国产推理模型卷起来了阶跃星辰StepRmini推理模型首发实测

大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“ 外挂 ”，所以创建了“AI信息Gap”这个公众号，专注于分享AI全维度知识，包括但不限于 AI科普 ， AI工具测评 ， AI效率提升 ， AI行业洞察 。关注我，AI之路不迷路，2025我们继续出发。

AI模型领域的这一股“ 推理模型 ”的热潮依然还在继续。

光国内，就有5个。而今天要说的 阶跃星辰 Step R-mini ，是第6个。

我先来给不熟悉的小伙伴捋一捋 国内推理模型 的发展史，虽然只有短短几个月，但却足够“波澜壮阔”。

去年11月20日， DeepSeek 发布了国内真正意义上 首个 推理模型 DeepSeek-R1-Lite 。其实Kimi的 k0-math 在几天前就官宣了，但 k0-math 是官宣早，发布晚，按真正能使用的时间算的话， DeepSeek-R1-Lite 是当之无愧的“首个”。附链接： 国内首个对标o1的推理模型发布：DeepSeek-R1-Lite初体验！

几天后的11月26日， Kimi 正式发布 k0-math 。虽然Kimi官方称它为“数学模型”，而宣传方面也都是在强调 k0-math 的数学能力，但也掩盖不了它是一个推理模型的本质。上链接： Kimi数学模型正式上线，这是新鲜出炉的测评结果！

又过了几天，11月28日， 阿里通义 发布了开源的推理模型 QwQ-32B-preview 。是的，名字就是这么任性，QwQ。参数量仅32B的 QwQ-32B-preview 推理能力竟然还不赖： 阿里Qwen团队发布首个开源推理模型QwQ-32B-preview！

卷大模型，少不了 智谱GLM 。12月31日，智谱正式推出推理模型 GLM-Zero-Preview 。

1月6日， 昆仑万维 终于正式上线了天工大模型4.0 o1 版，这么露骨的名字你也应该猜到，它是一个推理模型了吧。在此之前，天工4.0 o1 版一直处于邀请测试状态（自11月27日起）。

短短两个月的时间，国内推理模型“百花争艳”，是不是有2023年“卷”通用大模型那味儿了。

整理一波表格。

日期

模型

发布机构

关键特点

2023-11-20

DeepSeek-R1-Lite

DeepSeek

🚀 国内真正意义上的 首个 推理模型

2023-11-26

k0-math

Kimi

🔢 强调数学能力，本质是推理模型

2023-11-28

QwQ-32B-preview

阿里通义

😎 参数量32B，开源推理模型

2023-12-31

GLM-Zero-Preview

智谱

🎉 智谱推出的推理模型

2024-01-06

天工4.0 o1版

昆仑万维

🌟 从邀请测试到正式上线的天工大模型

而今天，这个表格上就要新增一位选手了： 阶跃星辰的推理模型 Step R-mini 。

1月15日，阶跃星辰正式上线了自研的推理模型 Step R-mini ，其全称为 Step Reasoner mini 。 阶跃星辰 这家公司，和之前介绍过的 DeepSeek 、 MiniMax 很像，如果你不关心国内AI领域，甚至可能没听说过。

作为一家AI初创公司的阶跃星辰成立于2023年4月，总部位于上海。阶跃星辰和MiniMax一样，走的是“模型+应用”这条路，自研模型，然后开发应用。阶跃星辰的 模型代表作 是 Step 系列，目前已经迭代到 Step-2 ；而 Step-2 也曾有过辉煌的战绩： 跻身进入LMSYS大模型排行榜前10名 。 核心产品 有2个：AI聊天平台 跃问 ，以及AI角色扮演类产品 冒泡鸭 。

阶跃星辰的官方首页，有马斯克xAI的“探索宇宙”那感觉了。

根据官方放出的基准测试对比数据， Step R-mini 的性能表现应该是和OpenAI的 o1-mini 相当，甚至在数学能力方面更强。

值得一提的是，国内的很多AI厂商喜欢把自家的 推理模型 和 GPT-4o 、 Claude 3.5 Sonnet 这样的一线 通用基座模型 做对比，今天的阶跃星辰和之前的5家皆是如此，这其实是有失公允的。通用模型走的训练路线和推理模型完全不一样，缺少了“内部思维链”的加持，没有任何的“思考”能力，这相当于一个大学生和一个小学生一起做小学数学奥赛题，还要把成绩放在一起“强行”对比，结果其实意义不大。如果一个推理模型的基准测试结果，很多方面还不如通用模型，那才有问题。

是骡子是马，让我们拉出来遛遛看。我在大约两周前测试了前面几个推理模型，详情看这里： 元旦献礼：谁才是o1的最佳平替？！

今天，来看看阶跃星辰的 Step R-mini 。

Step R-mini 直接在跃问平台上就能免费使用。

阶跃星辰跃问 ：https://yuewen.cn

先来一道开胃小菜，“帽子颜色问题”。 Step R-mini 的答案是正确的，推理过程大部分也正确，但这个推理论证其实是小有瑕疵的，因为并 没有明确指出核心原因 ：10顶帽子至少有1黄。第10-2个人说“不知道”，那么说明他们前面的就不全是蓝帽（如果全蓝，自己必为黄帽）。直到第1个人，必定是黄帽。

而从 Step R-mini 的思考过程来看，出现了大量的自我否定，并且整个推理过程中， Step R-mini 并没有抓住核心问题。附上非常长的推理过程，并没有针对，仅供学习、讨论交流。

接下来是“蜗牛爬杆问题”。这个问题考察推理模型对题目的理解、以及后续的推理能力。很明显，这里 Step R-mini 题目理解错误了，因为题目并没有说杆的长度，这里需要分类讨论。

其实思考过程中， Step R-mini 已经察觉到了这一点，但很可惜，它又立即把自己的想法否定了。

接下来测试的是“真假话推断问题”里的宝匣问题。 Step R-mini 的回答完全正确，推理过程也很清晰。

接着是“逻辑推理问题”。这道题目有一定难度，因为可行解不唯一。 Step R-mini 的回答完全错误，推理时也是把自己绕进去了，这一点让我很意外。因为在之前的测试中， o1 回答完全正确，其余的推理模型至少都找到了1个解。

推理的最后， Step R-mini 似乎是和自己和解了。

最后这个24点的推理问题， Step R-mini 不出意外的没有答对。这个题目之难，只有 o1 能回答正确。

总结几个观察到的现象。测试下来，我发现 Step R-mini 很多时候会“过度思考”，当然这是国产推理模型的“通病”。在思考过程中出现了大量的 自我怀疑 、 自我否定 ，有时甚至因此和正确答案失之交臂。

以“9.9和9.11哪个大”这个经典问题为例。整个推理过程充斥着大量的“但是，等一下，这好像不对”、“让我再想想，也许我弄错了”、“但是，我感觉哪里不对”、“但是，我仍然觉得有点困惑”等等自我否定的思考，直到最后自己把自己说服。