ハクソク

世界を動かす技術を、日本語で。

ステップ3.5 フラッシュ – オープンソースの基盤モデル、高速で深い推論をサポート

2026年2月19日原文(static.stepfun.com)

概要

  • Step 3.5 Flash は、最先端のオープンソースAIモデルとして高い推論力と効率性を実現
  • Mixture of Experts（MoE）構造 でパラメータ数を抑えつつ高密度な知能を発揮
  • コーディング・エージェント用途 に特化し、長文コンテキストも効率的に処理
  • ツール連携・自律的なワークフロー管理 で実用的な業務自動化を実現
  • 他の主要モデル（GLM-4.7, DeepSeek, Kimi, Gemini, Claude, GPT-5.2）と比較しても高得点

Step 3.5 Flashの特徴と性能

  • 総パラメータ数196B で、実際に活性化するのは 11Bパラメータ/トークン のMoEアーキテクチャ
  • 推論・コーディング・エージェントタスク で高いスコアを記録
    • 推論：97.3（PaCoRe時99.9）
    • コーディング：74.4
    • SWE-bench Verified：74.4%
    • Terminal-Bench 2.0：51.0%
  • 3-way Multi-Token Prediction（MTP-3） により、 100～300トークン/秒 の生成速度を実現
  • 256Kコンテキストウィンドウ をサポートし、 3:1 Sliding Window Attention（SWA） で計算コストを抑制
  • ローカル展開可能、Mac Studio M4 MaxやNVIDIA DGX Spark等の高性能コンシューマー機器で動作

他モデルとの比較

  • GLM-4.7 （355B）、 DeepSeek V3.2 （671B）、 Kimi K2.5 （1T）などの大規模モデルと同等以上のスコア
  • Gemini 3.0 Pro、 Claude Opus 4.5、 GPT-5.2 xhigh といったプロプライエタリモデルとも競合
  • 平均スコア （8ベンチマーク平均）：Step 3.5 Flash（81.0）、GLM-4.7（78.5）、DeepSeek V3.2（77.3）、Kimi K2.5（80.5）、Gemini 3.0 Pro（80.7）、Claude Opus 4.5（80.6）、GPT-5.2 xhigh（82.2）

実用事例とツール連携

  • ツール連携能力 が特徴で、80以上のMCPツールを統合し株式投資分析を自動化
    • 市場データ集約、テクニカル指標計算、カスタムメトリクス生成、クラウド連携による通知・保存を一括管理
  • Pythonコード実行 をChain-of-Thought推論に統合し、AIME 2025（99.8）、HMMT 2025 Nov.（98.0）等の論理・数学系ベンチマークで高得点
  • Tactical Weather Intelligence Dashboard ：WebGL 2.0によるリアルタイム3D気象可視化
  • Three.js Procedural Ocean Engine ：高精度CGレンダリング、PBR・フラクタル波形・レイトレーシング
  • Agentic Workflow Take In ：日常データ処理業務の自動化、ワークフロー生成・検証・変換・レポート出力
  • Epic Solar System Simulation ：3Dインタラクティブな太陽系シミュレーション
  • Autonomous Business Intelligence Engine ：CSV解析から多シナリオ予測、エラー訂正、データ可視化まで一貫処理
  • Autonomous Large-Scale Repository Architect ：大規模コードベースの依存関係解析・Wiki自動生成
  • Beyond Vibe Coding ：Claude Code等の先進エージェントフレームワークでの自律的問題解決力

Step 3.5 Flashの実用的知能密度

  • ベンチマーク性能だけでなく、実運用での堅牢性と信頼性 を重視
  • ツール連携（Tool-use） が静的モデルを動的エージェントへ進化させる鍵
  • Think-and-Actシナジー により、コマンド実行に留まらず、意図整合性と適応的推論を実現
  • 大規模ツールセットでも高精度なオーケストレーション とクロスドメイン対応力を発揮

まとめ

  • Step 3.5 Flash は、 高密度知能・高速推論・長文対応・ツール連携・ローカル展開 を兼ね備えた、次世代オープンソースAIモデル
  • 多様な実用シナリオ での高度な自律性と安定性を実証
  • 他の大規模・プロプライエタリモデルと比較しても競争力のあるパフォーマンス

Hackerたちの意見

最近、新しいモデルが数週間前にリリースされたよ。「Mixture of Experts (MoE)アーキテクチャで、トークンごとに196Bのパラメータのうち11Bだけを選択的にアクティブにする」んだって。Kimi K2.5やGLM 4.7よりも多くのベンチマークで勝ってる。負けてるのは少数派だね。追記：128GBのマシン、例えばGB10 [1]、AI Max+ 395、またはMac Studioで動かせる4ビットの量子化もあるよ。[1] https://forums.developer.nvidia.com/t/running-step-3-5-flash...

└

Kimi K2.5やGLM 4.7よりも多くのベンチマークで勝ってる。これって本当に意味あるの？例えば、俺はエージェントタスクに特化した特定のベンチマークは無視する傾向があるんだよね。だって、それは俺の使い方じゃないから。指示に従うこと、長い文脈の推論、ハルシネーションがないことの方が、俺には重要なんだ。

└

Q4_K_S @ 116 GB、IQ4_NL @ 112 GB、Q4_0 @ 113 GB これらの中で技術的にどれが一番いいの？

すごくハルシネートするから、使うときは注意が必要だよ。シンプルな「Xポケモンのチャンピオンデッキを探して」や「Yデッキはどう機能するの？」ってテストしてみたけど、Opus 4.6、Deepseek、Kimiは期待通りに良いパフォーマンスだった。

└

後者のモデルがSearchを使ってる可能性はあるかな？ Stepfunが完璧だとは言わないけど（全然そうじゃないし）。特にGeminiは驚くほど多くSearchを使ってて、めちゃくちゃ速いよ。

└

知識よりも実行のために中くらいのサイズのモデルを使うかな。

効率にもっと焦点が当たるのはいいね。最近の新モデルのリリースは、特定のベンチマークで大きなジャンプを伴ってるけど、掘り下げてみると、ほぼいつもその結果を出すためにトークンの使用量が大幅に増えてる（あ、Google Deep Thinkのことね）。AIが本当に変革的になるためには、電力の問題を解決する必要がある。

└

トークンの使用量だけじゃなくて、高コストのトークン使用についてもね。トークン/ジュールの観点では、すべてのトークンが同じわけじゃないから。MoEアーキテクチャを効率的に使うことは、トークン/ジュールやトークン/秒に影響を与えるよ。

SWE-bench Verifiedはいいけど、もっと良いSWEベンチマークが必要だね。公平なベンチマークを作るのは大変だし、継続的に運営するにはお金もたくさんかかる。最近のモデルで十分に動いてる「ライブ」ベンチマークはあまりないから、どのモデルが勝ってるのかの良いイメージを得るのは難しい。ライブベンチマークのアイデアは素晴らしい！毎日、数千のGitHubの問題がPRで解決されてるよ。

└

ターミナルベンチ 3.0を手伝って！ https://docs.google.com/document/d/1pe_gEbhVDgORtYsQv4Dyml8u...

パラメータの数は、俺的にはあまり関係ない指標だと思う。トップモデルはローカル推論をサポートしてないし、もっと重要なのはドルあたりのトークン数や秒あたりのトークン数だよ。

└

オープンソースモデルだから、セルフホストしたい人には関係あるでしょ。

Hacker Newsで議論の続きを見る