Noche de lanzamiento de Step 5 Preview de StepFun: lo que cinco creadores dijeron sobre un modelo que se lanzó seis semanas antes

Llovió de camino al evento, la única parte de la velada en San Francisco del 22 de octubre de 2026 que StepFun no pudo controlar. La empresa alquiló una sala, la coorganizó con Together AI y la llenó: alrededor de 277 personas se habían inscrito en la página pública del evento antes de que se abrieran las puertas, para lo que la invitación llamaba Step 5 Preview Launch Night y lo que el calendario llamaba un jueves. El modelo que se lanzaba tenía una API desde el 20 de septiembre y pesos descargables desde el 15 de octubre. Ninguna de esas fechas se movió por la fiesta. Lo que sí hizo la fiesta fue reunir en una misma sala a las personas que construyen sobre los modelos con las personas que entrenaron este, y dejarlas hablar de las partes del trabajo que una tabla de benchmarks nunca captura.

El panel era pequeño e inusualmente específico: Hongyu Zhou, investigador de preentrenamiento en StepFun; Dan Fu, que dirige kernels en Together AI; Mar Hershenson, de Pear VC; Saoud Rizwan, de Cline; y Joey Wang, de Harvey. Entre ellos cubrieron las cuatro cosas que determinan si un modelo se usa: cómo se entrenó, cómo se sirve, si alguien financiará lo que se construya sobre él y si un bucle de agente puede confiar en que no fallará en el paso cuarenta.

Primero, el problema de la cita, porque explica toda la velada.

Step 5 Preview no es nuevo. StepFun abrió la API comercial el 20 de septiembre de 2026, y el lanzamiento se ejecutó en formato de vista previa desde el principio: step-5-preview es el ID del modelo, no un calificativo que alguien añadiera después. Artificial Analysis sitúa el lanzamiento en «septiembre de 2026» sin día, y su antigua página del modelo fijaba la fecha en el 18 de septiembre; la discrepancia con la fecha del propio StepFun nunca ha sido explicada por ninguna de las partes, y este artículo utiliza el 20 de septiembre de StepFun con esa salvedad adjunta.

La fecha que importaba el 22 de octubre era el 15 de octubre. Fue entonces cuando los checkpoints BF16 y FP8 se publicaron en Hugging Face y ModelScope, junto con un blog técnico que describía una pila "narrow-deep" de 92 capas y un patrón de atención GQA disperso que intercala capas de ventana deslizante con compuerta y capas dispersas de atención completa. El evento fue, en la lectura más simple, una noche de lanzamiento de una liberación de pesos: la noche en que el modelo dejó de ser algo que invocas y se convirtió en algo que también puedes ejecutar.

Esa interpretación merece mencionarse porque la alternativa —que se trataba de un nuevo modelo— estuvo presente durante toda la noche, y es incorrecta. Cualquiera que se haya ido pensando que StepFun lanzó un modelo a finales de octubre llegará seis semanas tarde a una decisión que ya podría haber tomado.

Lo que realmente se mostró en la sala

El contenido técnico fue más ligero que el marketing, lo cual es normal para este formato. Lo que StepFun mostró en pantalla fue la estructura del modelo en lugar de una nueva ejecución de benchmark: una mezcla dispersa de expertos con 600 mil millones de parámetros totales y 27 mil millones activos por token, 8 de 352 expertos enrutados más un experto compartido, tres capas de predicción multitoken para decodificación especulativa y una ventana de contexto de 1M tokens. Acepta texto, imágenes y video y devuelve solo texto. El límite de salida en la documentación propia de StepFun es de 64k tokens.

El fragmento de Zhou fue el que más se acercó a una afirmación real sobre por qué la arquitectura tiene esta forma: una pila profunda de capas estrechas, con el argumento de que la profundidad compra razonamiento implícito de múltiples saltos que un modelo menos profundo y más ancho tiene que gastar tokens explicitando en voz alta. Que ese argumento sea correcto no es algo que una noche de lanzamiento pueda resolver. Sin embargo, es el tipo de afirmación que un checkpoint descargable permite que otras personas prueben, que es exactamente lo que no era posible antes del 15 de octubre.

El tema era la llamada a herramientas. Los benchmarks no.

El segmento más útil del panel trató sobre la confiabilidad en los bucles de agentes, y vino de las dos personas en la sala que pasan sus días dentro de ellos en lugar de entrenar modelos. El producto de Rizwan, Cline, es un agente de edición que tiene que seguir funcionando cuando un modelo devuelve JSON malformado en el undécimo paso de una tarea de veinte pasos. El empleador de Wang, Harvey, ejecuta bucles similares para trabajo legal, donde una llamada incorrecta a una herramienta no es una mala demostración, sino un evento de responsabilidad.

Lo que ambos describieron es un modo de fallo que no aparece en un promedio de benchmark: el modelo que es excelente durante diez turnos y luego cambia silenciosamente la forma de sus argumentos. La evidencia publicada por StepFun para esa dimensión es propia, y vale la pena etiquetarla como tal. En Terminal-Bench 4.0, el proveedor reporta 33,3 frente a 12,6 de Kimi K3; en DeepSWE v1.1, 67,7 frente a 67,5. Esos son números ejecutados por el proveedor con el harness que el proveedor eligió, y la brecha en el trabajo de terminal en particular es lo suficientemente grande como para merecer una segunda opinión antes de que alguien planifique una migración en torno a ella. El evaluador independiente no ha publicado una comparación directa con harness equivalente para este modelo, y el índice que sí publica se ha reconstruido desde entonces — véase más abajo.

El costo de inferencia, abordado como un problema de serving en lugar de una lista de precios

El fragmento de Fu era el que más importará a cualquiera que tenga intención de autoalojar, y era concreto de una forma en que las charlas de lanzamiento normalmente no lo son. El checkpoint FP8 necesita aproximadamente 773 GB de VRAM y un mínimo de cuatro GPU, con B300 como objetivo predeterminado; la ruta Hopper necesita ocho H200 porque el modelo no cabe en cuatro. La variante NVFP4 reduce la huella a unos 473 GB y limita el contexto usable a 320k tokens, lo cual es un compromiso real y no un error de redondeo. Tanto vLLM como SGLang tenían recetas publicadas el 15 de octubre, y la ruta de SGLang paga un costo de compilación de FlashInfer de alrededor de quince minutos en un arranque en frío.

Frente a eso, la alternativa de alquiler es sencilla: $1,00 por millón de tokens de entrada y $2,70 por millón de tokens de salida en la tarjeta en dólares de StepFun, con la entrada en caché facturada con un descuento del 90 %. La tarjeta en renminbi de StepFun indica ¥7 de entrada, ¥20 de salida y ¥0,70 por aciertos de caché —una cifra que se había duplicado desde ¥0,35 a las 00:30 hora de Pekín del 14 de octubre, ocho días antes del evento, con una cláusula de mantenimiento de condiciones para los clientes anteriores de pago por uso. Nadie en el escenario mencionó ese cambio. Es el dato de precios más determinante sobre este modelo este mes, y está en la propia documentación del proveedor, no en la presentación.

Artificial Analysis sitúa el coste combinado en 0,54 $ por millón de tokens con una proporción de aciertos de caché de siete a dos a uno, y el coste de una ejecución completa del Intelligence Index en 2,35 $.

La cuestión capital, que es donde la velada se volvió honesta.

La contribución de Hershenson fue la menos técnica y la más útil: un recordatorio de que la razón para preocuparse por un modelo barato, abierto y de contexto largo es que cambia lo que puede intentar una empresa en fase semilla. Una startup que no habría podido permitirse un modelo de frontera en cada paso de un bucle de agente ahora puede permitirse ejecutar el bucle más de una vez. La versión de Wang del mismo argumento, desde dentro de un comprador empresarial, era que la pregunta de adquisición no es «¿es este el mejor modelo?» sino «¿qué pasa con nuestros costos y nuestra latencia si resulta el doble de bueno de lo que esperábamos y enrutamos todo hacia él?».

Esa es una cuestión de enrutamiento, y es el único punto en el que la economía del autoalojamiento y la economía de las API dejan de ser conversaciones separadas. La postura de OrcaRouter al respecto es clara: la plataforma aloja 214 modelos detrás de una sola clave y una sola factura, con una configuración de enrutamiento que permite declarar un modelo principal y una cadena de respaldo en lugar de codificar de forma rígida un ID de modelo en una aplicación, y con conmutación automática por error cuando un proveedor se degrada. Step 5 Preview no está entre esos 214 — no hay ninguna entrada de StepFun en el catálogo activo a fecha de 29 de octubre de 2026, y nada en este artículo debe interpretarse como una afirmación de que lo servimos. Cualquiera que quiera evaluarlo hoy está eligiendo entre la propia API de StepFun y el autoalojamiento de los checkpoints que llegaron el 15 de octubre.

¿Qué cambió realmente después de que se lanzó el modelo?

Tres cosas, en orden de cuánto deberían influir en una decisión.

Lo primero es el índice. El 27 y 28 de octubre, Artificial Analysis reemplazó su Índice de Inteligencia por la versión 5, asignando un 60 % del peso del compuesto a conjuntos de prueba privados o reservados y reconstruyendo las nueve evaluaciones constituyentes. Eliminó tres de las evaluaciones en las que se apoyaba el material de lanzamiento de StepFun —GDPval-AA, SciCode y AA-LCR— y añadió FrontierCode 2.0 y Terminal-Bench-Science. La puntuación de Step 5 Preview en el nuevo índice es 29. Su puntuación en el anterior era 44. Esas son dos mediciones diferentes del mismo modelo con dos rúbricas diferentes, no un modelo que empeoró, y el 44 que circuló en septiembre y octubre no debería restarse de nada puntuado bajo la v5. Kimi K3.1 Pro, a modo de comparación, pasó de 55 a 46 con la misma reconstrucción —una caída de nueve puntos en un modelo que acababa de lanzarse.

El segundo es la licencia. Los pesos son abiertos en el sentido de que puedes descargarlos, y no son abiertos en el sentido de la OSI. StepFun Model License 1.0 mantiene una condición de atribución sobre los resultados materialmente utilizados, exige que los fabricantes de hardware —teléfonos, vehículos, dispositivos wearables, robots— negocien por separado, y requiere una licencia comercial para los operadores de modelo como servicio con ingresos anuales superiores a 20 millones de dólares. Si eres un equipo de dos personas, nada de eso te afecta. Si planeas revender inferencia sobre él, te afecta de inmediato, y vale la pena leerlo antes de la primera hora de GPU en lugar de después.

El tercero es el cambio de precio ya descrito, que se produjo antes del evento y no se mencionó en él.

Lo que un constructor debería sacar de la velada

La señal útil del 22 de octubre no es que StepFun tenga un nuevo modelo. Es que una empresa cuyo buque insignia lo lanzó en septiembre pasó una noche de octubre hablando con desarrolladores de agentes sobre la fiabilidad de las llamadas a herramientas y los costes de servicio a nivel de kernel, en una sala donde quienes sufrirían por ambas cosas estaban sentados en primera fila. Eso es una empresa que se comporta como si los próximos seis meses de adopción dependieran de la operabilidad y no de otra fila de benchmark.

La versión concreta de eso: si estabas esperando los pesos antes de tomarte en serio Step 5 Preview, la espera terminó el 15 de octubre. Si estabas esperando una puntuación independiente que puedas comparar con todo lo demás, el número ya existe, es 29, y se mide bajo una rúbrica que acaba de ser reconstruida por debajo de todos. Ambas cosas son razones para formarte una opinión ahora en lugar de después de la próxima noche de lanzamiento.