Step 5 Preview vs. Claude Opus 5: Sieben Indexpunkte für die siebenfache Rechnung

Das Launch-Material von StepFun für Step 5 Preview beginnt mit einer einzigen vergleichenden Behauptung: eine einzelne Aufgabe damit kostet ein Achtel des Preises derselben Aufgabe auf Claude Opus 5. Beide Modelle stehen jetzt auf derselben unabhängigen Bewertungsplattform, sodass diese Behauptung überprüft werden kann, statt über sie zu streiten. Artificial Analysis ließ jedes Modell durch Intelligence Index v4.3.2 laufen – zehn Evaluierungen – und veröffentlichte, was jeder Durchlauf kostete, wobei Claude Opus 5 mit seiner eigenen maximalen Reasoning-Effort-Einstellung bewertet wurde. Step 5 Preview: 44 im Index, 922,84 $ für den kompletten Durchlauf. Claude Opus 5: 51 im Index, 7.274,74 $. Das ist das 7,9-Fache des Geldes für 7 Punkte beim Score, und das von StepFun genannte Verhältnis erweist sich als das zutreffende. Was das Verhältnis verbirgt, ist der interessante Teil, denn die Lücke ist nicht hauptsächlich eine Preislücke. Es ist eine Ausführlichkeitslücke, die die Kleider einer Preislücke trägt, und die Trennung der beiden verändert, welches Modell man welchem Workload voranstellen sollte.

Zwei Run-Kosten, ein Board und was tatsächlich in ihnen steckt

Die Gesamtkosten eines Durchlaufs sind der sauberste einzelne Vergleich, der hier verfügbar ist, weil beide Modelle dieselben Fragen unter demselben Testaufbau beantwortet haben und kein Anbieter diese Zahl selbst ermittelt hat. Zugleich ist es die Zahl, die am ehesten falsch gedeutet wird, weshalb es sich lohnt, sie genauer aufzuschlüsseln.

• Index-Punktzahl — Step 5 Preview 44 vs. Claude Opus 5 51; Claude Opus 5 erzielte diesen Wert mit der Einstellung für maximalen Reasoning-Aufwand

• Gesamtkosten für die Fertigstellung des Index — Step 5 Preview $922.84 vs. Claude Opus 5 $7,274.74

• Gemischter Preis bei einem 7:2:1-Mix aus Cache-Treffern / Input / Output — Step 5 Preview 0,51 $ pro 1 Mio. Token vs. Claude Opus 5 3,85 $

• Während des Index-Laufs generierte Ausgabe-Tokens — Step 5 Preview 160 Mio. vs. Claude Opus 5 140 Mio.

Listenpreis — Step 5 Preview 1,00 $ Eingabe / 2,70 $ Ausgabe vs. Claude Opus 5 5,00 $ Eingabe / 25,00 $ Ausgabe

Betrachtet man die Zeilen drei und fünf zusammen, ist die Rechnung kein reiner Preisvergleich mehr. Der Mischsatz von Step 5 Preview ist 7,5-mal günstiger, und der Listenpreis ist beim Input 5-mal günstiger und beim Output 9,3-mal günstiger – der Mischsatz leistet also etwas, was der Input-Preis nicht leistet. Das liegt daran, dass der Mischsatz auf Output gewichtet ist, und Output ist der Bereich, in dem die beiden Modelle am stärksten auseinandergehen. Claude Opus 5 berechnet das 9,3-Fache des Output-Satzes von Step 5 Preview, und beide Modelle schreiben sehr viel: 140 Mio. Output-Tokens für Claude Opus 5 gegenüber einem Median von 92 Mio. über die Modelle, die der Index bewertet, und 160 Mio. für Step 5 Preview gegenüber demselben Median von 92 Mio.

Die ehrliche Lesart ist also enger gefasst als „das günstige Modell ist ein Schnäppchen“. Step 5 Preview ist auf jeder Achse günstiger und dennoch kein sparsames Modell – es schreibt 74 % mehr Output als das Medianmodell, gegen das es gemessen wird, und genau das ist das Verhalten, das der Preis bestrafen soll. Claude Opus 5 schreibt 52 % mehr als der Median und verlangt für jedes dieser Tokens 9,3-mal so viel. Wer die Ausgabelänge begrenzt, erhält ein anderes Verhältnis als jemand, der das nicht tut.

Die Frage ist nicht, welches besser ist. Sie ist, wo der Übergang liegt.

Angenommen, der Index ist ein vernünftiger Proxy für die Arbeit, die Sie tatsächlich senden – langfristige agentische Aufgaben, Code, mehrstufige Tool-Nutzung. Dann lässt sich der Umschlagpunkt einfach benennen: Claude Opus 5 muss pro Aufgabe mindestens 7,9-mal nützlicher sein, bevor es seine Rechnung wert ist, und im Index ist es 7 Punkte besser auf einer 100-Punkte-Skala. Diese beiden Fakten müssen nicht in dieselbe Richtung weisen, denn eine Indexlücke von 7 Punkten bedeutet nicht, dass es in allem 16 % besser ist. Es ist das Aggregat aus zehn Bewertungen, und die Zusammensetzung ist wichtiger als die Gesamtsumme.

Das ist das Argument dafür, sich um die Form der beiden Ergebnisse zu kümmern statt um die Schlagzeile. Der Terminal-Bench-4.0-Wert von Step 5 Preview liegt bei 33,3 % – ein echtes agentisches Ergebnis, vor DeepSeek V4.1 Flash mit 26,8 % –, doch nichts in den veröffentlichten Daten zeigt bisher, dass es mit Claude Opus 5 bei den Long-Horizon-Evaluierungen gleichzieht, in denen das Modell von Anthropic am stärksten ist. StepFuns eigene Unterlagen räumen dies in der Formulierung ein: Bei ALE-CLI, FrontierFinance und DRACO platziert das Unternehmen Step 5 Preview auf dem zweiten Platz, hinter entweder GPT-6 Astra oder Claude Opus 5 und vor den anderen offenen Modellen im Vergleich. Zweiter Platz bei einem Fünftel des Preises ist ein wirklich gutes Ergebnis. Es ist auch nicht der erste Platz, und die Aufgaben, bei denen ein Modell Zweiter wird, sind meist die Aufgaben, bei denen der Erste gebraucht worden wäre.

Die andere Asymmetrie ist das, was bei einem schlechten Aufruf passiert. Eine falsche Antwort eines günstigen Modells, das vier Sekunden und 2.000 Token gebraucht hat, kostet dich den erneuten Versuch; dieselbe falsche Antwort von Claude Opus 5 zu 25 Dollar pro einer Million Output-Token kostet dich den erneuten Versuch plus das Nachdenken. Wenn deine Pipeline bei einem Fehler erneut versucht – die meisten Agent-Loops tun das –, dann sind die effektiven Kosten pro erfolgreicher Aufgabe die Zahl, auf die es ankommt, und sie steht nicht im selben Verhältnis wie der Listenpreis, weil die beiden Modelle nicht mit derselben Rate fehlschlagen. Diese Zahl hat für Step 5 Preview noch niemand veröffentlicht.

Der Spezifikationskontrast, Dimension für Dimension

• Indexwert — Step 5 Preview 44 vs. Claude Opus 5 51, beide auf Intelligence Index v4.3.2, Claude Opus 5 mit seiner maximalen Reasoning-Effort-Einstellung

• Preis pro 1 Mio. Tokens — Step 5 Preview 1,00 $ Eingabe / 2,70 $ Ausgabe vs. Claude Opus 5 5,00 $ Eingabe / 25,00 $ Ausgabe

• Cache-Rabatt — Step 5 Preview 95 % vs. Claude Opus 5 90 %

• Kontext — beide 1 Mio. Token; StepFun hat keine Obergrenze für die Ausgabe veröffentlicht, und die von Anthropic liegt bei 128K

• Eingabe — beide akzeptieren Text und Bilder; beide geben nur Text aus

• Ausgabegeschwindigkeit — Step 5 Preview 99,8 Token/Sek. gegenüber Claude Opus 5 55,3 Token/Sek.

• Bedienoberfläche — Step 5 Preview legt erweitertes Denken offen; Claude Opus 5 ersetzt temperature und top_p durch einen adaptiven Regler für den Reasoning-Aufwand

• Gewichte — Step 5 Preview heute geschlossen, BF16-Checkpoint für den 15. Oktober geplant; Claude Opus 5 durchweg proprietär

• Unabhängige Belege — beide von Artificial Analysis bewertet; StepFuns Agentic-Benchmark-Zeilen sind anbieterseitig durchgeführt und nicht reproduziert

Zwei Zeilen verdienen eine Anmerkung. Die Geschwindigkeitslücke ist real und in der Praxis größer, als die Tabelle vermuten lässt: 99,8 Tokens pro Sekunde gegenüber 55,3 bedeuten ein Modell, das bei gleicher Ausgabe etwa doppelt so schnell fertig ist, und die Zeit bis zum ersten Token von Step 5 Preview von 2,96 Sekunden gegenüber 56,84 Sekunden bei Claude Opus 5 auf demselben Board ist eine andere Größenordnung – allerdings misst diese zweite Zahl die Max-Effort-Reasoning-Konfiguration, bei der das Modell abwägt, bevor es überhaupt etwas ausgibt. Das ist nicht die Latenz, die ein Produktionsaufruf sieht. Gegenüber dem Standard-Endpunkt meldet unser eigener Katalog für Claude Opus 5 eine p50-Zeit bis zum ersten Token von 6,73 Sekunden; das ist die Zahl, mit der Sie planen sollten, wenn Sie nicht bewusst maximales Abwägen anfordern.

Die Cache-Rabatt-Zeile ist diejenige, die still über wiederholte Workloads entscheidet, und sie begünstigt Step 5 Preview, 95 % zu 90 %. Eine Agent-Schleife, die bei jedem Aufruf denselben System-Prompt und Repository-Kontext erneut sendet, lebt fast vollständig von diesem Rabatt, sodass sich ein Unterschied von fünf Punkten über eine lange Sitzung hinweg kumuliert.

Wo Claude Opus 5 noch immer die einzige Antwort ist

Nichts des oben Gesagten spricht gegen das Modell von Anthropic. Es kostet, was es kostet, weil es das tut, was der Index zu messen versucht, und es tut es nahe der Spitze des Rankings – 51 im Intelligence Index v4.3.2, sieben Punkte Vorsprung vor Step 5 Preview und in Reichweite der Spitzenreiter der aktuellen Generation. Die Workloads, bei denen eine aggregierte Lücke von 7 Punkten den Unterschied untertreibt, sind diejenigen, bei denen es keine Toleranz für eine zweitbeste Antwort gibt: ein mehrstündiges Refactoring, bei dem das Fehlerbild eine subtile Verhaltensänderung ist, ein Finanzmodell, bei dem die Argumentationskette auditierbar sein muss, eine Migration, bei der eine falsche Entscheidung erst eine Woche später entdeckt wird. In solchen Fällen ist der erneute Versuch nicht billig, und die sorgfältige Abwägung ist das Produkt.

Die Workloads, bei denen die Lücke irrelevant ist, sind diejenigen, die aus vielen kleinen Entscheidungen bestehen: Klassifizierungs- und Routing-Schritte, Extraktion, Zusammenfassung, Test-Gerüste, die tausend Aufrufe, die ein Agent zwischen den beiden Aufrufen macht, die tatsächlich zählen. Bei diesen ist ein Modell bei 44, das in der halben Zeit zu einem Fünftel des Input-Preises antwortet, kein Kompromiss. Es ist die richtige Standardeinstellung, wobei das teure Modell für den Schritt reserviert bleibt, der stimmen muss.

Den Split ausführen, ohne zwei Integrationen laufen zu lassen

Die praktische Version dieses Vergleichs ist eine abgestufte Pipeline, und der Grund, warum Teams keine bauen, ist die Beschaffung und nicht die Technik – zwei Anbieter, zwei Verträge, zwei SDKs, zwei Schlüssel zum Rotieren.Claude Opus 5 ist in unserem Katalog für 5,00 $ und 25,00 $, und die günstigeren Textmodelle, die Sie davor setzen würden, stehen im selben Katalog,alle hinter einem einzigen Schlüssel für mehr als 200 Modelle, mit den Listenpreisen der Anbieter zu 0 % Aufschlag durchgereicht. Step 5 Preview steht nicht auf dieser Liste – es läuft über StepFuns eigene API, und solange die Gewichte nicht verfügbar sind, ist das der einzige Ort, an dem es läuft. Die Abstufung über die Modelle hinweg, die wir tatsächlich routen, zusammenzustellen, ist ein Routing-DSL-Ausdruck und keine Codeänderung – schicken Sie die Routineaufrufe an das kleine Modell, eskalieren Sie bei einer Konfidenz- oder Komplexitätsbedingung an das teure, und behalten Sie beide Pfade hinter demselben Endpunkt.

Automatisches Failover ist hier aus einem bestimmten Grund wichtig und nicht als generische Funktion. Step 5 Preview hat seine API am Tag der Ankündigung geöffnet, ohne veröffentlichte Gewichte und ohne offengelegte Bereitstellungsflotte; es ist ein erst wenige Tage alter Preview-Endpunkt, und Preview-Endpunkte sind in ihrer Kapazität auf eine Weise eingeschränkt, wie es ausgereifte Endpunkte nicht sind. Claude Opus 5 wird von vielen unabhängigen Anbietern bereitgestellt, und das ist die Redundanz, die ein Preview nicht bieten kann. Ein bewährtes Modell als Fallback-Strecke beizubehalten – auf unserer Seite bedeutet das ein Produktionsmodell aus dem Katalog, nicht das Preview –, ist der Weg, um ein echtes Qualitätssignal für Ihre eigene Workload zu erhalten, ohne dass Ihr Produktionspfad von einer Flotte abhängt, die noch dimensioniert wird.

Die Entscheidungsregel

Wenn Ihre Arbeitslast aus einer kleinen Anzahl sehr schwieriger Aufgaben besteht, ist Claude Opus 5 nicht die teure Option – sie ist die günstige, denn die zweitbeste Antwort kostet mehr als die Differenz. Wenn Ihre Arbeitslast dagegen aus einer großen Anzahl gewöhnlicher Aufgaben besteht, in die sich eine kleine Anzahl schwieriger Aufgaben mischt, ist Step 5 Preview zu $1.00 und $2.70 mit 95 % Cache-Rabatt die bessere Standardwahl, und die Lücke von 7 Punkten ist größtenteils ein Rundungsfehler bei Arbeit, die sie gar nicht gebraucht hätte.

Was diese Berechnung ändern würde, wären unabhängige Belege zu Fehlerraten und zu den agentischen Zeilen mit langem Horizont. StepFuns eigene Zahlen setzen das Modell auf den zweiten Platz bei den Evaluierungen, um die herum es seinen Launch aufgebaut hat, und kein Dritter hat sie reproduziert. Achten Sie beim Checkpoint vom 15. Oktober auf zwei Dinge: ob die Lizenz das Fine-Tuning erlaubt, mit dem Sie eine 7-Punkte-Lücke mit Ihren eigenen Daten schließen könnten, und ob die Ausführlichkeit Bestand hat, sobald das Preview-Suffix wegfällt. Das Erstere würde das Verhältnis ändern; das Letztere hat es bereits einmal verschoben.