Rapporto Tecnico STEP3-VL-10B
STEP3-VL-10B Technical Report
January 14, 2026
Autori: Ailin Huang, Chengyuan Yao, Chunrui Han, Fanqi Wan, Hangyu Guo, Haoran Lv, Hongyu Zhou, Jia Wang, Jian Zhou, Jianjian Sun, Jingcheng Hu, Kangheng Lin, Liang Zhao, Mitt Huang, Song Yuan, Wenwen Qu, Xiangfeng Wang, Yanlin Lai, Yingxiu Zhao, Yinmin Zhang, Yukang Shi, Yuyang Chen, Zejia Weng, Ziyang Meng, Ang Li, Aobo Kong, Bo Dong, Changyi Wan, David Wang, Di Qi, Dingming Li, En Yu, Guopeng Li, Haiquan Yin, Han Zhou, Hanshan Zhang, Haolong Yan, Hebin Zhou, Hongbo Peng, Jiaran Zhang, Jiashu Lv, Jiayi Fu, Jie Cheng, Jie Zhou, Jisheng Yin, Jingjing Xie, Jingwei Wu, Jun Zhang, Junfeng Liu, Kaijun Tan, Kaiwen Yan, Liangyu Chen, Lina Chen, Mingliang Li, Qian Zhao, Quan Sun, Shaoliang Pang, Shengjie Fan, Shijie Shang, Siyuan Zhang, Tianhao You, Wei Ji, Wuxun Xie, Xiaobo Yang, Xiaojie Hou, Xiaoran Jiao, Xiaoxiao Ren, Xiangwen Kong, Xin Huang, Xin Wu, Xing Chen, Xinran Wang, Xuelin Zhang, Yana Wei, Yang Li, Yanming Xu, Yeqing Shen, Yuang Peng, Yue Peng, Yu Zhou, Yusheng Li, Yuxiang Yang, Yuyang Zhang, Zhe Xie, Zhewei Huang, Zhenyi Lu, Zhimin Fan, Zihui Cheng, Daxin Jiang, Qi Han, Xiangyu Zhang, Yibo Zhu, Zheng Ge
cs.AI
Abstract
Presentiamo STEP3-VL-10B, un modello fondante open-source e leggero progettato per ridefinire il compromesso tra efficienza compatta e intelligenza multimodale di livello avanzato. STEP3-VL-10B è realizzato attraverso due cambiamenti strategici: primo, una strategia di pre-addestramento unificata e completamente sbloccata su 1,2T di token multimodali che integra un Perception Encoder allineato linguisticamente con un decoder Qwen3-8B per stabilire una sinergia intrinseca visione-linguaggio; e secondo, una pipeline di post-addestramento scalata che include oltre 1.000 iterazioni di apprendimento per rinforzo. Fondamentalmente, implementiamo il Ragionamento Coordinato Parallelo (PaCoRe) per scalare il calcolo al momento del test, allocando le risorse a un ragionamento percettivo scalabile che esplora e sintetizza diverse ipotesi visive. Di conseguenza, nonostante la sua impronta compatta di 10B, STEP3-VL-10B rivaleggia o supera modelli da 10 a 20 volte più grandi (ad esempio, GLM-4.6V-106B, Qwen3-VL-235B) e i migliori modelli proprietari di punta come Gemini 2.5 Pro e Seed-1.5-VL. Offrendo prestazioni di prim'ordine, registra il 92,2% su MMBench e l'80,11% su MMMU, eccellendo inoltre nel ragionamento complesso con il 94,43% su AIME2025 e il 75,95% su MathVision. Rilasciamo la suite completa del modello per fornire alla comunità una baseline potente, efficiente e riproducibile.
English
We present STEP3-VL-10B, a lightweight open-source foundation model designed to redefine the trade-off between compact efficiency and frontier-level multimodal intelligence. STEP3-VL-10B is realized through two strategic shifts: first, a unified, fully unfrozen pre-training strategy on 1.2T multimodal tokens that integrates a language-aligned Perception Encoder with a Qwen3-8B decoder to establish intrinsic vision-language synergy; and second, a scaled post-training pipeline featuring over 1k iterations of reinforcement learning. Crucially, we implement Parallel Coordinated Reasoning (PaCoRe) to scale test-time compute, allocating resources to scalable perceptual reasoning that explores and synthesizes diverse visual hypotheses. Consequently, despite its compact 10B footprint, STEP3-VL-10B rivals or surpasses models 10times-20times larger (e.g., GLM-4.6V-106B, Qwen3-VL-235B) and top-tier proprietary flagships like Gemini 2.5 Pro and Seed-1.5-VL. Delivering best-in-class performance, it records 92.2% on MMBench and 80.11% on MMMU, while excelling in complex reasoning with 94.43% on AIME2025 and 75.95% on MathVision. We release the full model suite to provide the community with a powerful, efficient, and reproducible baseline.