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： /ai-market-guide/ 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 ： /ai-market-guide/ 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