已经实测了，可以用多模态，文字，语音，图像各种模型。 响应大概 5 秒内能返回，挺快的，至于后续人多了会不会卡，现在还不确定，反正免费 Token 大家用力蹬起来。
活动链接大家可以用我的邀请链接： https://platform.stepfun.com/?invite_code_v2=MODLTTUN 也让我沾沾光，哈哈
StepFun Step Plan API 模型测试报告
- 测试时间：2026-09-20 11:38:39 CST (Asia/Shanghai)（报告更新于 2026-09-20 11:40:07 CST (Asia/Shanghai)）
- Endpoint：
https://api.stepfun.com/step_plan/v1/chat/completions - 认证：Bearer （
box-secrets.json→card.STEPFUN_API_KEY，全程脱敏，未写入本报告） - 测试图：
/workspace/step-plan-test.png（ 200×80 PNG ，红色圆 + 标签42）
摘要
| 类别 | 通过 | 失败 | 合计 |
|---|---|---|---|
| 文本冒烟 | 5 | 0 | 5 |
| 多模态视觉 | 2 | 0 | 2 |
| 视觉答案正确（含「 42 」） | 2 | 0 | 2 |
- 总体判定：通过 — 全部文本模型成功；视觉至少一次成功且答对
文本冒烟结果
提示词：要求精确回复 TEXT_OK（允许附带 reasoning ；判定：HTTP 200 且 assistant 内容非空或有可用输出）。参数：max_tokens=96，temperature=0。
| 模型 | HTTP | 延迟(s) | finish_reason | prompt | completion | total | 内容摘要(~80) | 成功 | 错误 |
|---|---|---|---|---|---|---|---|---|---|
| step-5-preview | 200 | 36.791 | stop | 22 | 23 | 45 | TEXT_OK | ✅ | — |
| step-3.7-flash | 200 | 1.992 | stop | 23 | 56 | 79 | TEXT_OK | ✅ | — |
| step-3.5-flash | 200 | 1.295 | stop | 23 | 62 | 85 | TEXT_OK | ✅ | — |
| step-3.5-flash-2603 | 200 | 1.398 | stop | 23 | 81 | 104 | TEXT_OK | ✅ | — |
| step-router-v1 | 200 | 1.452 | stop | 488 | 40 | 528 | TEXT_OK | ✅ | — |
多模态（视觉）结果
内容：text + image_url（ data URL base64 PNG ，detail=low）。问题：图中数字/标签是什么？只答该内容。
说明：首次用 max_tokens=64 时，两模型 finish_reason=length，content 被截断在推理中间（未露出最终答案）。随后以 max_tokens=256（step-3.7-flash 另加 reasoning_effort=low）重试，均成功返回 42。下表为重试结果。
| 模型 | HTTP | 延迟(s) | finish_reason | prompt | completion | total | 内容摘要 | 成功 | 答对 42 | 备注 | 错误 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| step-3.7-flash | 200 | 3.98 | stop | 462 | 56 | 518 | 42 | ✅ | ✅ | max_tokens=256; reasoning_effort=low | — |
| step-5-preview | 200 | 4.895 | stop | 202 | 65 | 267 | 42 | ✅ | ✅ | max_tokens=256 | — |
首次视觉截断记录（供对照）
| 模型 | HTTP | 延迟(s) | finish_reason | completion | 内容摘要（截断） |
|---|---|---|---|---|---|
| step-3.7-flash | 200 | 2.186 | length | 64 | The user wants me to identify the number in the image. 1. *Analyze the image: |
| step-5-preview | 200 | 4.895 | length | 64 | The user is asking what number or label is in the image. The image shows a pink/ |
其他模型
- 跳过 step-image-edit-2：官方文档将其列为文生图/图像编辑模型，chat/completions 请求形态与快速冒烟路径不明确，为避免无效烧 token 未调用。
- 跳过 stepaudio-*：音频端到端模型需要 modalities/audio 等专用字段与音频样本，本次仅做文本与视觉冒烟。
备注与选型
-
step-5-preview （文本）：可用；延迟约 36.791s ； HTTP 200 ；回复
TEXT_OK。 -
step-3.7-flash （文本）：可用；延迟约 1.992s ； HTTP 200 ；回复
TEXT_OK。 -
step-3.5-flash （文本）：可用；延迟约 1.295s ； HTTP 200 ；回复
TEXT_OK。 -
step-3.5-flash-2603 （文本）：可用；延迟约 1.398s ； HTTP 200 ；回复
TEXT_OK。 -
step-router-v1 （文本）：可用；延迟约 1.452s ； HTTP 200 ；回复
TEXT_OK。 -
step-3.7-flash （视觉）：成功且识别到
42；延迟约 3.98s 。 -
step-5-preview （视觉）：成功且识别到
42；延迟约 4.895s 。 -
文档侧：
step-3.7-flash旗舰多模态推理，适合 agent/coding/视觉；step-3.5-flash/step-3.5-flash-2603偏高速 agent/coding ；step-router-v1为 Step Plan 智能路由（不支持图像输入）；step-5-preview文档示例支持图文。 -
推理模型在视觉场景下建议
max_tokens≥ 128–256 ，否则易在reasoning阶段被length截断；可用reasoning_effort=low缩短思考。 -
step-router-v1本次纯文本正常，但 prompt_tokens=488 （明显高于其他 ~22–23 ），可能含路由侧额外上下文。
错误原文（已脱敏）
本次最终结果无失败错误体（首次视觉仅为 length 截断，非 HTTP 错误）。
结论（日常使用推荐）
-
日常主力（ agent/coding + 需要视觉）：
step-3.7-flash— 文本 ~2s 级，视觉可正确 OCR ，建议配合reasoning_effort=low/medium与充足max_tokens。 -
高频/省延迟文本与 agent：
step-3.5-flash（~1.3s ）或step-3.5-flash-2603（~1.4s ），本次均精确返回TEXT_OK。 -
质量优先预览：
step-5-preview文本可用但冷启动较慢（本次 ~37s ），视觉正确；适合非延迟敏感任务。 -
智能路由纯文本：
step-router-v1可用；勿传图片（文档明确不支持）。 -
图像编辑 / 音频：本次跳过；有专用需求再按官方 image/audio API 单独测。
-
文本成功：
step-5-preview,step-3.7-flash,step-3.5-flash,step-3.5-flash-2603,step-router-v1 -
视觉正确：
step-3.7-flash,step-5-preview
脱敏原始结果：/workspace/step-plan-test-results.json、/workspace/step-plan-vision-retry.json
Select Language