Технический отчет STEP3-VL-10B

STEP3-VL-10B Technical Report

January 14, 2026

Авторы: 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

Аннотация

Мы представляем STEP3-VL-10B — компактную модель-основу с открытым исходным кодом, призванную пересмотреть баланс между эффективностью малого размера и мультимодальным интеллектом уровня современных флагманов. STEP3-VL-10B реализована благодаря двум стратегическим изменениям: во-первых, унифицированной стратегии предварительного обучения на 1,2 трлн мультимодальных токенов с полным размораживанием параметров, которая интегрирует выровненный по языку перцептивный энкодер с декодером Qwen3-8B для создания внутренней синергии между зрением и языком; и, во-вторых, масштабируемого конвейера пост-обучения, включающего более 1000 итераций обучения с подкреплением. Ключевым элементом является реализация параллельного скоординированного рассуждения (PaCoRe) для масштабирования вычислений во время тестирования, что позволяет распределять ресурсы на масштабируемое перцептивное рассуждение, исследующее и синтезирующее разнообразные визуальные гипотезы. В результате, несмотря на компактный размер в 10 млрд параметров, STEP3-VL-10B не уступает или превосходит модели в 10–20 раз крупнее (например, GLM-4.6V-106B, Qwen3-VL-235B) и ведущие проприетарные флагманы, такие как Gemini 2.5 Pro и Seed-1.5-VL. Демонстрируя наилучшую в своем классе производительность, модель достигает 92,2% на MMBench и 80,11% на MMMU, одновременно преуспевая в сложных рассуждениях с результатами 94,43% на AIME2025 и 75,95% на MathVision. Мы публикуем полный набор модели, чтобы предоставить сообществу мощный, эффективный и воспроизводимый базовый уровень.

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.