StepFuns Step 5 Preview Launch-Nacht: Was fünf Entwickler über ein Modell sagten, das bereits sechs Wochen zuvor erschienen war

Es regnete auf dem Weg hinein, und das war der einzige Teil des Abends in San Francisco am 22. Oktober 2026, den StepFun nicht kontrollieren konnte. Das Unternehmen mietete einen Raum, richtete ihn gemeinsam mit Together AI aus und füllte ihn – etwa 277 Menschen hatten sich auf der öffentlichen Veranstaltungsseite angemeldet, bevor die Türen geöffnet wurden – für das, was die Einladung „Step 5 Preview Launch Night“ nannte und was der Kalender einen Donnerstag nannte. Das Modell, das vorgestellt wurde, hatte seit dem 20. September eine API und seit dem 15. Oktober herunterladbare Gewichte. Keines dieser Daten verschob sich für die Party. Was die Party bewirkte, war, die Menschen, die auf Modellen aufbauen, mit den Menschen, die dieses Modell trainiert hatten, in einen Raum zu bringen und sie über die Teile der Arbeit sprechen zu lassen, die eine Benchmark-Tabelle nie einfängt.

Die Runde war klein und ungewöhnlich konkret: Hongyu Zhou, ein Pretraining-Forscher bei StepFun; Dan Fu, der bei Together AI die Kernel verantwortet; Mar Hershenson von Pear VC; Saoud Rizwan von Cline; und Joey Wang von Harvey. Zusammen deckten sie die vier Dinge ab, die entscheiden, ob ein Modell eingesetzt wird – wie es trainiert wurde, wie es bereitgestellt wird, ob jemand das darauf Aufgebaute finanzieren wird und ob eine Agentenschleife sich darauf verlassen kann, dass es bei Schritt vierzig nicht zusammenbricht.

Zuerst das Problem mit dem Datum, denn es erklärt den ganzen Abend

Step 5 Preview ist nicht neu. StepFun hat die kommerzielle API am 20. September 2026 freigeschaltet, und der Launch erfolgte von Anfang an in Preview-Form – step-5-preview ist die Modell-ID, kein Zusatz, den jemand später hinzugefügt hat. Artificial Analysis datiert die Veröffentlichung auf „September 2026“ ohne Tagesangabe, und die ältere Modellseite nannte den 18. September als Datum; die Abweichung von StepFuns eigenem Datum wurde von keiner der beiden Parteien je erklärt, und dieser Artikel verwendet StepFuns 20. September mit diesem Vorbehalt.

Das Datum, das am 22. Oktober zählte, war der 15. Oktober. Damals wurden die BF16- und FP8-Checkpoints auf Hugging Face und ModelScope veröffentlicht, zusammen mit einem technischen Blogbeitrag, der einen 92-Schichten-„Narrow-Deep“-Stack und ein sparses GQA-Attention-Muster beschreibt, das gated Sliding-Window-Schichten mit sparsen Full-Attention-Schichten verschachtelt. Der Anlass war, in der schlichtesten Lesart, eine Launch-Nacht für ein Gewichte-Release: der Abend, an dem das Modell aufhörte, etwas zu sein, das man aufruft, und zu etwas wurde, das man auch selbst ausführen kann.

Diese Lesart verdient es, genannt zu werden, denn die alternative Lesart — dass dies ein neues Modell war — lag den ganzen Abend in der Luft, und sie ist falsch. Wer den Eindruck mitgenommen hat, StepFun habe Ende Oktober ein Modell veröffentlicht, wird bei einer Entscheidung sechs Wochen zu spät dran sein, die er bereits hätte treffen können.

Was dem Raum tatsächlich gezeigt wurde

Der technische Inhalt war leichter als das Marketing, was für dieses Format normal ist. Was StepFun auf den Bildschirm brachte, war die Architektur des Modells statt eines frischen Benchmark-Durchlaufs: ein spärliches Mixture-of-Experts-Modell mit 600 Milliarden Gesamtparametern und 27 Milliarden aktiven Parametern pro Token, 8 von 352 Experten geroutet plus ein gemeinsam genutzter Experte, drei Multi-Token-Prediction-Schichten für spekulatives Decoding und ein Kontextfenster von 1 Mio. Token. Es akzeptiert Text, Bilder und Video und gibt ausschließlich Text zurück. Die Obergrenze für die Ausgabe liegt in der eigenen Dokumentation von StepFun bei 64k Token.

Zhous Abschnitt kam einer echten Aussage darüber, warum die Architektur so aussieht, am nächsten: ein tiefer Stapel schmaler Schichten, mit dem Argument, dass Tiefe implizites Multi-Hop-Reasoning erkauft, das ein flacheres, breiteres Modell laut aussprechen und dafür Tokens aufwenden muss. Ob dieses Argument stimmt, lässt sich in einer Launch-Nacht nicht klären. Es ist jedoch die Art von Behauptung, die andere mithilfe eines herunterladbaren Checkpoints testen können – und genau das war vor dem 15. Oktober nicht möglich.

Tool Calling war das Thema. Benchmarks waren es nicht.

Der nützlichste Teil der Diskussionsrunde drehte sich um Zuverlässigkeit in Agenten-Loops, und er kam von den beiden Personen im Raum, die ihre Tage in solchen Loops verbringen, statt Modelle zu trainieren. Rizwans Produkt Cline ist ein Editor-Agent, der weiterarbeiten muss, wenn ein Modell im elften Schritt einer Aufgabe mit zwanzig Schritten fehlerhaftes JSON zurückgibt. Wangs Arbeitgeber Harvey betreibt ähnliche Loops für juristische Arbeit, bei denen ein falscher Tool-Aufruf keine schlechte Demo, sondern ein Haftungsereignis ist.

Was beide beschrieben haben, ist ein Ausfallmuster, das in einem Benchmark-Durchschnitt nicht auftaucht: das Modell, das über zehn Turns hinweg exzellent ist und dann stillschweigend die Form seiner Argumente ändert. StepFuns veröffentlichte Belege für diese Dimension stammen von StepFun selbst, und es lohnt sich, sie als solche zu kennzeichnen. Auf Terminal-Bench 4.0 meldet der Anbieter 33,3 gegenüber 12,6 für Kimi K3; auf DeepSWE v1.1 67,7 gegenüber 67,5. Das sind vom Anbieter selbst erhobene Zahlen mit dem vom Anbieter gewählten Harness, und gerade die Lücke bei der Terminal-Arbeit ist groß genug, dass sie eine zweite Meinung verdient, bevor jemand eine Migration darauf aufbaut. Der unabhängige Evaluator hat keinen Harness-abgestimmten Direktvergleich für dieses Modell veröffentlicht, und der Index, den er veröffentlicht, wurde inzwischen neu aufgebaut — siehe unten.

Inferenzkosten, diskutiert als Serving-Problem statt als Preisliste

Fus Abschnitt war derjenige, der für alle, die selbst hosten wollen, am wichtigsten sein dürfte, und er war auf eine Weise konkret, wie es Launch-Vorträge üblicherweise nicht sind. Der FP8-Checkpoint benötigt ungefähr 773 GB VRAM und mindestens vier GPUs, wobei B300 das Standardziel ist; der Hopper-Pfad braucht acht H200s, weil das Modell nicht auf vier passt. Die NVFP4-Variante senkt den Speicherbedarf auf etwa 473 GB und begrenzt den nutzbaren Kontext auf 320k Token, was ein echter Kompromiss und kein Rundungsfehler ist. vLLM und SGLang hatten beide am 15. Oktober Rezepte veröffentlicht, und der SGLang-Pfad verursacht bei einem Kaltstart FlashInfer-Kompilierungskosten von rund fünfzehn Minuten.

Dagegen ist die gemietete Alternative einfach: 1,00 $ pro Million Input-Tokens und 2,70 $ pro Million Output-Tokens auf StepFuns Dollar-Karte, wobei zwischengespeicherter Input mit 90 % Rabatt abgerechnet wird. StepFuns Renminbi-Karte nennt ¥7 für Input, ¥20 für Output und ¥0,70 für Cache-Treffer – wobei sich der Cache-Treffer-Wert gegenüber ¥0,35 am 14. Oktober um 00:30 Uhr Pekinger Zeit verdoppelt hat, acht Tage vor der Veranstaltung, mit einer Bestandsschutzregelung für frühere Pay-as-you-go-Nutzer. Niemand auf der Bühne erwähnte diese Änderung. Sie ist die folgenreichste Preistatsache zu diesem Modell in diesem Monat, und sie steht in der eigenen Dokumentation des Anbieters statt in der Präsentation.

Artificial Analysis beziffert die kombinierten Kosten auf 0,54 US-Dollar pro Million Token bei einem Cache-Hit-Verhältnis von sieben zu zwei zu eins und die Kosten eines vollständigen Durchlaufs des Intelligence Index auf 2,35 US-Dollar.

Die entscheidende Frage – der Punkt, an dem der Abend ehrlich wurde.

Hershensons Beitrag war der am wenigsten technische und der nützlichste: eine Erinnerung daran, dass der Grund, sich um ein billiges, offenes Modell mit langem Kontext zu kümmern, darin liegt, dass es verändert, was ein Unternehmen in der Seed-Phase versuchen kann. Ein Startup, das sich ein Frontier-Modell bei jedem Schritt einer Agentenschleife nicht hätte leisten können, kann sich jetzt leisten, die Schleife mehr als einmal laufen zu lassen. Wangs Version desselben Punkts, aus dem Inneren eines Unternehmenskäufers heraus, war, dass die Beschaffungsfrage nicht lautet "ist das das beste Modell", sondern "was passiert mit unseren Kosten und unserer Latenz, wenn es doppelt so gut ist, wie wir erwartet haben, und wir alles darauf umleiten".

Das ist eine Routing-Frage, und sie ist der eine Punkt, an dem die Ökonomie des Selbsthostings und die Ökonomie von APIs aufhören, getrennte Gespräche zu sein. Die Position von OrcaRouter dazu ist klar: Die Plattform trägt 214 Modelle hinter einem Schlüssel und einer Rechnung, mit einer Routing-Konfiguration, mit der du ein primäres Modell und eine Fallback-Kette deklarieren kannst, statt eine Modell-ID fest in eine Anwendung zu kodieren, sowie automatischem Failover, wenn ein Anbieter in seiner Leistung nachlässt. Step 5 Preview ist nicht unter diesen 214 — es gibt mit Stand vom 29. Oktober 2026 keinen StepFun-Eintrag im Live-Katalog, und nichts in diesem Artikel sollte als Behauptung gelesen werden, dass wir es anbieten. Wer es heute evaluieren möchte, steht vor der Wahl zwischen StepFuns eigener API und dem Selbsthosting der Checkpoints, die am 15. Oktober veröffentlicht wurden.

Was hat sich tatsächlich geändert, nachdem das Modell ausgeliefert wurde?

Drei Dinge, geordnet danach, wie stark sie eine Entscheidung beeinflussen sollten.

Der erste Punkt ist der Index. Am 27. und 28. Oktober ersetzte Artificial Analysis seinen Intelligence Index durch Version 5, gewichtete 60 % des zusammengesetzten Wertes auf privaten oder zurückgehaltenen Testsets und stellte die neun konstituierenden Evaluierungen neu zusammen. Es ließ drei der Evaluierungen fallen, auf die sich StepFuns Launch-Material stützte – GDPval-AA, SciCode und AA-LCR – und fügte FrontierCode 2.0 und Terminal-Bench-Science hinzu. Step 5 Preview erreicht auf dem neuen Index 29 Punkte. Auf dem alten lag der Wert bei 44. Das sind zwei verschiedene Messungen desselben Modells anhand zweier verschiedener Bewertungsraster, kein Modell, das schlechter geworden ist, und die 44, die im September und Oktober kursierten, sollten von nichts abgezogen werden, was unter v5 bewertet wurde. Kimi K3.1 Pro verschob sich zum Vergleich über denselben Umbau von 55 auf 46 – ein Rückgang um neun Punkte bei einem Modell, das gerade erst auf den Markt gekommen war.

Der zweite Punkt ist die Lizenz. Die Gewichte sind in dem Sinne offen, dass man sie herunterladen kann, und sie sind nicht im OSI-Sinne offen. StepFun Model License 1.0 behält eine Namensnennungsbedingung für materiell genutzte Ausgaben bei, verlangt von Hardwareherstellern – Telefone, Fahrzeuge, Wearables, Roboter – getrennt zu verhandeln, und verlangt eine kommerzielle Lizenz für Betreiber von Model-as-a-Service mit über 20 Millionen US-Dollar Jahresumsatz. Wenn Sie ein Zweierteam sind, greift nichts davon. Wenn Sie planen, Inferenz darauf weiterzuverkaufen, greift es sofort, und es lohnt sich, es vor der ersten GPU-Stunde zu lesen statt danach.

Das dritte ist die bereits beschriebene Preisänderung, die vor dem Ereignis stattfand und bei ihm nicht zur Sprache kam.

Was ein Bauherr aus diesem Abend mitnehmen sollte

Das nützliche Signal vom 22. Oktober ist nicht, dass StepFun ein neues Modell hat. Es ist, dass ein Unternehmen mit einem Flaggschiff, das es im September veröffentlichte, einen Abend im Oktober damit verbrachte, mit Agent-Entwicklern über die Zuverlässigkeit von Tool-Aufrufen und Serving-Kosten auf Kernel-Ebene zu sprechen – in einem Raum, in dem die Leute, die unter beidem zu leiden hätten, in den vorderen Reihen saßen. Das ist ein Unternehmen, das sich verhält, als hingen die nächsten sechs Monate der Adoption von Betriebsfähigkeit ab und nicht von einer weiteren Benchmark-Zeile.

Die konkrete Fassung davon: Wenn du auf die Gewichte gewartet hast, bevor du Step 5 Preview ernst nehmen würdest, endete das Warten am 15. Oktober. Wenn du auf eine unabhängige Punktzahl gewartet hast, die du mit allem anderen vergleichen kannst, gibt es die Zahl jetzt, sie beträgt 29, und sie wird nach einem Bewertungsraster gemessen, das gerade unter allen neu aufgebaut wurde. Beides sind Gründe, dir jetzt eine Meinung zu bilden, statt erst nach der nächsten Launch-Nacht.