跳转到主要内容
阶跃星辰为开发者提供了三款推理模型: step-3.5-flash，step-3和step-r1-v-mini。 step-3.5-flash是阶跃星辰最强大的开源基座模型。它专为极致效率而生，具备前沿的推理能力和卓越的智能体（Agent）性能。该模型基于稀疏混合专家（MoE）架构，尽管拥有 1960 亿参数，但处理每个 Token 时仅需选择性激活 110 亿参数。这种极高的“智能密度”使其推理深度足以媲美顶级闭源模型，同时兼顾了实时交互所需的敏捷响应速度。 step-3 是一款多模态推理模型，能够同时处理图文输入并输出文字回复。具备深度思考自主开展推理过程的能力。即在生成最终输出前完成一段“思考”过程（例如通过 reasoning 字段展示思考信息），提高最终结果的准确性和推理深度。在调用时，开发者无需预设过多的系统提示（sys_prompt），模型可自动发挥内在的深度思考能力。 step-r1-v-mini也是多模态推理模型，它具备强大的图像理解和深度思考能力，能够处理复杂的逻辑推理、数学问题、代码生成等任务。

​
step-3.5-flash

step-3.5-flash的使用与其他两款推理模型的使用类似。请参考以下构建对话的示例。 
import time
from openai import OpenAI

# Set your API Key and Base URL
BASE_URL = "https://api.stepfun.com/v1"
STEP_API_KEY = "YOUR_STEPFUN_API_KEY"

# Select Model
COMPLETION_MODEL = "step-3.5-flash"

# User Prompt
user_prompt = "How many 'r's are in the word strawberry?"

client = OpenAI(api_key=STEP_API_KEY, base_url=BASE_URL)

time_start = time.time()

try:
    response = client.chat.completions.create(
        model=COMPLETION_MODEL,
        messages=[
            {"role": "user", "content": user_prompt}
        ],
        stream=True
    )
except Exception as e:
    print("Exception occurred when requesting API:", e)
    exit(1)

print("Reasoning Process:")
try:
    for chunk in response:
        # Check for reasoning content
        if hasattr(chunk.choices[0].delta, 'reasoning') and chunk.choices[0].delta.reasoning:
             print(chunk.choices[0].delta.reasoning, end='', flush=True)
        # Check for standard content
        elif chunk.choices[0].delta.content:
             print(chunk.choices[0].delta.content, end='', flush=True)

except Exception as e:
    print("\nError occurred while processing streaming results:", e)

time_end = time.time()
print(f"\n\nTotal generation time: {time_end - time_start:.2f} seconds")

​
step-3 模型最佳实践

step-3 作为多模态推理模型，其温度参数 temperature 一般设置为 0.7 并可根据实际需求调整温度。我们推荐将温度设置在 0.1 ~ 1.0 之间。 此外，在使用过程中，我们建议开发者不要设置 max_tokens 参数。因为 step-3 模型会根据问题的复杂度和内容自动调整输出长度，设置 max_tokens 可能会导致无法输出完整的 reasoning 和 content。在不设置时，模型的上下文总长为 65536 ，并根据问题的复杂度进行长短不一的思考。

​
step-3 模型特性

  1. 全能理解：像人脑一样同时”看懂”图片和”理解”文字，比如你能发一张图表图片+一段问题，它会先分析图片里的数据，再结合文字内容综合回答。
  2. 深度思考过程：遇到难题时会先自己”想一想”，比如解数学题时会列出解题步骤、分析问题关键点，这个思考过程还会显示出来，就像你解题时的草稿纸。
  3. 不用复杂指令：不需要你写很多提示词，它自己就能发挥推理能力。比如你说”看看这张地图，告诉我最佳路线”，它就能自动分析地图并规划路径。
  4. 多才多艺：会解数学题、能看懂图表、还能帮你写代码。
  5. 学习能力强：通过海量虚拟训练（比如用合成数据模拟各种场景），让它在处理复杂任务时更可靠，已经在很多专业测试里拿了高分。

​
核心示例代码

以下使用最简单的代码实现 step-3 模型对图片进行分析。
copy
import time
import base64
from openai import OpenAI

BASE_URL,STEP_API_KEY = "https://api.stepfun.com/v1", "YOUR_STEPFUN_APIKEY"

# 选择模型
COMPLETION_MODEL = "step-3" # 也可替换为 step-r1-v-mini

# 用户问题提示
user_prompt = "帮我看看这是什么菜，如何制作？"

# 将本地图片转换为 base64 字符串
def image_to_base64(image_path):
    with open(image_path, "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read())
    return encoded_string.decode('utf-8')

# 注意提供准确的图片路径
image_path1 = "./宫保鸡丁.png"
bstring1 = image_to_base64(image_path1)

# 构造消息，依靠模型自主深度思考
messages = [
    {"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": f"data:image/jpg;base64,{bstring1}", "detail": "high"}},
        {"type": "text", "text": user_prompt}
    ]}
]

time_start = time.time()

client = OpenAI(api_key=STEP_API_KEY, base_url=BASE_URL)
try:
    response = client.chat.completions.create(
        model=COMPLETION_MODEL,
        messages=messages,
        stream=True
    )
except Exception as e:
    print("请求 API 时发生异常:", e)
    exit(1)

try:
    for chunk in response:
        # 你可以在这里获取到补全的内容，并判断是否是 reaonsing 内容。
        print(chunk)
except Exception as e:
    print("处理流式结果时发生错误:", e)

time_end = time.time()
print(f"\n总生成时间: {time_end - time_start:.2f}秒")
输入参数详情可以参考Chat Completion 文档 输出示例 
ChatCompletionChunk(id='f41b47b291e690d3659f6d8c01a6b0a8.20f353f807a52a5f3252692a22d49568', choices=[Choice(delta=ChoiceDelta(content='', function_call=None, refusal=None, role='assistant', tool_calls=None), finish_reason=None, index=0, logprobs=None)], created=1744290861, model='step-3', object='chat.completion.chunk', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=0, prompt_tokens=701, total_tokens=701, completion_tokens_details=None, prompt_tokens_details=None), agent='')
ChatCompletionChunk(id='f41b47b291e690d3659f6d8c01a6b0a8.20f353f807a52a5f3252692a22d49568', choices=[Choice(delta=ChoiceDelta(content='', function_call=None, refusal=None, role='assistant', tool_calls=None, reasoning='\n'), finish_reason=None, index=0, logprobs=None)], created=1744290861, model='step-3', object='chat.completion.chunk', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=1, prompt_tokens=701, total_tokens=702, completion_tokens_details=None, prompt_tokens_details=None), agent='')
ChatCompletionChunk(id='f41b47b291e690d3659f6d8c01a6b0a8.20f353f807a52a5f3252692a22d49568', choices=[Choice(delta=ChoiceDelta(content='', function_call=None, refusal=None, role='assistant', tool_calls=None, reasoning='好的'), finish_reason=None, index=0, logprobs=None)], created=1744290861, model='step-3', object='chat.completion.chunk', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=2, prompt_tokens=701, total_tokens=703, completion_tokens_details=None, prompt_tokens_details=None), agent='')
。。。
ChatCompletionChunk(id='f41b47b291e690d3659f6d8c01a6b0a8.20f353f807a52a5f3252692a22d49568', choices=[Choice(delta=ChoiceDelta(content='！', function_call=None, refusal=None, role='assistant', tool_calls=None), finish_reason=None, index=0, logprobs=None)], created=1744290861, model='step-3', object='chat.completion.chunk', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=1031, prompt_tokens=701, total_tokens=1732, completion_tokens_details=None, prompt_tokens_details=None), agent='')
ChatCompletionChunk(id='f41b47b291e690d3659f6d8c01a6b0a8.20f353f807a52a5f3252692a22d49568', choices=[Choice(delta=ChoiceDelta(content='', function_call=None, refusal=None, role='assistant', tool_calls=None), finish_reason='stop', index=0, logprobs=None)], created=1744290861, model='step-3', object='chat.completion.chunk', service_tier=None, system_fingerprint=None, usage=CompletionUsage(completion_tokens=1032, prompt_tokens=701, total_tokens=1733, completion_tokens_details=None, prompt_tokens_details=None), agent='')
响应体字段说明请参考文档

​
获取 Reasoning 内容

阶跃星辰的推理大模型在处理复杂问题时，会在输出中包含 reasoning 字段，展示模型的思考过程。开发者可以通过判断该字段是否存在来获取模型的思考信息。 
if chunk.choices[0].delta.reasoning:
    reasoning = chunk.choices[0].delta.reasoning
    print("模型思考过程:", reasoning)
对于非流式场景可以直接提取 reasoning 字段，获取模型的思考过程。 
msg  = completion.choices[0].message.content
reasoning = completion.choices[0].message.reasoning

​
通过 reasoning_content 字段，获取模型的思考过程。

如果你目前使用的推理模型中已经使用 reasoning_content 字段，可以继续使用该字段。阶跃星辰的推理模型也支持这一字段，开发者可以根据自己的需求选择使用。 只需要在请求时传入 reasoning_format="deepseek-style" 即可。（如使用 OpenAI SDK，则需要通过 extra_body 字段传入）

​
多模态模型使用注意事项

  • 深度思考优势：模型在接收到图片及文字提示后，会首先经过内部思考（reasoning）再输出最终结果。这一过程有助于完成复杂的关联和因果推理，但可能会使响应时间略有延迟，应据此考虑超时设置。
  • JSON 模式与联网搜索限制：当前版本暂时不支持 JSON mode 以及联网搜索功能。开发者在使用过程中请以当前能力为准，确保设计逻辑不依赖联网检索结果。
  • 图片数据格式：确保传入的图片数据使用正确的 Base64 编码格式，并按照 API 要求指定图片类型（如 JPG/JPEG、PNG、静态GIF、WebP等）和细节参数，保证推理的准确性。详见文档
  • 错误处理与日志记录：在输出时已加入Trace ID，若遇到模型推理问题，可将此ID反馈给我们。