Relatório Técnico do STEP3-VL-10B
STEP3-VL-10B Technical Report
January 14, 2026
Autores: 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
Resumo
Apresentamos o STEP3-VL-10B, um modelo de base leve e de código aberto projetado para redefinir o equilíbrio entre eficiência compacta e inteligência multimodal de ponta. O STEP3-VL-10B é concretizado através de duas mudanças estratégicas: primeiro, uma estratégia unificada e totalmente descongelada de pré-treinamento em 1,2 trilhão de tokens multimodais que integra um Codificador de Percepção alinhado linguisticamente com um decodificador Qwen3-8B para estabelecer uma sinergia intrínseca visão-linguagem; e segundo, um pipeline escalonado de pós-treinamento que inclui mais de 1.000 iterações de aprendizado por reforço. Crucialmente, implementamos o Raciocínio Coordenado Paralelo (PaCoRe) para escalar a computação em tempo de teste, alocando recursos para um raciocínio perceptual escalável que explora e sintetiza diversas hipóteses visuais. Consequentemente, apesar de sua pegada compacta de 10B, o STEP3-VL-10B rivaliza ou supera modelos 10 a 20 vezes maiores (por exemplo, GLM-4.6V-106B, Qwen3-VL-235B) e os principais modelos proprietários de elite, como o Gemini 2.5 Pro e o Seed-1.5-VL. Oferecendo um desempenho de classe mundial, ele registra 92,2% no MMBench e 80,11% no MMMU, enquanto se destaca no raciocínio complexo com 94,43% no AIME2025 e 75,95% no MathVision. Disponibilizamos o conjunto completo do modelo para fornecer à comunidade uma base de referência poderosa, eficiente e reproduzível.
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.