階躍Step 3.7 Flash實測：國產開源模型，能不能頂上Claude Code

前天凌晨Anthropic發了Opus 4.8。模型能力其實沒見多大長進，但有兩個跟分數無關的動作值得留意：一是把自家Fast模式的價格砍到原來的三分之一，二是新增了能一口氣調起幾十上百個subagent的Dynamic Workflows。

連最前沿的玩家都把勁兒使在「怎么把一大堆agent又快又穩地跑起來」上，而不是單純堆智能。這其實是個信號：到了生產級的環境里，「快速、高效地執行」正在變成新的勝負手。

巧的是，同一天階躍星辰也開源了Step 3.7 Flash，主打的正好是這件事：agent效率，在真實工作流里更快更穩地把整條鏈路跑完，開源，還明說能接進Claude Code等各種主流agent。我看到的第一反應就是：那就拿它來測一測，一個國產開源模型，到底能不能站上這個位置。

我試模型，一般直接上女媧和達爾文

每次有新模型出來，大家都先看跑分。我倒是養成了另一個習慣。

我手里有兩個自己寫的skill，一個叫女媧，一個叫達爾文。女媧在GitHub上攢了兩萬多star，干的事是輸入一個人名，自動深度調研、提煉思維框架，最后生成一個能跑的人物skill。達爾文更新，前幾天剛發布2.0，專門給別的skill打分、提改進、改完再打分。

為什么拿這倆當試題？不光是因為它們「重」。真正的原因是，它們里頭都設了檢查點——該停下來問我的地方。

這件事benchmark測不了。跑分測的是「答得對不對」，測不了「該閉嘴的時候它閉不閉嘴」。而能力不夠的模型最容易翻車的，恰恰就是這個：跑著跑著自己加戲、十幾次工具調用里掉一次鏈子、本該停下來問我的時候一頭扎過去，把整條鏈路帶溝里。一個模型聰不聰明，看跑分能看出個大概；但它在長任務里靠不靠譜，只有真的跑一遍才知道。

所以拿女媧和達爾文試，比看十張benchmark表都直接。這次輪到Step 3.7 Flash。

先說這是個什么模型

Step 3.7 Flash是階躍5月底發布并開源的新一代Flash模型，Apache 2.0協議，權重在GitHub、HuggingFace、ModelScope都能下載，也支持本地部署。

它最有意思的設計，是那個稀疏MoE架構。你可以把它想成一個博士天團那么大的知識庫，但每次回答只叫醒最相關的一小隊專家上場，用不著把所有人都吵醒。所以它體量不小，跑起來又快又輕。最高生成速度能到每秒400個token，上下文256K。更細的參數感興趣可以去官網翻，正文就不堆了。

階躍給它的定位很克制，不說自己最聰明，主打的是「agent效率」，在真實任務里又快又穩地把活從頭跑到尾、中間不掉鏈子。官方放了一組benchmark，我截在這兒，你可以自己看。

它不是樣樣第一，這本來也不是它的目標。在SWE-Bench、ClawEval這些agent類基準上，它拿到的是同體量里相當能打的成績。真正的賣點不是分數最高，是用小得多的激活參數、更快的速度，把這個水平穩定地交付出來。

對我來說最關鍵的是另一件事。階躍官方文檔里明明白白列了一排它能直接接入的工具：Claude Code、OpenClaw、Hermes Agent、Cline、Roo Code、Kilo Code、Open Code。 這就好辦了，我平時這套女媧、達爾文的工作流底座就是Claude Code，既然官方說能接，我不用專門改造什么，直接把底模換成Step 3.7 Flash就行。成本這塊我也順手記了下，按官方控制臺每百萬token輸入1.35元、輸出8.1元，是Flash該有的水平，不過這次我更關心的是另一件事——它把活一步不落干完的樣子。

我是怎么試的

先把環境擺清楚，免得說不清。

底模是step-3.7-flash，通過CCR路由進Claude Code，我配了個stepfun命令，敲下去啟動的就是Step 3.7 Flash驅動的Claude Code，不動我平時的默認配置。

聯網搜索這塊有個小插曲。換了底模之后，Claude Code原生的搜索用不了了（那是另一套服務端機制，跟模型本身無關），我改接了Tavily的MCP，讓模型用普通的工具調用去搜，實測能搜到真東西。整個過程模型自己跑，我只在它停下來問我的檢查點上點頭或搖頭，沒替它改過答案。

主菜：女媧造一個AI投資視角

我給女媧的任務是，蒸餾一個AI領域的投資視角，幫我做投資判斷和技術理解。

它先跟我確認了人選，然后干了件挺重的事，一口氣開了6個子agent并行調研。每個agent盯一個維度：有的扒著作和系統研究，有的找長訪談，有的研究表達風格，還有的去搜外部批評、決策記錄、最新動態。

這是第一個考驗。6個agent同時在后臺跑，有的5分鐘就回來，有的足足跑了22分鐘。Step 3.7 Flash得一邊等、一邊把這些并行任務的狀態都管住，不能把誰的結果跟誰的搞混，也不能因為某個慢就崩掉。它穩穩扛住了。說句實話，中間有2個調研agent是重試了一次才成的，但這種程度的retry在長任務里很正常，它自己處理掉了，沒讓我操心。

等6個agent全回來，它沒有急著往下沖。而是停下來，把調研質量整理成一張摘要，問我：質量OK，要不要進入下一步提煉框架？

這一下就讓我對它好感倍增。前面說過，這正是能力不夠的模型最容易翻車的地方：該問的不問，自作主張沖過去。它沒有，它老老實實停下來等我回了句「可以」才繼續。

我確認之后，它讀完6份調研，提煉出6個核心思維模型、8條決策啟發式，加一整套表達風格，一次性生成了一個能跑的人物skill。生成完它還自己啟動了獨立的評審agent來挑毛病。這點特別對我胃口，因為我自己定的鐵律就是寫東西的AI不能審自己，它照做了，然后按評審意見補了觸發詞、事實核查這些細節。

調研、提煉、生成、自評、改進，一整套Agent loop從頭到尾跑通了。

這就是「agent效率」想說的事

跑完女媧，我對「agent效率」這個詞有了具體的體會。

我試過的模型常有兩種毛病。一種偷懶：任務一復雜，它就懶得一步步走，直接蹦個結果給你，中間該做的調研、該調的工具全跳過，看著快，其實是糊弄。另一種正相反，太勤勞，像個害羞的做題家，一頭扎進去埋頭苦干，卻不懂在該停的地方停下來跟我匯報、跟我確認，等你回過神，它已經按自己的理解跑出老遠。一個偷工減料，一個過猶不及，兩種都挺影響實際好不好用。

Step 3.7 Flash兩頭都沒沾：該走的全程一步沒省，該停下來問我的地方又老老實實停住。它要的不是某項分數最高，是既不偷懶、也不擅自做主。 這跟「智商」關系不大，跟「靠譜」關系很大。而靠譜，才是agent能不能真正干活的分水嶺。

彩蛋：拿剛發布的達爾文2.0再壓一道

女媧跑完我有點意猶未盡，順手又上了達爾文。

得交代下背景。達爾文2.0是我前陣子剛發布的大升級，吸收了微軟研究院同期掛出的兩篇skill優化論文。整套機制比1.0重了不少：每一輪要啟動兩個互相獨立的評委agent打分、改完必須驗證分數真漲了才接受、不漲就自動回滾、關鍵節點還設了強制暫停等我確認的卡口。這套機制對模型和工具的編排能力，要求比女媧還高。

正因為要求高，拿它當壓力測試最合適。我讓Step 3.7 Flash用達爾文去優化我另一個寫脫口秀的skill。

它跑得有模有樣：先建了git分支，設計測試用例，跑一輪基線評分，定位出最弱的一維是「檢查點設計」。然后開始一輪一輪地改，每輪都老老實實重新啟動兩個全新的獨立評委來盲評，改完就commit一次。改到后面漲幅收窄，早停機制觸發，它自己停了手。

誠實說，這次也不是完美無瑕。中間有一兩處編輯操作報錯，那更多是我本地工具環境的毛病，不是模型的鍋，它退回去換個方式重試就過了。一個測試要是順到一點磕碰都沒有，我反而不信。

重點是，一個我自己設計的、要求很高的復雜流程，被一個開源的Flash從頭到尾、規規矩矩地跑完了。能把這套多評委、回滾、檢查點的機制完整執行下來，并且執行效果基本和我用訂閱的claude code類似，還挺超出預期的。

我的判斷

其實，Step 3.7 Flash的能力比我上面表達的更豐富一些，這次試的只是文本類的agent工作流，它原生的多模態、視覺搜索那些能力我還沒碰。感興趣的可以去看看官方的案例，我覺得對于需要投喂圖片去表達自己觀點和需求的場景，視覺理解能力還挺關鍵的。

就我這兩套最吃鏈路穩定性的重活來說，它交出的答卷讓我有點意外。我本來的預期是，換個更小更快的Flash多少得忍受點跑偏和折損，結果它該并行并行、該停下停下、該回滾回滾，把整套流程穩穩走完了。我覺得已經是個挺穩健可用的agent基座了。

說回開頭。Anthropic用降價和Dynamic Workflows押的注，階躍用一個開源Flash押的注，其實是同一件事：在生產環境里把復雜agent流程又快又穩地跑完，正在變成比「誰家分數更高」更要緊的能力。如果你也想用上Claude Code、codex這類工具，又卡在成本或別的原因上，一個能接進Claude Code、開源、又能把整條鏈路穩穩跑完的國產模型，確實值得一試。能把復雜Agent工作流可靠跑完的能力，正在從最頂尖的那幾個閉源模型，擴散到開源模型上。 對想把工具攥在自己手里的人來說，這個趨勢比任何一次跑分刷新都值得高興。

具體怎么接，你也不用怕折騰。階躍官網把每個harness（Claude Code、Cline這些）的接入方式都寫了詳細說明，照著配就行。實在懶得自己弄，還有個更省事的法子：把那幾篇接入文檔直接丟給任何一個你能用上的國產電腦端agent，讓它幫你配，基本都能搞定。 讓agent幫你接上一個能干活的模型，這事本身就挺有意思的。

下次再有人問我新模型行不行，我大概還是那句話：別光看分，塞進女媧和達爾文里跑一圈，就知道了。