Los pesos de Step 5 Preview nunca faltaron: qué cambia el checkpoint NVFP4

S​tep 5 Preview ha estado disponible para su descarga desde el día en que StepFun lo lanzó el 20 de septiembre de 2026 — y gran parte de lo que se ha escrito sobre el modelo desde entonces afirma lo contrario. El repositorio FP8 stepfun-ai/S​tep-5-Preview se creó a las 03:15 UTC de esa mañana y su primer shard se confirmó 36 minutos después; el repositorio BF16 llegó a las 03:52 y sus shards se publicaron a las 04:18. Ambos son de StepFun, ninguno de los dos tiene restricciones de acceso y, juntos, contienen 1,86 terabytes de pesos. Lo que cambió a mediados de octubre es más acotado y más útil que un relanzamiento: StepFun publicó un tercer checkpoint en el formato NVFP4 de N​VIDIA y, el 15 de octubre de 2026 N​VIDIA lo respaldó públicamente — calificándolo como "su mayor lanzamiento de pesos abiertos", diciendo que el modelo "está diseñado para gestionar tareas de agente de hasta 24 horas" y poniéndole una cifra: "casi 8K tokens/seg/GPU en N​VIDIA GB300 usando NVFP4".

Esa es la noticia. La corrección es la razón por la que este texto abre con una fecha en lugar de un anuncio. La cobertura escrita el 20 de septiembre se hizo sobre un repositorio que tenía apenas minutos de creado y que estuvo brevemente vacío, y el encuadre de «pesos prometidos para una fecha posterior» se mantuvo incluso después de que los pesos llegaran esa misma mañana. Un artículo hermano de este sitio lo repitió en una fecha tan reciente como el 13 de octubre. No es cierto ahora ni lo era entonces, y es importante porque la cuestión de los pesos abiertos era el principal asunto sin resolver en todos los artículos sobre este modelo.

¿Qué se lanzó realmente el 14 y el 15 de octubre?

El nuevo artefacto es stepfun-ai/S​tep-5-Preview-NVFP4. El repositorio se creó a las 02:59 UTC del 14 de octubre de 2026 y la carga de pesos es un commit a las 07:10 UTC del mismo día por un colaborador cuya cuenta, huangyu-nv, también reescribió el README una hora después para alinearlo con los repositorios FP8 y BF16. Contiene 394,18 GB en 95 archivos safetensors organizados como 92 archivos por capa más dos adicionales y un archivo de torre de visión — un esquema de fragmentación distinto al de los repositorios FP8 y BF16, que ambos incluyen 24 fragmentos de texto más una cabeza de predicción multitoken y un ViT.

Merece la pena decir con precisión qué contiene, porque «NVFP4» se está usando de manera poco rigurosa en circulación. El bloque de cuantización en config.json dice: quant_method: modelopt, quant_algo: NVFP4, group_size: 16, y kv_cache_quant_algo: null. La lista de ignorados es larga y específica: 92 bloques de auto-atención, 88 puertas MoE, 88 expertos compartidos, la tabla de embeddings, la normalización final y la cabeza del modelo de lenguaje, además de la torre de visión y su proyector. Solo tres entradas de toda la lista tocan moe.experts. En términos sencillos, la atención y la maquinaria de enrutamiento se mantienen en mayor precisión, y los pesos feed-forward de los expertos —la mayor parte de los 600 mil millones de parámetros— son la parte que se cuantizó. La caché KV no se toca, que es el detalle que determina si tu configuración de servicio de contexto largo sobrevive al cambio.

El propio recuento de parámetros de Hugging Face en ese repositorio arroja 320,6 mil millones, desglosados en 282,4 mil millones en U8, 38,2 mil millones en BF16 y 2,4 millones en F32, y la página del archivo muestra "321B params" como tamaño del modelo. La ficha de StepFun, en esa misma página, indica 600 mil millones en total y 27 mil millones activos. Ambas cifras son correctas y cuentan cosas distintas: la cifra de 321B es un recuento de almacenamiento de elementos cuantizados, no un recuento de parámetros en el sentido que emplea la descripción de la arquitectura. Si lo que buscas es dimensionar la memoria, usa la cifra de almacenamiento. Si lo que buscas es describir el modelo, usa la ficha.

Tres puntos de control, tres facturas de hardware

La razón por la que el lanzamiento de NVFP4 importa más que un cuarto archivo en una carpeta es que cambia la máquina más pequeña en la que puedes ejecutar este modelo. La propia tabla de despliegue de StepFun en la tarjeta del modelo da las formas de los dos puntos de control anteriores, y los repositorios dan los tamaños; aquí están juntos, con la fila de NVFP4 añadida.

• Precisión — FP8 650.32 GB vs BF16 1,214.9 GB vs NVFP4 394.18 GB en disco

• La configuración de vLLM publicada más pequeña — FP8 un nodo B300 con 4 GPU, o un nodo H200 con 8 GPU frente a BF16 un nodo B300 con 8 GPU, o dos nodos H200 con 16 GPU frente a NVFP4 aún no incluido en la tabla de StepFun

• Paralelismo que recomienda la tarjeta — FP8 TP4, TEP4 o DEP4 en B300 frente a BF16 TP8, TEP8 o DEP8 frente a NVFP4 no indicado

• Pesos de atención y del router — FP8 cuantizado a ocho bits frente a BF16 de precisión completa frente a NVFP4 que la lista de exclusión de ModelOpt deja sin cuantificar

• Caché KV — sin cuantificar en los tres, ya que la configuración NVFP4 establece kv_cache_quant_algo a null

• Stack de servicio — los tres a través de vLLM o SGLang con un endpoint compatible con OpenAI, o sin conexión mediante la ruta independiente de Transformers

La brecha en las dos últimas filas es la salvedad honesta sobre el nuevo checkpoint. La publicación de NVIDIA dice que el modelo se ejecuta a casi 8K tokens por segundo por GPU en GB300 usando NVFP4, pero la tabla de despliegue de StepFun no se ha actualizado con una fila de NVFP4, por lo que todavía no existe una receta de paralelismo publicada por el proveedor para ello. Si planeas un despliegue esta semana, la ruta FP8 es la que tiene una configuración documentada y la ruta NVFP4 es la que tiene una cifra llamativa vinculada al hardware de otra persona.

La cifra de 8K es un número de un proveedor, y solo un proveedor lo ha dicho

La publicación de NVIDIA del 15 de octubre es todo el registro de primera parte que existe sobre esto. No hay ninguna entrada en el blog para desarrolladores de NVIDIA, ninguna página de anuncio de StepFun y ninguna reproducción por terceros de la afirmación de rendimiento que se pueda comprobar desde fuera. «Casi 8K tokens/sec/GPU» también es una afirmación que significa muy poco sin el tamaño de lote, la longitud de secuencia y la concurrencia con la que se midió —una misma configuración de modelo puede variar en un orden de magnitud en esos tres ejes, y los frameworks de servicio para modelos de mezcla de expertos son especialmente sensibles a cuántos expertos están activos por token. Tómalo como NVIDIA informando sobre hardware de NVIDIA, que es exactamente lo que dice ser, y no como una cifra de rendimiento verificada de forma independiente.

La afirmación sobre el agente de 24 horas tiene el mismo estatus. Es una descripción de capacidad, no una medición, y la propia ficha de StepFun describe la ejecución de horizonte largo en los mismos términos sin adjuntarle una duración. Las notas de evaluación publicadas por el proveedor para este modelo sí enumeran el harness y los ajustes —temperatura 1.0, top-p 0.95, top-k 0, el ajuste de razonamiento High, el harness SWE-agent para DeepSWE v1.1—, lo que es más de lo que ofrecen muchas fichas de lanzamiento, pero la tabla de puntuaciones en sí es una imagen y StepFun no publica ninguna tabla numérica de benchmarks en su documentación. El único evaluador neutral con una puntuación activa para este modelo es Artificial Analysis, donde S​tep 5 Preview se sitúa en 44 en el Intelligence Index y originalmente costaba $1.03 por tarea del índice.

La receta de despliegue llegó con el checkpoint, y es la parte que vas a usar

Leyendo los historiales del repositorio, los archivos de pesos y las instrucciones no llegaron juntos. Ambos repositorios más antiguos se reescribieron entre el 13 y el 14 de octubre —siete commits del README en el repositorio FP8 entre el 13 y el 15 de octubre—, y lo que añadieron esos commits es una guía de servicio completa: una imagen de contenedor publicada en vllm/vllm-openai:step-5-preview, comandos funcionales para paralelismo tensorial, de expertos y combinado, el conjunto de flags que necesita este modelo y una ruta SGLang validada. Los flags son donde se hace visible el trabajo específico del modelo: --max-model-len 1048576, una cabeza de decodificación especulativa configurada como --spec-method mtp --spec-tokens 3, y parsers dedicados --reasoning-parser step5 y --tool-call-parser step5para que los bloques de razonamiento y las llamadas a herramientas del modelo sobrevivan al recorrido de ida y vuelta a través de una API con formato de OpenAI. En Blackwell, las configuraciones TEP y DEP cambian el backend de MoE a deep_gemm_mega_moe; la configuración simple de TP4 no puede, porque ese backend requiere paralelismo de expertos.

Eso es el aterrizaje del soporte del framework, y para cualquiera que decida si construir sobre este modelo, vale más que la afirmación de rendimiento. Una descarga de 650 GB con un comando de lanzamiento sin validar es un proyecto de investigación. Una descarga de 650 GB con una imagen de contenedor fijada, cuatro configuraciones paralelas probadas por cada precisión y un parser que entiende el propio formato de salida del modelo es un despliegue.

Si no quiere ser dueño de nada de eso, la aritmética de este modelo es inusual. S​tep 5 Preview se ejecuta en la plataforma propia de StepFun a $1,00 por millón de tokens de entrada, $0,10 por millón de tokens de entrada con acierto en caché y $2,70 por millón de tokens de salida, así que un mes con 200 millones de tokens de entrada y 200 millones de tokens de salida factura $200 y $540 respectivamente — frente a aproximadamente el precio mensual de un nodo B300 de cuatro GPU para el hardware que lo atiende. El autoalojamiento aquí es una decisión de control y residencia de datos, no una decisión de coste, y que los pesos sean abiertos es lo que hace que sea, siquiera, una decisión que usted pueda tomar. Merece la pena decir con claridad que S​tep 5 Preview no figura en la lista de modelos activos de OrcaRouter, así que el lugar desde el que llamarlo es la propia API del proveedor; lo que una sola API para más de 200 modelos sí le aporta en esta situación es la otra mitad de la cuestión: el coste del modelo al que trasladaría la carga de trabajo si un despliegue autoalojado no funciona, con un 0 % de recargo sobre el precio de lista de cada proveedor.

La licencia, leída literalmente

«Open weights» está desempeñando una función en la formulación de NVIDIA que la licencia no respalda del todo, y esta es la parte de la historia que más probabilidades tiene de malinterpretarse. StepFun Model License 1.0 es una concesión perpetua, mundial, libre de regalías y no exclusiva para usar, copiar, distribuir, sublicenciar, modificar y crear obras derivadas a partir de los pesos, con una concesión de patente correspondiente. No es una licencia de código abierto aprobada por la OSI, y hay dos condiciones que conviene conocer antes de construir un negocio sobre ella.

• Atribución — si un producto o servicio comercial que incorpore el modelo supera los 100 millones de usuarios activos mensuales o los 20 millones de dólares en ingresos en cualquier mes calendario, debe mostrar de forma prominente "Powered by StepFun AI" en la interfaz del producto y en su acuerdo de usuario

• Se requiere una licencia comercial independiente — si usted es un fabricante de hardware o propietario de una marca que distribuye las capacidades del modelo en dispositivos, o si opera un negocio de modelo como servicio y los ingresos combinados superan los $20 millones durante cualquier período de doce meses

• Qué no es explícitamente MaaS — integrar la capacidad del modelo en una función fija para el usuario final, o simplemente retransmitir solicitudes al modelo de otro proveedor

• ¿Qué está permitido explícitamente sin el acuerdo adicional — el uso interno que no exponga el modelo ni sus capacidades a un tercero, y el uso obtenido a través de un canal de distribución certificado por StepFun dentro del alcance de esa certificación?

• Terminación — el incumplimiento material pone fin a la concesión, con un plazo de subsanación de treinta días tras la notificación por escrito

Así que la lectura práctica es que los pesos son realmente descargables y realmente utilizables, incluso con fines comerciales, hasta los umbrales de la Sección 2. Una startup que haga ajuste fino de este modelo para trabajo interno con documentos está dentro de la concesión. Un fabricante de teléfonos que lo incorpore como una función, o una empresa de inferencia alojada que supere los 20 millones de dólares, no lo está. Esa es la misma forma de restricción que utilizan las licencias de L​lama y Q​wen, y conviene decirlo con claridad en lugar de etiquetarlo como «abierto».

En qué situación deja esto al modelo

Un modelo de mezcla de expertos de 600 mil millones de parámetros con 27 mil millones de parámetros activos, un contexto de un millón de tokens, entrada de texto, imagen y vídeo, una salida máxima de 64k en la documentación de StepFun, una tarifa de aproximadamente $1.00 / $2.70, una puntuación de índice de 44 por parte del único evaluador neutral que lo ha puntuado, y tres checkpoints descargables en tres precisiones. Lanzado el 20 de septiembre de 2026. Pesos abiertos desde la mañana del lanzamiento. Cuantizado para Blackwell el 14 de octubre, respaldado por el fabricante de GPU el 15 de octubre, a una cifra de rendimiento que nadie fuera de NVIDIA ha reproducido.

Lo siguiente que vale la pena seguir no es otro endpoint. Es la primera medición independiente sobre el checkpoint NVFP4: una comparación de throughput o de calidad frente a la ruta FP8 hecha por alguien que no vende el hardware. La cuantización a cuatro bits con la pila de atención dejada aparte es un diseño razonable, y la pregunta concreta es si los pesos de los expertos sobreviven a ella. Hasta que alguien publique eso, la postura honesta sobre el nuevo checkpoint es la misma que la cobertura de septiembre debería haber adoptado con los antiguos: los pesos son reales, la receta es real, y la afirmación de rendimiento es del proveedor.

Un resultado como este también sirve como recordatorio de que los errores de los modelos ya están documentados: los incidentes de IA y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.