medienprüfung: Evaluieren Sie die tatsächlichen Bild- oder Videoformate, die Ihre App sendet, nicht nur Textzusammenfassungen von Medien.
Funktionsaufrufe und strukturierte Ausgaben sind nützlich, aber sie heben die Anwendungsverantwortung nicht auf. Ihr Dienst benötigt weiterhin Autorisierungsprüfungen, Eingabevalidierung, idempotente Tool-Ausführung und Audit-Logs für Aktionen, die Benutzerdaten ändern.
Bei multimodalen Anfragen halten Sie den Medienverarbeitungspfad explizit. Speichern oder referenzieren Sie das Asset gemäß den Datenschutzregeln Ihrer Anwendung, bewahren Sie ausreichend Metadaten für die Fehlerbehebung auf und zeichnen Sie auf, welches Anforderungsformat verwendet wurde. Wenn später ein Produktionsproblem auftritt, möchten Sie wissen, ob das Modell das Originalbild oder -video, eine komprimierte Version, einen Frame-Auszug oder eine von einem anderen Dienst generierte Textzusammenfassung gesehen hat.
Wie verhält sich die Launch-Übersicht zum Schnellstart?
Dieser Artikel ist der Launch- und Quellenwahrheits-Überblick: Verfügbarkeit, Modell-ID, Preise, multimodaler Umfang und Eignung für Entwickler. Der separate Schnellstart mit der Step 3.7 Flash API geht tiefer auf Anforderungs-Payloads, Bild- und Videoeingaben, Beispiele für Funktionsaufrufe und Muster für strukturierte Ausgaben ein.
Diese Trennung ist sinnvoll, da Launch-Leser normalerweise die Frage beantworten müssen: „Sollten wir dieses Modell evaluieren?“ Schnellstart-Leser müssen die Frage beantworten: „Welche genaue Anfrage soll ich senden?“ Wenn diese Aufgaben getrennt bleiben, werden Preis- und Leistungsfakten nicht in einem langen Tutorial vergraben, während dennoch Platz für Implementierungsdetails bleibt, wo sie hingehören.
Der beste nächste Schritt ist jetzt, die Step 3.7 Flash Modellseite zu öffnen, die aktuelle Preisliste und Limits für Ihr Konto zu bestätigen und einen engen Evaluierungs-Prompt auszuführen, der dieselben Medien, dasselbe Tool-Schema oder dieselbe strukturierte Ausgabe verwendet, die Ihre Anwendung benötigen wird.
FAQ
Ist Step 3.7 Flash auf Novita AI verfügbar?
Ja. Novita AI listet Step 3.7 Flash derzeit als Serverless-LLM-Modell mit der API-Modell-ID stepfun/step-3.7-flash.
Welche Eingaben unterstützt Step 3.7 Flash?
Die Novita AI Modellseite listet derzeit Text, Bild und Video als unterstützte Eingabemodalitäten. Die Ausgabemodalität ist Text.
Wie viel kostet Step 3.7 Flash auf Novita AI?
Die aktuellen Novita AI Preise für stepfun/step-3.7-flash betragen 0,20 $ pro Million Eingabe-Token, 0,04 $ pro Million gecachter Lese-Eingabe-Token und 1,15 $ pro Million Ausgabe-Token.
Unterstützt Step 3.7 Flash Funktionsaufrufe?
Ja. Die Novita AI Modellseite listet derzeit Funktionsaufrufe, strukturierte Ausgaben und Reasoning-Unterstützung für Step 3.7 Flash.
Welchen Endpunkt sollten Entwickler verwenden?
Verwenden Sie den OpenAI-kompatiblen Chat-Completions-Endpunkt von Novita AI mit der Modell-ID stepfun/step-3.7-flash. Die Basis-URL für die OpenAI-kompatible SDK-Nutzung lautet https://api.novita.ai/openai.
