> ## Documentation Index
> Fetch the complete documentation index at: https://platform.stepfun.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# 模型列表

[API 定价](https://platform.stepfun.com/docs/zh/guides/pricing/details.md) · [API 速率限制](https://platform.stepfun.com/docs/zh/guides/pricing/rate-limits.md) · [模型下线与迁移](https://platform.stepfun.com/docs/zh/guides/models/deprecations.md) · [API 快速开始](https://platform.stepfun.com/docs/zh/quickstart/overview.md)

> [tab] 全部模型
>
> 全部模型
>
> ## 全部公开模型
>
> 推理 / 多模态
>
> Step 5 Preview新一代旗舰基模
>
> 最大上下文1M
>
> 面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：`step-5-preview`。
>
> 知识工作
> 编程
> Agent
> 图片与视频理解
>
> 开始使用
>
> [快速上手发送第一次请求](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [模型总览能力、规格与配置](https://platform.stepfun.com/docs/zh/guides/models/step-5-preview.md)
>
> 推理 / 多模态
>
> Step 3.7 Flash多模态推理旗舰
>
> 最大上下文256K
>
> 阶跃星辰旗舰多模态推理模型。在 `step-3.5-flash` 的高速推理与工具调用能力基础上，新增**原生多模态输入能力**，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。
>
> 推理
> 多模态
> Agent
> 图片理解
> 视频理解
>
> 相关入口
>
> [模型页Step 3.7 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.7-flash.md)
>
> [快速上手多模态快速上手](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [开发指南推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> 推理 / 文本
>
> Step 3.5 Flash旗舰推理
>
> 最大上下文256K
>
> 旗舰级推理模型，专为智能体构建而生。推理深度比肩顶尖闭源模型，同时具备极速响应与稳定可靠的工具调用能力。在通用推理能力基础之上，更擅长复杂项目规划与长程任务执行。
>
> 推理
> 工具调用
>
> 相关入口
>
> [模型页
> Step 3.5 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.5-flash.md)
>
> [开发指南
> 推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 推理 / 文本
>
> Step 3.5 Flash 2603Agent 优化
>
> 最大上下文256K
>
> 基于 `step-3.5-flash` 针对高频 Agent 场景优化，在保留旗舰推理与工具调用能力的同时，进一步提升 Token 效率与推理速度，并支持切换低推理模式以降低消耗。对 Coding 与 Agent 框架兼容性也做了专项优化。
>
> 推理
> Agent
> 低推理模式
>
> 相关入口
>
> [模型页Step 3.5 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.5-flash.md)
>
> [开发指南推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> [API 文档Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 视觉
>
> Step-1o Turbo Vision图像 / 视频理解
>
> 最大上下文32K
>
> 典型应用场景有社媒发帖文案创作、AI 问答助手、图片与视频理解等。单次请求限制输入最多60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。
>
> 图片理解
> 视频理解
> 文本生成
>
> 相关入口
>
> [模型页
> 视觉理解大模型](https://platform.stepfun.com/docs/zh/guides/models/vision.md)
>
> [开发指南
> 视频理解开发指南](https://platform.stepfun.com/docs/zh/guides/developer/video-chat.md)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 实时语音
>
> StepAudio 3 Realtime像真人一样聊，也能边想边做
>
> 交互模态语音 ↔ 语音
>
> 面向实时互动的全双工语音旗舰。融合实时音频理解、自然打断、话权协调、自适应推理、边想边说与 Voice Agent 工具调用，简单问题快速回应，复杂任务边思考边表达，适合智能座舱、智能终端、客服和情感陪伴等场景。
>
> 全双工
> 自适应推理
> Voice Agent
>
> 相关入口
>
> [模型页
> StepAudio 3 Realtime](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-3-realtime.md)
>
> [开发指南
> 实时双向语音开发](https://platform.stepfun.com/docs/zh/guides/developer/realtime.md)
>
> [API 文档
> Realtime Chat API](https://platform.stepfun.com/docs/zh/api-reference/realtime/chat.md)
>
> 语音对话
>
> StepAudio 2.5 Chat活人感对话大模型
>
> 输出模态仅文本
>
> 真正具备"活人感"的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。
>
> 对话
> 副语言感知
> 人设自定义
>
> 相关入口
>
> [模型页
> StepAudio 2.5 Chat](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-chat)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 语音合成
>
> StepAudio 3 TTS真人级的说话表现
>
> 模型在音色基底、语调层次、节奏律动与气口停顿上高度贴合人类原生口语范式，能够呈现笑声、咂嘴、迟疑、结巴、重复和改口等真人级口语表现，并根据语义脉络自然表达情绪与语气变化。
>
> 真人级表现
> 低时延流式
> 综合音频生成
>
> 相关入口
>
> [模型页
> StepAudio 3 TTS](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [开发指南
> 语音合成开发指南](https://platform.stepfun.com/docs/zh/guides/developer/tts.md)
>
> [API 文档
> 音频合成 API](https://platform.stepfun.com/docs/zh/api-reference/audio/create-audio.md)
>
> 语音合成
>
> Step TTS Mini高表现力 TTS
>
> 单次输入上限1000 字符
>
> 支持中、英、日语、粤语、四川话，提供19种官方音色，兼具出色的音色复刻能力，支持中、英、日语复刻。适合客服外呼、情感陪伴、智能助手语音交互等对发音真人感要求高的场景。
>
> 语音生成
> 音色复刻
> 情绪风格
>
> 相关入口
>
> [模型页
> 语音大模型](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [开发指南
> 语音合成开发指南](https://platform.stepfun.com/docs/zh/guides/developer/tts.md)
>
> [API 文档
> 音频合成 API](https://platform.stepfun.com/docs/zh/api-reference/audio/create-audio.md)
>
> 语音识别
>
> StepAudio 2.5 ASR新一代流式 ASR 旗舰
>
> 模型规模4B MTP
>
> 阶跃新一代流式语音识别模型，基于 4B MTP 架构，在识别准确率与响应延迟之间取得良好平衡。支持中英文识别与 ITN 文本规范化，适合实时字幕、语音输入、会议记录等对识别速度与准确率均有要求的场景。
>
> 高准确率
> 低延迟
> 中英双语
>
> 相关入口
>
> [模型页
> StepAudio 2.5 ASR](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr)
>
> [API 文档
> 语音识别（流式返回文本）](https://platform.stepfun.com/docs/zh/api-reference/audio/asr-sse.md)
>
> 语音识别
>
> StepAudio 2 ASR Pro32B ASR Pro
>
> 模型规模32B
>
> 32B 参数的 ASR Pro 模型。
>
> 大参数
>
> 相关入口
>
> [模型页
> StepAudio 2.5 ASR](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr)
>
> [API 文档
> 语音识别（流式返回文本）](https://platform.stepfun.com/docs/zh/api-reference/audio/asr-sse.md)
>
> 语音识别
>
> Step ASR实时 / 离线识别
>
> 单文件上限100 MB
>
> 具有强大的中英文语音识别能力的 ASR 模型，能够自动区分语音和噪音，支持中英文混合语音识别和多种重口音普通话识别。可广泛应用于语音输入、语音控制、会议记录等场景。
>
> 语音识别
> 实时
> 离线
>
> 相关入口
>
> [模型页
> 语音大模型](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [API 文档
> 语音识别 API](https://platform.stepfun.com/docs/zh/api-reference/audio/asr.md)
>
> 实时语音
>
> Step-1o Audio稳定型
>
> 单次互动时长30 分钟
>
> 提供超低延迟的双向交互语音对话体验，支持中文、英语、重口音普通话输入，支持中、英、日语、粤语和四川话输出。单次互动时长最长30分钟，可处理音频时长最长70分钟。已在智能座舱、智能终端、社交娱乐、情感陪伴、智能客服、金融调解等行业领域落地。
>
> 实时交互
> 工具调用
>
> 相关入口
>
> [模型页
> 实时语音互动模型](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-3-realtime.md)
>
> [开发指南
> 实时双向语音开发](https://platform.stepfun.com/docs/zh/guides/developer/realtime.md)
>
> [API 文档
> Realtime Chat API](https://platform.stepfun.com/docs/zh/api-reference/realtime/chat.md)

> [tab] 推理
>
> 推理
>
> ## 推理模型
>
> 推理 / 多模态
>
> Step 5 Preview新一代旗舰基模
>
> 最大上下文1M
>
> 面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：`step-5-preview`。
>
> 知识工作
> 编程
> Agent
> 图片与视频理解
>
> 开始使用
>
> [快速上手发送第一次请求](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [模型总览能力、规格与配置](https://platform.stepfun.com/docs/zh/guides/models/step-5-preview.md)
>
> 推理 / 多模态
>
> Step 3.7 Flash多模态推理旗舰
>
> 最大上下文256K
>
> 阶跃星辰旗舰多模态推理模型。在 `step-3.5-flash` 的高速推理与工具调用能力基础上，新增**原生多模态输入能力**，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。
>
> 推理
> 多模态
> Agent
> 图片理解
> 视频理解
>
> 相关入口
>
> [模型页Step 3.7 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.7-flash.md)
>
> [快速上手多模态快速上手](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [开发指南推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> 推理 / 文本
>
> Step 3.5 Flash旗舰推理
>
> 最大上下文256K
>
> 旗舰级推理模型，专为智能体构建而生。推理深度比肩顶尖闭源模型，同时具备极速响应与稳定可靠的工具调用能力。在通用推理能力基础之上，更擅长复杂项目规划与长程任务执行。
>
> 推理
> 工具调用
>
> 相关入口
>
> [模型页
> Step 3.5 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.5-flash.md)
>
> [开发指南
> 推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 推理 / 文本
>
> Step 3.5 Flash 2603Agent 优化
>
> 最大上下文256K
>
> 基于 `step-3.5-flash` 针对高频 Agent 场景优化，在保留旗舰推理与工具调用能力的同时，进一步提升 Token 效率与推理速度，并支持切换低推理模式以降低消耗。对 Coding 与 Agent 框架兼容性也做了专项优化。
>
> 推理
> Agent
> 低推理模式
>
> 相关入口
>
> [模型页Step 3.5 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.5-flash.md)
>
> [开发指南推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> [API 文档Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)

> [tab] 视觉
>
> 视觉
>
> ## 视觉理解模型
>
> 推理 / 多模态
>
> Step 5 Preview新一代旗舰基模
>
> 最大上下文1M
>
> 面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：`step-5-preview`。
>
> 知识工作
> 编程
> Agent
> 图片与视频理解
>
> 开始使用
>
> [快速上手发送第一次请求](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [模型总览能力、规格与配置](https://platform.stepfun.com/docs/zh/guides/models/step-5-preview.md)
>
> 推理 / 多模态
>
> Step 3.7 Flash多模态推理旗舰
>
> 最大上下文256K
>
> 阶跃星辰旗舰多模态推理模型。在 `step-3.5-flash` 的高速推理与工具调用能力基础上，新增**原生多模态输入能力**，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。
>
> 推理
> 多模态
> Agent
> 图片理解
> 视频理解
>
> 相关入口
>
> [模型页Step 3.7 Flash](https://platform.stepfun.com/docs/zh/guides/models/step-3.7-flash.md)
>
> [快速上手多模态快速上手](https://platform.stepfun.com/docs/zh/quickstart/overview.md)
>
> [开发指南推理模型开发指南](https://platform.stepfun.com/docs/zh/guides/developer/reasoning.md)
>
> 视觉
>
> Step-1o Turbo Vision图像 / 视频理解
>
> 最大上下文32K
>
> 典型应用场景有社媒发帖文案创作、AI 问答助手、图片与视频理解等。单次请求限制输入最多60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。
>
> 图片理解
> 视频理解
> 文本生成
>
> 相关入口
>
> [模型页
> 视觉理解大模型](https://platform.stepfun.com/docs/zh/guides/models/vision.md)
>
> [开发指南
> 视频理解开发指南](https://platform.stepfun.com/docs/zh/guides/developer/video-chat.md)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)

> [tab] 语音
>
> 语音
>
> ## 语音与实时语音模型
>
> 实时语音
>
> StepAudio 3 Realtime像真人一样聊，也能边想边做
>
> 交互模态语音 ↔ 语音
>
> 面向实时互动的全双工语音旗舰。融合实时音频理解、自然打断、话权协调、自适应推理、边想边说与 Voice Agent 工具调用，简单问题快速回应，复杂任务边思考边表达，适合智能座舱、智能终端、客服和情感陪伴等场景。
>
> 全双工
> 自适应推理
> Voice Agent
>
> 相关入口
>
> [模型页
> StepAudio 3 Realtime](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-3-realtime.md)
>
> [开发指南
> 实时双向语音开发](https://platform.stepfun.com/docs/zh/guides/developer/realtime.md)
>
> [API 文档
> Realtime Chat API](https://platform.stepfun.com/docs/zh/api-reference/realtime/chat.md)
>
> 语音对话
>
> StepAudio 2.5 Chat活人感对话大模型
>
> 输出模态仅文本
>
> 真正具备"活人感"的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。
>
> 对话
> 副语言感知
> 人设自定义
>
> 相关入口
>
> [模型页
> StepAudio 2.5 Chat](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-chat)
>
> [API 文档
> Chat Completion API](https://platform.stepfun.com/docs/zh/api-reference/chat/chat-completion-create.md)
>
> 语音合成
>
> StepAudio 3 TTS真人级的说话表现
>
> 模型在音色基底、语调层次、节奏律动与气口停顿上高度贴合人类原生口语范式，能够呈现笑声、咂嘴、迟疑、结巴、重复和改口等真人级口语表现，并根据语义脉络自然表达情绪与语气变化。
>
> 真人级表现
> 低时延流式
> 综合音频生成
>
> 相关入口
>
> [模型页
> StepAudio 3 TTS](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [开发指南
> 语音合成开发指南](https://platform.stepfun.com/docs/zh/guides/developer/tts.md)
>
> [API 文档
> 音频合成 API](https://platform.stepfun.com/docs/zh/api-reference/audio/create-audio.md)
>
> 语音合成
>
> Step TTS Mini高表现力 TTS
>
> 单次输入上限1000 字符
>
> 支持中、英、日语、粤语、四川话，提供19种官方音色，兼具出色的音色复刻能力，支持中、英、日语复刻。适合客服外呼、情感陪伴、智能助手语音交互等对发音真人感要求高的场景。
>
> 语音生成
> 音色复刻
> 情绪风格
>
> 相关入口
>
> [模型页
> 语音大模型](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [开发指南
> 语音合成开发指南](https://platform.stepfun.com/docs/zh/guides/developer/tts.md)
>
> [API 文档
> 音频合成 API](https://platform.stepfun.com/docs/zh/api-reference/audio/create-audio.md)
>
> 语音识别
>
> StepAudio 2.5 ASR新一代流式 ASR 旗舰
>
> 模型规模4B MTP
>
> 阶跃新一代流式语音识别模型，基于 4B MTP 架构，在识别准确率与响应延迟之间取得良好平衡。支持中英文识别与 ITN 文本规范化，适合实时字幕、语音输入、会议记录等对识别速度与准确率均有要求的场景。
>
> 高准确率
> 低延迟
> 中英双语
>
> 相关入口
>
> [模型页
> StepAudio 2.5 ASR](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr)
>
> [API 文档
> 语音识别（流式返回文本）](https://platform.stepfun.com/docs/zh/api-reference/audio/asr-sse.md)
>
> 语音识别
>
> StepAudio 2 ASR Pro32B ASR Pro
>
> 模型规模32B
>
> 32B 参数的 ASR Pro 模型。
>
> 大参数
>
> 相关入口
>
> [模型页
> StepAudio 2.5 ASR](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr)
>
> [API 文档
> 语音识别（流式返回文本）](https://platform.stepfun.com/docs/zh/api-reference/audio/asr-sse.md)
>
> 语音识别
>
> Step ASR实时 / 离线识别
>
> 单文件上限100 MB
>
> 具有强大的中英文语音识别能力的 ASR 模型，能够自动区分语音和噪音，支持中英文混合语音识别和多种重口音普通话识别。可广泛应用于语音输入、语音控制、会议记录等场景。
>
> 语音识别
> 实时
> 离线
>
> 相关入口
>
> [模型页
> 语音大模型](https://platform.stepfun.com/docs/zh/guides/models/audio.md)
>
> [API 文档
> 语音识别 API](https://platform.stepfun.com/docs/zh/api-reference/audio/asr.md)
>
> 实时语音
>
> Step-1o Audio稳定型
>
> 单次互动时长30 分钟
>
> 提供超低延迟的双向交互语音对话体验，支持中文、英语、重口音普通话输入，支持中、英、日语、粤语和四川话输出。单次互动时长最长30分钟，可处理音频时长最长70分钟。已在智能座舱、智能终端、社交娱乐、情感陪伴、智能客服、金融调解等行业领域落地。
>
> 实时交互
> 工具调用
>
> 相关入口
>
> [模型页
> 实时语音互动模型](https://platform.stepfun.com/docs/zh/guides/models/stepaudio-3-realtime.md)
>
> [开发指南
> 实时双向语音开发](https://platform.stepfun.com/docs/zh/guides/developer/realtime.md)
>
> [API 文档
> Realtime Chat API](https://platform.stepfun.com/docs/zh/api-reference/realtime/chat.md)


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.