Step 3.7 Flash 产品深度分析报告
——面向创业者的 AI Agent 基础设施新选择
一、执行摘要
2026年5月29日，国内基础大模型创业公司阶跃星辰（StepFun）正式发布并开源了旗下新一代 Flash 模型——Step 3.7 Flash。这是一款专门面向生产级 AI Agent场景设计的高效率多模态大模型，采用了稀疏混合专家（MoE）架构，总参数约1980亿，每次推理仅激活约110亿参数。凭借最高每秒400个 Token 的生成速度、长达25.6万 Token 的上下文窗口，以及在工具调用、多模态理解和 Agent 工作流稳定性上的深度优化，Step 3.7 Flash 正在重新定义”高效 Agent 基座”的标准。
对于 AI 创业者和开发者而言，Step 3.7 Flash 的发布意味着：在 Agent 应用从”Demo 展示”走向”企业级生产部署”的转折点上，市场迎来了一款开源可用、部署灵活、成本可控的基础设施级模型选择。本报告将从技术架构、核心能力、性能表现、市场竞争格局、创业机会与风险等多个维度，为有志于 AI Agent 赛道的创业者提供一份系统性的产品分析报告。
二、产品定位与核心定位
2.1 从”高效问答”到”高效执行”的范式转变
在 Step 3.7 Flash 发布之前，Flash 类模型在行业中的角色定位相对单一：作为旗舰级大模型的”轻量替代品”，提供更快、更便宜的问答服务。这一角色在过去两年中得到了充分验证——低参数量、高推理速度、低使用成本，使 Flash 模型成为许多开发者进行原型开发和小规模部署的首选。
然而，随着 AI Agent（人工智能智能体）技术从实验室走向真实生产环境，单纯”回答问题”的能力已经不够用了。Agent 场景对模型提出了全新的要求：
- 理解复杂输入：不仅仅是文本，还包括 UI 界面、图表、文档截图、软件界面等视觉信息
- 主动搜索与验证：面对模型内部知识无法覆盖的实时信息，模型需要具备联网搜索和交叉验证能力
- 稳定调用工具：在多轮、长程的工作流中，模型需要可靠地调用 API、浏览器、终端、Office 工具等外部系统
- 保持任务一致性：在数十甚至数百步的 Agent 执行轨迹中，不能”跑偏”或中途失败
Step 3.7 Flash 的核心产品定位，恰恰是回答这四个新要求。阶跃星辰在官方介绍中明确指出：“模型能力的评价标准正从单纯追求智能水平，转向兼顾效率、可靠性与规模化部署能力。“这标志着 Flash 模型的角色正在发生根本性转变——从”高效问答引擎”升级为”高效执行引擎”。
2.2 目标用户画像
根据产品特性和市场定位，Step 3.7 Flash 的理想目标用户可以划分为以下几类：
第一类：AI Agent 开发者和创业团队。 无论是构建智能客服自动化平台、多 Agent 协作系统，还是垂直行业智能体应用，Step 3.7 Flash 都可以作为底层执行引擎，提供稳定的多轮对话、工具调用和任务执行能力。
第二类：企业软件开发商。 面向金融、制造、零售、法律等专业领域，需要将 AI 能力嵌入企业级应用软件（如 RPA 流程自动化、文档智能处理、数据分析平台）的企业技术团队。
第三类：多模态应用开发者。 需要处理图像理解、视觉搜索、GUI 操作等场景的开发者——例如智能表单识别系统、UI 自动化测试工具、视觉问答应用等。
第四类：AI 编程（Code Agent）方向的创业项目。 Step 3.7 Flash 在 SWE-Bench Pro 等编程基准上的出色表现，使其成为构建 AI 编程助手的理想基座。
三、技术架构深度解析
3.1 稀疏 MoE 架构：参数规模与推理效率的平衡艺术
Step 3.7 Flash 采用的稀疏混合专家（Mixture-of-Experts, MoE）架构，是理解这款产品的技术关键。简单来说，MoE 架构的核心思想是”术业有专攻”——将一个庞大的模型分解为多个”专家子网络”，在处理不同类型的输入时，模型只会激活与该任务最相关的少数专家，而不是让整个模型的所有参数都参与运算。
具体到 Step 3.7 Flash 的参数配置：
| 参数类别 | 规模 |
|---|---|
| 语言主干总参数量 | 1960亿（196B） |
| 视觉编码器（ViT）参数量 | 18.8亿（1.88B） |
| 每次推理激活参数量 | 约110亿（11B） |
| 总参数量 | 约1980亿（198B） |
这意味着，尽管 Step 3.7 Flash 的总参数量接近2000亿（与 GPT-4 等超大模型处于同一量级），但每次推理的实际计算量仅相当于一个110亿参数的稠密模型。这带来的直接好处是：
推理成本的大幅降低。 每次只激活5%左右的参数，显著减少了每次推理所需的计算资源和时间成本。
生成速度的大幅提升。 在稀疏 MoE 架构的加持下，Step 3.7 Flash 实现了每秒400个 Token 的最高生成速度。这意味着一个完整的1500字左右的回答，可以在4-5秒内生成完毕。对于需要快速响应的 Agent 应用场景——如实时客服对话、交互式数据查询、连续多轮操作等——这一速度优势至关重要。
上下文容量的拓展。 256k Token 的上下文窗口（约合20-25万汉字），使模型能够一次性处理超长文档、大型代码库或完整的多轮对话历史，而无需进行复杂的上下文压缩或切片处理。
3.2 三档推理级别：速度与深度的可调节平衡
Step 3.7 Flash 引入了一个非常实用的产品设计——三档可选择的推理级别（低/中/高）。这一设计体现了对真实生产环境需求的深刻理解：
在不同的 Agent 应用场景中，对”速度”和”深度”的需求是不同的。一个实时问答机器人的查询可能只需要低推理级别的快速响应；而一个涉及复杂多步规划的代码重构任务，则可能需要高推理级别来确保任务完成质量。
通过简单的参数配置，开发者可以在每轮推理时选择适合当前任务复杂度的推理级别，实现速度和成本的最优动态平衡。这种”一键切换”的设计，大大降低了开发者在不同场景间进行模型选型的复杂性。
3.3 原生多模态：视觉不是补丁，而是原生能力
与一些将多模态能力”嫁接”到语言模型上的方案不同，Step 3.7 Flash 在架构设计层面就将多模态作为原生能力进行构建。其配套的1.88B参数视觉编码器（ViT）专门针对 Agent 场景中的视觉任务进行了优化。
在官方基准测试中，Step 3.7 Flash 在 SimpleVQA（Search）任务上取得了79.2分，位列第一；在 V*（Python）任务上达到95.3分，与更大规模的旗舰模型持平。更值得关注的是，这些视觉能力的实现，并不完全依赖于将”视觉知识”硬编码进模型权重——模型在遇到视觉识别困难时，可以主动调用 Visual Python Tool，对图像进行裁剪、放大和重新读取，从而在推理过程中动态提升对局部细节的理解能力。
这种”视觉工具+推理增强”的组合策略，具有重要的工程意义：它意味着在保持模型参数规模可控的前提下，通过增加工具调用的灵活性来弥补纯参数化知识的不足。这为 Agent 场景下的视觉理解提供了一个高效且可扩展的技术路径。
四、核心能力矩阵
4.1 四大核心能力构成
根据阶跃星辰官方披露，Step 3.7 Flash 的核心能力由四个支柱构成，它们共同构成了一个完整的 Agent 执行体系：
（一）原生多模态理解与执行
这是 Step 3.7 Flash 区别于传统 Flash 模型的最显著能力升级。模型不仅能”看到”图像，更能将视觉信息转化为结构化的可执行结果：
- UI 界面理解：自动解析软件界面截图，识别按钮、表单、导航等元素，可用于 UI 自动化测试、用户操作引导等场景
- 图表解析：从数据可视化图表中提取原始数据、理解图表逻辑，用于 BI 自动化和数据报告生成
- 文档理解：处理扫描件、PDF、复杂表格等非结构化视觉文档，提取关键信息
- 跨模态执行：理解视觉输入后直接生成代码或调用工具完成操作——例如看完一个前端页面的截图后，自主生成对应的 HTML/CSS 代码，并切换到 GUI 界面验证效果
（二）联网与视觉搜索增强
Step 3.7 Flash 将”搜索”从模型的外部附加功能，提升为推理过程的内生能力：
- 当模型发现自身知识不足以回答当前问题时，会主动发起联网检索
- 支持”以图搜图”和”以图搜文”——给模型一张不认识的植物照片，它不仅能识别品种，还能自动生成搜索词去查找详细信息
- 在开放信息环境中跨文本与图像进行多源证据交叉比对，提升回答的事实准确性
- 特别针对长尾实体、新兴概念和实时信息进行了优化，弥补了小参数模型的固有知识不足
（三）高可靠工具调用与编排
这是生产级 Agent 最核心的技术壁垒。Step 3.7 Flash 在工具调用可靠性上做了大量专项优化：
- 在多轮、长程的 Agent 工作流中，能够稳定调用 API、浏览器、终端、Office 工具和外部系统
- 显著降低”跑偏”（drift）——即 Agent 在多轮执行中逐渐偏离原始指令的概率
- 减少”失败调用”——即工具调用参数错误或执行异常的情况
- 保持任务执行轨迹的一致性，确保从任务开始到任务完成的整个流程不中断、不失准
（四）Agent 生态兼容优化
降低接入成本是 Flash 模型普及的关键。Step 3.7 Flash 对主流 Agent 框架和工具调用协议进行了系统性的兼容适配：
- 支持框架：Claude Code、OpenClaw、Hermes Agent、KiloCode、OpenCode、RooCode 等
- 支持协议：MCP（Model Context Protocol）、Skills 等
- 提供标准的 OpenAI 兼容 API 接口，开发者只需修改几行配置即可将 Step 3.7 Flash 集成到现有系统中
4.2 能力深度：关键基准测试数据解读
理解一款 AI 模型的能力边界，基准测试数据是最重要的参考维度之一。以下是 Step 3.7 Flash 在官方披露的核心基准测试中的表现，以及这些数字背后对创业者的实际意义：
| 基准测试 | 得分/排名 | 实际意义 |
|---|---|---|
| ClawEval-1.1 | 67.1%（排名第一） | 评估模型在真实环境中完成多步骤任务的能力，包括任务理解、规划、工具调用、错误恢复和任务闭环。67.1%的得分比排名第二的竞品（59.8%）高出7.3个百分点，显著领先。 |
| SWE-Bench Pro | 56.3%（排名第二） | 考察模型独立追踪多文件代码库、从 issue 报告中定位 bug 并生成补丁的能力。这是代码 Agent 领域的核心基准。 |
| Toolathlon | 49.5% | 评估多工具协同能力，即模型在需要协调多种工具才能完成复杂任务时的表现。 |
| HLE w. Tool | 48.1% | 考察在有工具辅助情况下的深度搜索和推理能力，相比上一代 Step 3.5 Flash 的文本版（35.68%）提升了12.5个百分点。 |
| GDPval | 45.8% | 横跨44种职业的专业能力评估，体现模型在各行业垂直场景中的实际可用性。 |
| τ²-bench Telecom | 各难度档位均 >98% | 分低、中、高三档推理难度考察电信领域的专业任务执行，三档均超过98%的通过率表明模型具备极强的领域适应能力。 |
| Terminal-Bench 2.1 | 59.5% | 评估模型在终端环境下的操作能力。 |
| BrowseComp | 75.82% | 视觉搜索与跨源验证能力，接近 Claude Opus 4.7 和 GLM 5.1 等更大规模模型。 |
| DeepSearchQA | 92.82% F1 | 深度检索问答能力，可比肩 Kimi K2.6（1万亿参数/320亿激活参数）。 |
| ResearchRubrics | 71.68% | 研究评估任务，超越 GPT 5.5（61.50%），接近 Claude Opus 4.7（73.92%）。 |
创业者洞察：ClawEval-1.1 上67.1%的得分是最值得关注的数字。这个基准测试直接模拟了真实生产环境中 Agent 执行多步骤任务的全流程，其高分意味着 Step 3.7 Flash 具备在真实业务场景中部署的可靠性基础——而不仅仅是实验室里的”跑分王者”。
五、Advisor Mode：成本与性能的创新平衡
Step 3.7 Flash 引入的 Advisor Mode（顾问模式） 是一个在产品设计层面非常值得关注的创新。传统的模型增强策略通常是让小模型始终调用大模型作为后援——每一步都需要大模型确认——这虽然能提升质量，但成本极高。Step 3.7 Flash 的 Advisor Mode 则采用了更精细的策略：
- 小型执行器（Step 3.7 Flash 本身）在大多数推理步骤中保持独立执行，控制任务的主轨迹
- 仅在少数关键”拐点”——如任务规划阶段或连续失败后的恢复阶段——才向更大的”顾问模型”请求指导
这种”小事自主、大事商量”的策略带来了令人印象深刻的效果：启用 Advisor Mode 后，Step 3.7 Flash 达到了 Claude Opus 4.6 编程性能的 97%，而每任务成本仅为 $0.19（vs. Claude Opus 4.6 的 $1.76），成本降低约 90%。
对于创业者的启示是：在构建需要高质量执行但同时面临严格成本控制的 Agent 产品时，Advisor Mode 提供了一种可操作的”旗舰模型能力 + Flash 模型成本”的技术路径。
六、市场竞争格局分析
6.1 同类竞品横向对比
Step 3.7 Flash 处于一个正在快速升温的赛道——面向 Agent 场景的高效率模型。以下是该赛道当前主要竞争者的对比：
| 维度 | Step 3.7 Flash | Gemini 3.5 Flash（谷歌） | Claude Haiku（Anthropic） | DeepSeek V4 Flash |
|---|---|---|---|---|
| 开源策略 | ✅ 完全开源（Apache 2.0） | ❌ 闭源 API | ❌ 闭源 API | ✅ 开源 |
| 总参数规模 | 196B + 1.88B ViT | 未公开 | 未公开 | 未公开 |
| 激活参数 | ~11B | 未公开 | 未公开 | 未公开 |
| 最高生成速度 | 400 tokens/s | 同级前列（约4倍于同期旗舰） | 未公开 | 未公开 |
| 上下文窗口 | 256k | 未公开 | 未公开 | 未公开 |
| 多模态支持 | ✅ 原生多模态 | ✅ 支持 | ✅ 支持 | ✅ 支持 |
| 工具调用优化 | ✅ 专项优化（ClawEval 领先） | 部分支持 | 部分支持 | 部分支持 |
| Agent 框架兼容 | ✅ 六大框架全兼容 | 有限 | 有限 | 有限 |
| 本地部署支持 | ✅ 完整支持 | ❌ 不支持 | ❌ 不支持 | ✅ 部分支持 |
6.2 差异化优势与竞争壁垒
优势一：开源与生产级可靠性的结合。 在 Step 3.7 Flash 之前，想要获得生产级 Agent 执行可靠性的创业者，往往只能选择 Claude Code 等闭源方案。Step 3.7 Flash 的开源策略打破了这一瓶颈——企业可以自由部署、审计和定制模型，而不必受制于第三方 API 的调用限制和数据政策。
优势二：工具调用可靠性的显著领先。 在 ClawEval-1.1 基准上领先第二名7.3个百分点的成绩，表明 Step 3.7 Flash 在生产环境中的任务完成率上有实质性的优势。对于需要 Agent 执行关键业务流程的企业用户而言，可靠性差距的每一个百分点都直接关系到业务损失的风险。
优势三：生态兼容性构建的先发优势。 对六大主流 Agent 框架的系统性兼容，以及对 MCP/Skills 等协议的支持，使得 Step 3.7 Flash 的接入成本远低于需要从头适配的竞品。这对于时间紧迫的创业团队而言，是一个不容忽视的效率优势。
潜在挑战： 作为一个相对较新的开源模型，Step 3.7 Flash 在社区生态积累、企业级技术支持体系、以及某些细分场景的成熟度上，与 Claude 等成熟方案相比仍有差距。此外，198B 的总参数量虽然在激活参数量上控制得当，但对本地部署的硬件要求仍然不低（至少128GB统一内存的 Mac 设备或高端工作站），这对于预算有限的小团队而言是一个门槛。
七、创业机会与赛道分析
7.1 直接受益的创业赛道
（一）企业流程自动化（RPA 2.0）
传统的 RPA（机器人流程自动化）依赖预定义的规则和脚本，难以应对非结构化的业务场景。Step 3.7 Flash 的原生多模态理解和高可靠工具调用能力，为构建”智能化 RPA”提供了全新的可能性。创业者可以构建能够**“看懂界面、自动操作、持续学习”**的新一代流程自动化产品：
- 财务领域：自动处理发票识别、核销和报表生成
- 行政领域：自动处理员工入职文档、合同审查和信息录入
- 客服领域：构建能够直接操作后台系统完成用户请求的智能客服 Agent
（二）AI 编程与代码智能体
Step 3.7 Flash 在 SWE-Bench Pro 上排名第二（56.3%），在六大主流编程 Agent 框架上的平均表现达到 67.08%，且在 OpenClaw、KiloCode、OpenCode 等多个框架上的提升幅度超过20个百分点。对于 AI 编程赛道的创业者，这意味着可以在”低成本高效率”的约束下，构建真正可用于生产环境的代码智能体产品。
（三）垂直行业智能体平台
GDPval 上跨越44种职业的45.8%得分，以及 τ²-bench Telecom 上超98%的通过率，证明了 Step 3.7 Flash 在垂直领域任务执行上的潜力。创业者可以基于这一模型构建面向特定行业的 Agent 平台：
- 金融投研：自动化财报分析、舆情监控和投资报告生成
- 法律服务：合同审查、案例检索和法律文书起草
- 教育培训：智能题库解析、学习路径规划和作业批改
（四）多模态内容处理与理解
对于需要处理大量视觉信息的创业方向——如智能设计审核、UI/UX 自动化分析、视觉质检、文档数字化——Step 3.7 Flash 的原生视觉理解和视觉工具调用能力，提供了一个高效且成本可控的技术基座。
7.2 Step 3.7 Flash 的商业模式启示
对于计划基于 Step 3.7 Flash 构建商业化产品的创业者，有几条值得关注的商业模式路径：
路径一：垂直行业 Agent 即服务（Agent-as-a-Service）。 基于 Step 3.7 Flash 构建面向特定行业的智能体服务，按调用量或订阅制收费。由于模型本身开源免费，商业壁垒将建立在行业 know-how、工作流设计和使用体验上。
路径二：企业级本地部署解决方案。 为有数据安全合规要求的企业提供 Step 3.7 Flash 的本地部署、技术支持和定制优化服务。对于金融、医疗、政府等对数据不出域有硬性要求的行业，这是一个高价值的市场切入点。
路径三：开发工具与框架生态。 基于 Step 3.7 Flash 的 Agent 框架兼容性，构建针对特定场景的 Agent 开发工具、模板和工作流库，降低开发者的使用门槛。例如，可以开发面向电商运营、面向内容创作或面向数据分析的专业 Agent 构建工具。
7.3 生态共建机会
阶跃星辰在发布时已明确表示将推出”生态共建计划和生态伙伴限时体验活动”，面向开发者探索 Agent 效率评估、工程实践和生产化路径。对于有技术积累和市场资源的创业团队，参与这类生态计划是获取先发优势和官方支持的有效途径。
八、技术风险与商业风险评估
8.1 技术层面的潜在挑战
挑战一：本地部署的硬件门槛。 尽管 Step 3.7 Flash 的激活参数仅110亿，但其198B的总参数量意味着完整加载需要大量内存。对于希望进行本地部署的开发者，至少需要 NVIDIA DGX Station、AMD Ryzen AI Max+ 395，或配备128GB以上统一内存的 Mac 设备。这一硬件门槛可能将部分资源有限的小型创业团队挡在本地部署之外。
挑战二：Agent 执行的一致性仍有提升空间。 虽然 ClawEval-1.1 的67.1%在当前竞品中处于领先，但意味着仍有约三分之一的任务无法独立完成。对于真正进入生产环境的企业级应用而言，这一数字仍然需要进一步改善。
挑战三：多语言场景的支持深度。 目前公开的基准测试数据主要基于英文场景。虽然 Step 3.7 Flash 支持中文等多语言处理，但在中文 Agent 场景中的实际表现，仍需要更多的独立验证和场景化测试。
8.2 商业层面的潜在挑战
挑战一：大厂入局的竞争压力。 谷歌 Gemini 3.5 Flash 等大厂竞品的闭源策略虽然在灵活性上受限，但大厂在资金、品牌认知和现有用户基础上具有显著优势。Step 3.7 Flash 需要在开源生态建设上持续发力，才能保持竞争力。
挑战二：开源模型的商业化难题。 开源模型在获得开发者青睐的同时，也面临着商业化变现的挑战。阶跃星辰目前的商业模式包括端侧 License 收费和云端按消耗计费，但在开源社区中如何建立可持续的盈利生态，仍是一个需要持续探索的命题。
挑战三：Agent 市场的成熟度。 尽管 AI Agent 被普遍视为大模型落地的最重要方向，但截至目前，真正实现大规模商业化收入的企业级 Agent 产品仍然有限。创业者需要清醒认识到，市场教育和企业采纳仍需时间。
九、战略建议与行动指南
9.1 对不同类型创业者的建议
对于 AI Agent 应用层创业者：
Step 3.7 Flash 提供的开源、高效率和强工具调用能力，为构建垂直行业 Agent 产品提供了坚实的技术基础。建议优先聚焦1-2个有明确痛点的垂直赛道（如金融文档处理、企业 IT 运维自动化、智能客服等），利用 Step 3.7 Flash 的开源优势快速进行原型验证和迭代。在 MVP 阶段充分利用云端 API 降低基础设施成本，待产品市场契合（PMF）验证后，再考虑本地化部署以增强数据安全属性。
对于基础设施层创业者：
Step 3.7 Flash 的开源特性和多框架兼容性，为构建 Agent 开发工具、工作流编排平台和行业解决方案提供了机会。可以考虑围绕 Step 3.7 Flash 构建开发者工具链——如低代码 Agent 构建平台、监控与可观测性工具、测试与评估框架等。这类产品天然具备网络效应和平台属性，有更大的规模化潜力。
对于投资人和战略决策者：
Step 3.7 Flash 的发布是观察国内 AI 创业生态的一个重要窗口。阶跃星辰在资本端的持续发力（推进港股上市）、终端侧的深度布局（4200万台设备预装）以及 Step 3.5 Flash 在 OpenRouter 平台上的商业验证，共同指向一个信号：国内 AI 基础模型创业公司在 Agent 赛道上的竞争力正在快速提升。建议持续关注阶跃星辰的产品迭代节奏和生态建设进展，同时将 Step 3.7 Flash 纳入对国内 AI Agent 基础设施赛道的系统性研究和投资评估框架。
9.2 快速上手路径
对于希望立即开始实验 Step 3.7 Flash 的开发者，官方提供了多条接入路径：
- 云端 API 快速体验：通过 StepFun 开放平台（api.stepfun.ai 或 api.stepfun.com）使用 OpenAI 兼容接口调用模型，零部署成本
- Hugging Face / ModelScope 下载模型权重：在 GitHub 仓库（stepfun-ai/Step-3.7-Flash）获取开源模型，自行部署
- 本地部署：使用 vLLM、SGLang 或 llama.cpp 在高性能设备上运行量化版本，降低硬件要求
十、结论与展望
Step 3.7 Flash 的发布，是2026年 AI Agent 领域的一个重要节点。它代表了一个明确的技术判断：未来 Agent 应用的基础设施，不是越大越好，而是越”适合”越好。稀疏 MoE 架构带来的效率革命、三档推理级别设计的灵活适配、工具调用可靠性的专项优化，以及对主流 Agent 生态的系统性兼容，共同构成了一款真正为生产级 Agent 场景而生的模型产品。
对于 AI 创业者和开发者而言，Step 3.7 Flash 提供了三个核心价值：
- 开源可控：不再受制于第三方 API 的政策限制和数据风险
- 成本效率：$0.20/M tokens 的输入定价和 Advisor Mode 提供的高性价比执行路径
- 生态兼容：六大框架兼容和标准 OpenAI API，大幅降低接入成本
当然，我们也必须清醒地认识到，一款模型的成功不等于一款产品的成功。Step 3.7 Flash 解决的，是 Agent 执行层的效率和可靠性问题——而真正决定一个 AI 创业项目成败的，还有产品定义、市场定位、商业模式、团队执行力等更多维度。
展望未来，随着 Agent 从”单点能力”走向”系统性工程”，对高效、可靠、可控的基础模型的需求只会越来越强烈。Step 3.7 Flash 的出现，为这一趋势提供了一个值得认真关注的新选择。
参考信息源：本报告数据来源包括阶跃星辰官方技术博客（static.stepfun.com/blog/step-3.7-flash）、GitHub 仓库（stepfun-ai/Step-3.7-Flash）、Hugging Face 官方页面、上海证券报、观察者网、腾讯新闻等主流科技与财经媒体公开报道，以及 AI 产品库（aiproducthub.cn）和 AIHub 等专业 AI 产品平台的信息汇总。所有性能数据及功能描述均以官方披露和主流媒体报道为准，截至2026年5月。
报告撰写日期：2026年6月 | 面向读者：AI 领域创业者、投资人、技术决策者