初代 gelab 为纯视觉小模型，面对半透明弹窗、广告弹窗、验证码等复杂场景时识别准确率低，多步操作易出现幻觉、数字输入易遗漏。升级多模态大模型后，复杂场景适配能力大幅提升，批量多步操作通过率达96%，全链路交付稳定性显著增强。 Step 3.7 Flash 的升级绝非仅做视觉能力优化，而是实现了从「看懂屏幕内容」到「稳定跑通全流程交付」的核心质变。这种全链路稳定交付能力是 Agent to Agent（A2A）协同的核心基础：单 Agent 能力稳定是多 Agent 协同落地的必要前提，本次突破大幅降低了后续 A2A 体系的搭建与调试成本。

作为音乐老玩家，最开始是从 ACESTEP 第一代了解到阶跃。 黑客松上为了 API 演示响应速度，使用了 Step 3.7 Flash，非常之夯，现场演示从不掉链。 新一代的 Realtime TTS 模型最惊艳，可以辅助我进行交替传译表达练习，而且反应速度居然比真人老师还快!

这波必须给 Step 3.7 Flash 和 StepAudio 磕一个，这速度真的是我生平仅见，快到离谱！用起来完全没那种盯着屏幕转圈圈的等待焦虑。特别是 Step 3.7 Flash，简直是“性价比之王”，便宜又大碗。我现在本地自制的那个火柴人 Agent OS 已经全量切到这套架构上了，实锤是最佳拍档。不管是跑长程任务还是搞日常 Agent，这俩就是绝配的“Token 粮食”，喂得又饱又快，干活效率直接拉满，太顶了！

我也算是 Step 系列的老用户了，从 Step 3.5 走到 3.7，能真正感受到模型智能的快速上升，同时一直以来，Step系列都保持着非常高的回复速度。尤其是 3.7，你会有一种错觉，这个模型是不是直肠（笑）？另外在写教程的时候，Step 3.7 Flash 的语文功底真的很不错，我只需要微调，就能达到需求了，体验感拉满~

Step 的模型 3.7 版本之后的模型编程能力有了比较大的提升，而且还具备不错的视觉能力，支持视频，语音，图片，文本的多模态能力，很赞！