阶跃AI新版本已实现多模态功能落地：支持截图填报销单、会议录音生成带时间戳纪要、Excel图表异常识别。其视觉理解可语义解析图表，语音-文本联合推理实现声纹分离与因果标记，图文混合推理能据菜谱图解反推采购清单并同步至企业微信。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
阶跃AI智能办公新版本在多模态理解上的实际表现，直接决定你能否用一张截图完成报销单填写、靠一段会议录音自动生成带时间戳的纪要、或让AI看懂Excel图表后指出异常数据点——这些不是概念演示，而是当前已落地的功能。
视觉理解：从“看到”到“读懂”表格与图表
打开任意含数据图表的PDF或截图，选中图片→右键→“交给阶跃AI分析”，系统自动调用Step3oVision模型。
模型会先分离文字与图形区域，再对坐标轴、图例、数据标签做语义对齐，最后输出结构化描述。例如柱状图中“Q3销售额下降12%”会被识别为事实陈述，而非仅返回“有三根柱子，中间最短”。
这一步依赖本地GPU加速，【若显卡驱动未更新至2026.06版以上，视觉解析将降级为CPU模式，耗时增加3倍且丢失细粒度标注】。
验证方式：上传一张带误差线的折线图，输入指令“标出置信区间超出阈值的点”，正确响应即表示视觉语义链已打通。
语音-文本联合推理：会议录音秒变可编辑纪要
方法一：飞书/钉钉会议结束后，点击阶跃悬浮球→“提取本次会议纪要”，自动拉取录音文件并启动Step-Audio2模型。
方法二：手动上传MP3/WAV文件，在输入框输入“按发言角色分段，标记技术术语，高亮待办事项”，模型同步执行声纹分离+术语识别+意图抽取三重任务。
关键区别在于：旧版本仅做ASR转写，新版本会在转写结果上叠加实体链接（如“K8s”自动关联集群配置文档）、因果标记（“因数据库超时→触发熔断”）、以及跨句指代消解（“它”被还原为“订单服务”）。
图文混合推理：用菜谱图解反推食材采购清单
第一步：拖入一张带步骤图的家常菜谱截图。
第二步：输入自然语言指令：“列出所有未标注但实际需要的辅料，并按超市分区排序。”
第三步：模型调用STEP3-VL-10B进行跨模态对齐——识别图中锅具材质（暗示需耐高温调料）、火候符号（判断是否需提前腌制）、成品色泽（反推酱油添加时机），最终生成带采购动线建议的清单。
第四步：点击清单末尾的“同步至企业微信采购群”，自动唤起微信客户端完成消息发送。
注意：该流程依赖MCP协议v1.2的tool_call扩展字段，【若未在高级设置中启用“多模态工具链直连”开关，此功能将不可见】。
