介绍阶跃星辰公司的 Step 系列多模态大模型：团队有深厚的视觉技术背景，图像理解与生成、语音对话是重点方向，普通用户可通过“跃问”App 体验拍照问答与图像创作的入门科普。
核心要点
- 创始团队有深厚的多模态技术背景，视觉方向见长。
- Step 系列覆盖理解与生成，图像和语音能力是重点。
- 消费级入口是“跃问”App，日常问答与图像玩法兼具。
它是谁
阶跃星辰是一家上海的大模型创业公司，创始团队此前的技术经历集中在计算机视觉领域——也就是教机器“看”的学问。这份基因决定了 Step 系列的取向：不只把语言模型做好，还早早押注多模态，让模型既能看懂图片，也能生成图片、听懂声音。面向普通用户的产品叫“跃问”，一个可以日常聊天也能玩图像创作的应用。
能力特点
多模态是 Step 的招牌：拍照问问题、识别图中文字和物体、根据描述生成插画，都在它的能力清单里；语音方向也布局了类似实时通话的对话方式，对着手机说话就像和另一个人煲电话粥一样自然。
相比“什么都会一点”的通用路线，它更像是把“看与听”这一横做深，再逐步向推理等其他能力扩展。这种打法让它在图片相关的具体任务上常有不错的完成度，识图和画图两类需求都可以交给它试试。
怎么用 / 适合谁
适合喜欢视觉玩法的用户：拍照识物、修图配文、生成头像插画；有语音交流偏好的用户；以及关注多模态技术走向的观察者。跃问 App 上手简单，适合轻度尝鲜，网页版也可以直接使用，两边功能大同小异。
局限与注意事项
多模态生成对细节的把控仍在进步中，人物的手、图里的文字等细节容易出错；图像理解对专业领域图表的识别未必准确，医学影像这类严肃内容更不能只信它。产品功能与免费额度可能随版本变动，重要用途先做小范围验证。
常见问题
“多模态”到底是什么意思？
模态指信息的形态：文字是一种，图片、声音、视频各自是一种。“多模态”就是模型不只会处理文字，还能看图、听声、看视频。就像人读书看报之外还会看照片、听广播——模型也在从“只识字”进化到“有眼睛有耳朵”。
本文为 AI 科普内容，仅用于知识普及，所引用的产品能力可能随版本更新而变化，不构成任何技术选型、投资或职业决策建议。