SteP Star veröffentlicht das "weltweit erste KI-Smartphone". Was für ein Arrangement hat Yin Qi vorbereitet?

Am Abend des 13. Juli wurde das weltweit erste, auf großen Modellen basierende native Agenten-Handy STEX Neo vorgestellt.

Darüber hinaus hat Stepfun gleichzeitig STEX, die weltweit erste Marke für KI-Endgeräte, die auf großen Modellen basiert, und Step AOS, das weltweit erste native Betriebssystem für Agenten, auf den Markt gebracht. Es ist mit dem Stepfun-Agenten Amoo ausgestattet und zielt darauf ab, eine echte neue KI-Spezies zu schaffen, die "Modell, Software und Hardware" in einem vereint.

Aber als viele das vertraute Logo auf dem Bildschirm sahen, dachten sie vielleicht, sie seien im falschen Raum gelandet und in die Präsentation von Claude Code geraten. Denn das Logo von Stepfun ähnelt dem von Claude Code sehr stark. Man fragt sich, ob sie eine Klage von Anthropic (der Muttergesellschaft von Claude Code) fürchten?

Zurück zum Thema: In den letzten Jahren hat fast jeder Handy-Hersteller bei der Vorstellung neuer Produkte in seiner Präsentation viele KI-Geschichten erzählt, z. B. KI-Bildbearbeitung, KI-Zusammenfassungen und KI-Anrufbeantwortung.

Aber keines dieser Produkte kann als echtes KI-Handy bezeichnet werden. Vor dem STEX Neo von Stepfun war das Produkt, das die Öffentlichkeit am meisten beeindruckt hat und dem KI-Handy am nächsten kommt, letztes Jahr das "Doubao-Handy". Aber nach seinem großen Erfolg gab es keine weiteren Nachrichten mehr über das "Doubao-Handy".

Ist Stepfun in der Lage, die Probleme zu lösen, die das "Doubao-Handy" damals nicht lösen konnte?

1. Was ist anders am Step AOS-System?

Die Trumpfkarte von Stepfun ist ein geschlossenes Kreislaufsystem aus "Modell + Kapital + Herstellung + Vertrieb".

Dieses 2023 in Shanghai gegründete Einhorn-Unternehmen für große Modelle hat Jiang Daxin, ehemaliger globaler Vizepräsident von Microsoft, als Gründer und CEO, und Yin Qi als Vorsitzender. Unter den aktuellen "vier kleinen Drachen" der chinesischen großen Modelle hat ihre technische Route ein klares Markenzeichen: der Multimodal-"Spitzenreiter".

Hinter diesem Markenzeichen steht die allgemeine große Modellmatrix der Step-Serie von Stepfun, die umfassende Fähigkeiten in Sprache, Multimodalität und Schlussfolgerung abdeckt. Das zusammen mit dem Handy vorgestellte native Betriebssystem für Agenten, Step AOS, ist der Kern des gesamten Systems.

Herkömmliche mobile Betriebssysteme drehen sich um "Menschen bedienen Anwendungen". Step AOS hingegen verteilt Hardware-Ressourcen und Systemkapazitäten neu, wobei die Agenten im Mittelpunkt stehen. Dazu zerlegt Step AOS die zugrunde liegenden Systemkapazitäten nach dem MCP-Standard in vier kleinste Einheiten: Kommunikation, Anwendungen, Dateien und System, damit die Agenten sie frei aufrufen und kombinieren können.

In Bezug auf die Interaktion führt Step AOS den natürlichen NUI-Interaktionsmechanismus ein, der multimodale Eingaben wie Sprache, Sehen und Text unterstützt und automatisch Informationen über die Identität und Vorlieben des Benutzers durch Kontextgedächtnis vervollständigt.

Um die "drei Mauern" der Agenten (Gedächtnismauer, Entscheidungsmauer und Handlungsmauer) zu überwinden, hat Step AOS eine zweigeteilte, dreistufige Gedächtnisstruktur aufgebaut, die in die Benutzerdomäne und die Agentendomäne unterteilt ist. Sie folgt der dreistufigen Kette "Merken - Verarbeiten - Erinnern", damit die Agenten ihr Verständnis für die Gewohnheiten und Vorlieben der Benutzer ständig vertiefen können.

In Bezug auf Entscheidung und Ausführung verwendet Step AOS ein Multi-Gehirn-System aus Endgerät und Cloud, das große Sprachmodelle unterschiedlicher Größe dynamisch nach Faktoren wie Aufgabenkomplexität, Kosten und Geschwindigkeit zuweist. Bei Bedarf kann es die Verarbeitungsebene schrittweise hochstufen, um sowohl die Antwortgeschwindigkeit als auch die Tiefe der Schlussfolgerung zu berücksichtigen.

Hinter dem Step AOS-System steht das allgemeine große Modell der Step-Serie.

2025 hat Stepfun als Erste die Step-GUI-Modellreihe quelloffen gemacht. Im Juni dieses Jahres folgte das MoE-Modell Step 3.5 Flash. In der Rangliste der renommierten Bewertungsplattform Artificial Analysis belegte dieses Modell mit einer Ausgabegeschwindigkeit von 409 Tokens pro Sekunde den ersten Platz unter den gängigen Modellen.

Darüber hinaus hat Stepfun im Mai dieses Jahres zur Verbesserung von Effizienz und Wirtschaftlichkeit Step 3.7 Flash veröffentlicht. Seine Gesamtparameter liegen bei fast 200 Milliarden, aber durch die spärliche MoE-Architektur (Mischung von Experten) werden bei jeder Schlussfolgerung tatsächlich nur etwa 11 Milliarden Parameter aktiviert, was eine maximale Ausgabegeschwindigkeit von 409 Tokens pro Sekunde ermöglicht.

Aber selbst das beste GUI-Modell hat immer die doppelten Engpässe von Latenz und Datenschutz, wenn es nur in der Cloud läuft. Deshalb hat Stepfun am 12. Juli, einen Tag vor dieser Präsentation, die Step Edge-Endgerätemodell-Familie vorgestellt, die vier Produkte umfasst: Basismodell, Audio, GUI und Gen, die speziell für Endgeräteszenarien wie Mobiltelefone und Autos entwickelt wurden.

Diese vier Modelle decken alle Kernaufgaben ab, mit denen ein Endgeräte-Agent konfrontiert ist: zu verstehen, was der Benutzer sagt, zu erkennen, was auf dem aktuellen Bildschirm ist, zu entscheiden, was als Nächstes zu tun ist, und Operationen durchzuführen oder Inhalte zu erstellen.

Diese Endgerätemodelle haben mehrere wichtige Kennzahlen, die sich lohnen, betrachtet zu werden: Eine lokale Tool-Call-Ausführungslatenz von nur 0,1 Sekunden stellt sicher, dass häufige einfache Aufgaben in Echtzeit beantwortet werden können, ohne sie an die Cloud zu senden. Der vollständige multimodale Datenschutz sorgt dafür, dass sensible Daten wie Text, Bild und Sprache vollständig lokal verarbeitet werden. Der native Endgerät-Cloud-Zusammenarbeitsmechanismus lässt einfache Aufgaben schnell auf dem Endgerät beantworten und komplexe Schlussfolgerungen in der Cloud durchführen.

In einer Bewertung mit 29 Kernkennzahlen, die Bildverständnis, OCR und GUI-Steuerung umfassen, belegte Step Edge den ersten Platz und übertraf gängige Konkurrenten wie Qwen3-VL und MiniCPM-V.

Wenn wir alle Puzzleteile zusammensetzen, können wir klar die dreistufige technische Anordnung von Stepfun bei großen Modellen sehen:

1. Cloud-Pro-Modell: Für schwierige Schlussfolgerungen, komplexe Planungen und langkettige Aufgaben;

2. Cloud-Flash-Modell: Mit Fokus auf Geschwindigkeit, Kosten und häufige Agenten-Arbeitsabläufe;

3. Edge-Endgerätemodell: Als lokale Ausführungsebene für die Echtzeit-Wahrnehmung der Umgebung, GUI-Operationen, Verarbeitung privater Daten und Aufrufe grundlegender Tools.

In echten Endgeräteszenarien arbeiten die drei Modelle über das "Endgerät-Cloud"-System zusammen: Das Edge-Modell beantwortet Spracheingaben lokal und ruft die Fotoalben auf, um Rechnungen zu erkennen. Leichte Daten werden an das Flash-Modell zur schnellen Verarbeitung gesendet. Bei sehr komplexen Aufgaben wird das Pro-Modell für tiefgehende Schlussfolgerungen aktiviert.

Die Veröffentlichung der Endgerätemodell-Familie markiert, dass Stepfun das vollständige kooperative System "Pro + Flash + Edge" fertiggestellt hat.

Alles ist bereit – das KI-Handy tritt offiziell auf die Bühne.

2. Wie kann man die Fehler vermeiden, die das "Doubao-Handy" gemacht hat?

Im Vergleich zu den anderen "vier kleinen Drachen" – Moonshot AI, Zhipu AI und MiniMax – ist Stepfun relativ wenig bekannt. Der Grund liegt darin, dass es sich auf die Umsetzung im B2B-Bereich und bei Endgeräten konzentriert, keine besonders auffälligen Produkte hat und das Unternehmen noch nicht an der Börse notiert ist, um großen Einfluss zu nehmen.

Die Vorstellung von STEX Neo ist eine gute Gelegenheit für Stepfun, sich breiter bekannt zu machen.

Auf intelligenten Endgeräten können neben Handys auch Autos, Brillen, Kopfhörer … und praktisch jeder Bildschirm ein Eingangspunkt sein, über den große Modelle die Benutzer erreichen. Anders als im Zeitalter des mobilen Internets, in dem "Anwendungen die Vorteile genossen", riskieren große Modellunternehmen heute, von Hardware-Herstellern und Betriebssystemen von den Benutzern ferngehalten zu werden, wenn sie nicht aktiv auf Endgeräte zugehen.

Aber für ein großes Modellunternehmen selbst eine Handy-Produktionslinie mit hohen Anlagewerten, niedrigen Bruttomargen und schnellem Umschlag aufzubauen, birgt auch nicht zu unterschätzende Risiken.

Dieses Mal hat Stepfun sich für eine Zusammenarbeit mit Huaqin Technology entschieden. Und in der letzten Finanzierungsrunde von Stepfun mit einem Volumen von etwa 2,5 Milliarden US-Dollar tauchten eine Reihe von Hardware-Lieferkettenunternehmen wie Huaqin Technology, Longcheer Technology, OmniVision Group und ZTE in der Liste der Investoren auf.

Was Stepfun gewählt hat, ähnelt eher einem Experiment für ein industrielles Bündnis im KI-Zeitalter, das auf gemeinsamen Interessen basiert – und dabei lassen sich einige unvorhersehbare Risiken nicht vermeiden.

Das erste und größte Problem sind die Ökosystembarrieren, wie man am Beispiel des "Doubao-Handys" sehen kann. Letztes Jahr haben Doubao und Nubia gemeinsam einen Prototyp vorgestellt, der Funktionen wie den Preisvergleich zwischen verschiedenen E-Commerce-Plattformen, den Zugriff auf Fotoalben und sogar das sprachgesteuerte Öffnen des Kofferraums eines Tesla demonstrierte. Die Demo verlief reibungslos und zeigte beeindruckende Ergebnisse.

Aber schon bald griffen die Giganten des mobilen Internets wie WeChat, Alipay, Taobao und Meituan ein, distanzierten sich von Doubao – und Doubao hat die entsprechenden Funktionen später geschlossen.

Aus diesen Erfahrungen lernend, hat Stepfun bei seiner Präsentation gleichzeitig angekündigt, dass führende Anwendungen wie Alipay, Baidu, Ctrip, Didi, Meituan, JD.com, WPS und CapCut zu den ersten Ökosystempartnern gehören.

Aber um die Benutzer wirklich dazu zu bringen, dieses Handy zu akzeptieren, reicht das offensichtlich nicht. Für die großen Apps ist das kein technisches Problem, sondern ein Überlebensproblem.

Im Moment wirkt dieses KI-Handy eher wie ein "Musterzimmer", das zeigen soll, was KI-Agenten wirklich können – und wie weit das Produkt noch von etwas entfernt ist, für das die Verbraucher bereit sind, zu zahlen. Wie weit Stepfun kommen kann, hängt von einer Person ab: Yin Qi.

3. Yin Qis "großer Plan"

Neben seiner Rolle als Vorsitzender von Stepfun ist Yin Qi auch Vorsitzender von Qianli Technology.

Sein Lebenslauf ist in der KI-Branche als "Top-Ausstattung" zu bezeichnen: Er gehört zu den ersten Absolventen des "Yao-Kurses" an der Tsinghua-Universität. Mit 22 Jahren gründete er zusammen mit seinen Klassenkameraden Megvii und stellte die Gesichtserkennungsplattform Face++ vor. Megvii wurde zeitweise zu einem Einhorn mit einem Marktwert von 80 Milliarden Yuan und zählte zu den "vier kleinen KI-Drachen" der vorherigen Generation.

Aber Megvii reichte 2019 erstmals den Börsengang in Hongkong ein, wechselte dann zum Sci-Tech Innovation Board und zog den Antrag 2024 selbst zurück. Nach mehr als fünf Jahren Bemühungen um den Börsengang endete es schließlich mit einem Misserfolg.

Yin Qi hat im Januar dieses Jahres offiziell den Posten als Vorsitzender von Stepfun angetreten und ist für die Festlegung des gesamten strategischen Rhythmus und der technischen Richtung verantwortlich. An diesem Tag kündigte Stepfun den Abschluss einer B+-Finanzierungsrunde von über 5 Milliarden Yuan an – ein neuer Rekord für die größte einzelne Finanzierungsrunde eines inländischen großen Modellunternehmens im vergangenen Jahr.

Im Mai schloss Stepfun eine weitere Finanzierungsrunde von fast 2,5 Milliarden US-Dollar (etwa 17 Milliarden Yuan) ab und übertraf damit die vorherige Summe von 2 Milliarden US-Dollar von Moonshot AI. In dieser Runde beteiligten sich Kapitalgeber aus der gesamten Industriekette: Unternehmen aus der Handy- und Unterhaltungselektronikkette wie Huaqin Technology, Longcheer Technology, OmniVision Group und ZTE waren alle dabei und deckten viele Bereiche von der Geräteherstellung bis zu den zentralen Komponenten im oberen