多模态+400token/s，Step 3.7 Flash已经开始像我的Agent副驾了

之前我都是力大砖飞，

直接两个Pro账号接Agent上就不考虑额度了，但架不住Agent多啊，到周五周六就周限额了，好吧其实是因为我觉得慢给Codex上了1.5倍速硬生生吃2.5倍积分消耗。所以这段时间在尝试把Hermes里的辅助模型换个更快的。

所以当我看到阶跃星辰开源了他们新模型，Step 3.7 Flash，

原生多模态，速度来到了400token/s（标准版的GPT5.5 API是42到72token/s），MoE（专家混合模型）架构，总参数196B激活11B，默认上下文是256k，三档推理强度调节，是光看一轮参数就想要上手测试一把的程度。

免得说我欺负人家GPT，我还特意做了一个Codex经常用到的案例，就是双command判断目前屏幕发生了什么。

从纸面实力上看，

这个快模型没有因为速度牺牲性能。

我直接学某包用最直白的方式说明白，

比起上一代3.5 flash是有全面提升，在ClawEval-1.1（通用 Agent ），SWE-Bench Pro（真实编程），HLE with Tool（高难知识推理）比DeepSeek V4 Flash和Gemini 3.5 Flash高，可以看到它的定位更多是一个针对Agent类任务调优过的快模型。

在终端/命令行任务，复杂编码，工具综合能力也在追GPT-5.5和Claude Opus 4.7了，

至于传统的API价差的环节我就直接上图了，

那接下来轮到我跟钱包一拍即合，把三种情况一次性对比明白，

开局先来一个根据截图拆解品牌风格，然后把这个风格应用在另一个领域上的case，

基于截图和 ai-news-radar Skill，直接生成一个原创的 AI 日报 / AI 选题雷达品牌网页。

任务要求：

1. 直接分析截图的视觉语言。

2. 生成原创的AI日报/ AI 选题雷达品牌网页，品牌名自选。

3. 产物必须是一个可直接打开的单文件 HTML。

4. 写完后简短回复，输出文件路径，从截图借鉴了哪些视觉元素。
   

5. 如果无法写入文件，在回复中输出完整 HTML，并用清晰的

BEGIN_HTML / END_HTML包裹。

GPT5.5，

三个版本都抓到了原图里那套极简黑白的气质，大留白、超大字号、黑色胶囊按钮，这些基本都没跑偏。

纯GPT-5.5那个版本，我觉得SVG是三个里面最稳的，雷达这个意象也更像一个真正的品牌符号。它的问题也很GPT，慢，而且做前端的时候有时候会把自己的思考过程、解释性内容一起塞进HTML里，后面还要我再清一遍。

GPT 5.5 + step 3.7 flash，

GPT-5.5加Step 3.7 Flash这个版本，中文产品感反而更舒服。标题有主次，Logo更像手机里会出现的入口，还用了日历去表达「今天」这个概念。

Step 3.7 Flash，

纯Step 3.7 Flash夸张的是速度。

GPT-5.5花了4分钟把初版跑出来，它用了36秒就把完整的HTML写完了。

接着我又测了一种现在很常见的主页玩法。很多AI产品会把首屏Hero的提示词直接放出来，背景是生成好的视频或者动画。我们可以先让模型读这个首屏，再顺着同一套风格往下生成子模块。

提示语原文太长，我这里直接翻成人话。

这类提示词一般会先把页面的视觉底座钉死，比如字体用什么，背景视频是什么，桌面端和移动端的首屏怎么摆，Hero里有哪些文案和按钮。

然后就是技术边界。

比如只能用React、ReactDOM、Tailwind CSS、Vite，不允许额外加UI库，也不要临时引入一堆看起来很高级但项目里根本没用到的依赖。

一回生二回熟，我们这次照样看看他们的速度，以及在执行的过程中，哪个遵守约束是最稳定的。

GPT5.5，

没想到这把纯GPT-5.5有点拉了。

第一轮跑下来，背景视频还没有露出来，还是在第二轮的时候修好的，如果说整体的设计有什么我喜欢的点，就是因为它把模块作为背景。所以其实我们在下面滑动这些模块的时候，都能够看到电脑人。

GPT 5.5 + step 3.7 flash，

GPT-5.5加Step 3.7 Flash这组，过程中用到了不允许的React插件，但它很快反应过来，自己删掉了。

把Hero模块生成之后，我就让他沿用延续同一套风格，把首屏下面的几个模块做出来。

做完之后我甚至怀疑自己是不是打开错页面了。

因为一直很固执的GPT-5.5，

在Step 3.7 Flash参与之后，模块响应和色彩轮换居然有一点Claude那种味道了。

Step 3.7 Flash，

纯Step 3.7 Flash还是最快，152秒左右完成，不过依赖没那么干净，打字机那里出现了Gad...undefined这种文本bug。

不过从设计上来说，我还是蛮喜欢它这种条纹类的，给我一种眼前一新的感觉，因为它用到更多丰富的色彩。

第三个Case，我换成PPT。

现在我们可以用一个带Deep Research思路的提示语，再接一个HTML PPT Skill，直接生成一份信息密度比较高、还能带演讲模式的说明式PPT。

用KKKKhazix/khazix-skills里的hv-analysis做联网分析和LearnPrompt/humanize-ppt做一个带演讲模式的中文PPT，主题是Codex入门教程

纯GPT5.5，

从视觉上看，纯GPT-5.5整体风格都有在hold住，但中间有一页突然用了橙色字体一出来。

GPT 5.5 + step 3.7 flash，

GPT-5.5加Step 3.7 Flash这个版本，内容组织更积极，抓到的资料源也更多。但它在章节大标题页上有点掉模板，章节页面会单剩一个文字块。

Step 3.7 Flash，

纯Step 3.7 Flash还是speed speed speed，

提示语发出去没多久，整个页面就已经有了。

它还把原来蓝色主题里那种星星点阵，跟黑色底色混在一起，做出了一套不太一样的主题。

再看内容和资料引用，

GPT-5.5加Step 3.7 Flash抓的源最多，然后是GPT-5.5，再就是Step 3.7 Flash。

只能说原生多模态是真的爽，

提示语发出去没多久整个页面就都有了，

如果它能把这些高频，重复，低风险但非常吃token的任务完整跑完，

那它对Agent工作流的价值，

可能比一句国产模型能上Claude Code还好用。

因为Agent每次对话都不只调用一次模型。

它可能一次任务里调用十几次、几十次，甚至更多。单次快一点，放到完整工作流里，体感差距会被放大。

尤其是Hermes这种起标题，上下文压缩摘要，轻量分类这种后台任务。

如果每个中间动作都用最贵的Pro模型跑，

省心是省心了，

一次对话十几分钟真的是有点等不下去。

这里回收一下副标题，

把Step 3.7 Flash接在闪电说里面，

识别的速度非常快，进度条就没卡过。

如果把这些新出的模型，不止是Step 3.7 flash，

作为一个辅助模型先跑起来，

试错成本也低很多。

我从Claude切到GPT的时候就非常不顺手，

也是先手动把一些任务拆开，把放心交给GPT做都先丢过去。

不像把API，账号登陆Codex只能二选一，

我们完全可以给一个长期运转的Agent自由搭配不同的模型，

比起之前要测几十万token，

确认新模型能不能取代惯用模型的紧张感，

我还是更喜欢现在的松弛感。

@ 作者 / 卡尔

最后，感谢你看到这里如果喜欢这篇文章，不妨顺手给我们点赞｜在看｜转发｜评论

如果想要第一时间收到推送，不妨给我个星标

如果你有更有趣的玩法，欢迎在评论区聊聊

更多的内容正在不断填坑中……