Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Step3-VL-10B

StepFun · stepfun-ai/Step3-VL-10B

Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos

Informado pelo publicador15 resultadosFicha de StepFun · lida em 2026-10-25 · sem ranking · ver
Memória necessária~8 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros10,2 BTotal de safetensors no Hub
Repositório atualizado2026-02-04Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

15 resultados · ficha de StepFun · lida em 2026-10-25
MMMU
78,11STEM Reasoning
MathVision
70,81STEM Reasoning
MathVista
83,97STEM Reasoning
PhyX
59,45STEM Reasoning
MMBench (EN)
92,05Recognition
MMStar
77,48Recognition
ReMI
67,29Recognition
OCRBench
86,75OCR & Document
Todos os resultados informados15
AI2D
89,35OCR & Document
ScreenSpot-V2
92,61GUI Grounding
ScreenSpot-Pro
51,55GUI Grounding
OSWorld-G
59,02GUI Grounding
BLINK
66,79Spatial
All-Angles-Bench
57,21Spatial
HumanEval-V
66,05Code

Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: 📊 Performance › Comparison with Open-Source Models (7B–10B)); coluna “STEP3-VL-10B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo

Roda em

Cabe na memória rápida 90

A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.

Mostrar todos os 90

Na memória, fora da parte rápida 26

Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.

Mostrar todos os 26

Falta um degrau de memória 3

As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.

Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.

Considere para

StepFun lançou Step3-VL-10B em 2026-01-14: um modelo de visão e linguagem que responde sobre imagens, com 10,2B parâmetros pela contagem do Hugging Face e licença Apache 2.0.

Confira antes

Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 7,6 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.

Velocidade medida

Nenhuma medição publicada para este checkpoint

Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.

Como rodar

Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Transformers · ficha do modelo · Inference with Hugging Face Transformers
from transformers import AutoProcessor, AutoModelForCausalLM


key_mapping = {
    "^vision_model": "model.vision_model",
    r"^model(?!\.(language_model|vision_model))": "model.language_model",
    "vit_large_projector": "model.vit_large_projector",
}

model_path = "stepfun-ai/Step3-VL-10B"

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"},
            {"type": "text", "text": "What's in this picture?"}
        ]
    },
]

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype="auto",
    key_mapping=key_mapping).eval()


inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt"
).to(model.device)


generate_ids = model.generate(**inputs, max_new_tokens=1024, do_sample=False)
decoded = processor.decode(generate_ids[0, inputs["input_ids"].shape[-1] :], skip_special_tokens=True)

print(decoded)
vLLM · ficha do modelo · 🚀 Deployment with vLLM (OpenAI-compatible API)
vllm serve --model stepfun-ai/Step3-VL-10B -tp 1 --reasoning-parser deepseek_r1 --enable-auto-tool-choice --tool-call-parser hermes --trust-remote-code
SGLang · ficha do modelo · 🚀 Deployment with SGLang (OpenAI-compatible API)
sglang serve --model-path stepfun-ai/Step3-VL-10B --trust-remote-code --port 2345 --reasoning-parser deepseek-r1 --tool-call-parser hermes

Escolher meu computador

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Checkpoint / fonte
stepfun-ai/Step3-VL-10B
Tarefa
image-text-to-text
Arquitetura
StepVLForConditionalGeneration
Licença dos pesos
Apache 2.0stepfun-ai/Step3-VL-10B model card (Hugging Face) · consultado em 2026-10-18fonte
Uso comercial
Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
Lançamento
STEP3-VL-10B Technical Report (StepFun, arXiv 2601.09668 v1) · consultado em 2026-10-18fonte
Todos os campos guardados12 campos
Revisão conferida
5026053b0c2f5dfaa08fc2d149384162c3c8bca1
Arquitetura
StepVLForConditionalGeneration
Tag de tarefa no Hub
image-text-to-text
Modelos base declarados
stepfun-ai/Step3-VL-10B-Base
Formatos
safetensors
Acesso
Download aberto
Tipo de publicador
Oficial
Parâmetros no Hub
10.171.750.144safetensors.total
Repositório criado
2026-01-13criação não é o lançamento do modelo
Repositório atualizado
2026-02-04um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
9.708 · 419só este repositório · lido em 2026-10-25
Estado no catálogo
Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário

Fontes

Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.

Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.