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

• 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。

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。

首次视觉截断记录（供对照）

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