Step 5 Preview frente a Claude Sonnet 5.5: Doce puntos de índice, diez veces la factura de la tarea

Step 5 Preview y Claude Sonnet 5.5 son los dos modelos que los lectores realmente comparan entre sí este mes: una vista previa de StepFun de $1.00 / $2.70 por millón de tokens que se lanzó el 20 de septiembre de 2026, y el Claude Sonnet 5.5 de $2.00 / $10.00 que salió el 28 de septiembre. En el ranking independiente están a doce puntos de distancia —44 frente a 56 en el Artificial Analysis Intelligence Index v4.3.2—, y doce puntos es una brecha real. Y tampoco es el número que decide la factura. El número que decide la factura es el coste por tarea completada, y ahí el mismo ranking muestra $0.71 para Step 5 Preview frente a $7.60 para Claude Sonnet 5.5 con el máximo esfuerzo. Diez veces y media el dinero, por doce puntos. Casi todas las demás filas de las dos tarjetas son una discusión sobre con cuál de las dos mitades de ese intercambio puedes vivir.

Las dos tarjetas de tarifas, fila por fila

Todo en esta sección son los precios publicados por cada proveedor, consultados el 9 de octubre de 2026.

• Entrada — Step 5 Preview $1.00 por millón de tokens vs Claude Sonnet 5.5 $2.00 por millón de tokens

• Salida — $2,70 vs $10,00 por millón de tokens; la fila que domina ambas facturas

• Entrada en caché — Step 5 Preview indica un descuento fijo del 95 % en la entrada, lo que sitúa un acierto de caché en aproximadamente $0.05 por millón de tokens frente a los $0.20 de lectura de caché de Claude Sonnet 5.5

• Escritura en caché — Claude Sonnet 5.5 publica $2.50 por millón de tokens por una escritura en caché de cinco minutos; StepFun no ha publicado ninguna tarifa de escritura en caché en absoluto, así que esa mitad de la comparación queda en blanco en uno de los lados

• Ventana de contexto — 1M de tokens en ambas tarjetas

• Salida máxima — Claude Sonnet 5.5 documenta 128.000 tokens (y 300.000 en la Message Batches API, bajo un encabezado beta); StepFun no ha publicado ningún límite de salida para Step 5 Preview

• Modalidad — ambos aceptan texto e imágenes y devuelven únicamente texto

• Control de razonamiento — Step 5 Preview expone pensamiento extendido sin niveles de esfuerzo publicados; Claude Sonnet 5.5 expone una escala de esfuerzo cuyos ajustes más altos son exactamente donde su propio coste por tarea se dispara

• Pesos — El checkpoint BF16 de Step 5 Preview está prometido para el 15 de octubre de 2026 y aún no ha llegado; Claude Sonnet 5.5 es propietario

Dos de esas filas hacen más que el titular. La fila de la caché es donde la tarjeta barata se abarata aún más, porque un descuento del 95 % sobre un dólar es una lectura de caché de cinco centavos, y la de Anthropic es de veinte. Y la fila del techo de salida va en sentido contrario: un proveedor te dice dónde está su límite, el otro anuncia una ventana de un millón de tokens sin decir cuánto de ella puede volver a salir.

De dónde vienen realmente los doce puntos

Ambas cifras a continuación son de Artificial Analysis, sobre Intelligence Index v4.3.2, y ambas se leen de la propia página del modelo en lugar de una tabla del proveedor.

• Índice de Inteligencia — Claude Sonnet 5.5 56, en el puesto #3 de 216, frente a Step 5 Preview 44, en el puesto #45 de 200. Los tamaños de los grupos difieren porque las tablas se generaron en momentos distintos; las puntuaciones son la parte comparable.

• Coste por tarea de indexación — 7,60 $ frente a 0,71 $. La cifra de Anthropic corresponde a la configuración que el panel etiqueta como "Razonamiento adaptativo, máximo esfuerzo, reserva predeterminada", que es el extremo caro de la propia escala de ese modelo.

• Tokens de salida generados durante la ejecución del índice — 410 M frente a 160 M, en comparación con una mediana de 88 M en la tabla. Ambos modelos son verbosos según la métrica de la tabla. Uno supera la mediana más de cuatro veces; el otro no llega a duplicarla.

• Velocidad de salida — Step 5 Preview lee alrededor de 100 tokens por segundo frente a un promedio de 2,55? Artificial Analysis no había publicado una cifra de velocidad de salida para Claude Sonnet 5.5 en el momento de, por lo que esa fila es unilateral en lugar de ganada.

Si se juntan las dos primeras filas, aparece la forma de la decisión. Doce puntos de índice separan a estos modelos; un factor de diez y medio separa lo que cuesta ejecutar la misma evaluación con ellos. Los puntos son reales —la brecha de clasificación sitúa a uno entre los tres mejores modelos que puntúa la junta y al otro en el cuarto superior—, pero un equipo que paga $7.60 por tarea por una carga de trabajo agéntica difícil está pagando por deliberación, y la cuestión es si sus tareas la necesitan.

Las tablas de proveedores no resolverán esto, y aquí está la prueba.

Ambos laboratorios publican una cifra de Terminal-Bench 4.0. El anuncio de Sonnet 5.5 de Anthropic afirma un 70,6 % para este, frente al 10,3 % del modelo al que reemplaza. La cifra de Terminal-Bench 4.0 que StepFun publicó para Step 5 Preview es del 33,3 %. Ambas son ejecuciones del proveedor, ninguna ha sido reproducida por un tercero, y están separadas por 37 puntos en un benchmark con el mismo nombre.

Esa diferencia no es prueba de que un modelo sea el doble de bueno. Es prueba de que dos laboratorios que ejecutan un arnés del mismo nombre con configuraciones, andamiajes de agentes y ajustes de esfuerzo distintos producen cifras que no se pueden restar entre sí. Este es el problema recurrente de las comparaciones del día de lanzamiento, y es la razón por la que cada fila de este artículo que proviene de un laboratorio está etiquetada como tal. Cuando un tercero ha medido ambos modelos con un mismo arnés, usa esa medición. Cuando no lo ha hecho, considera la cifra del proveedor como una declaración de intenciones.

La propia nota de migración de Anthropic del lanzamiento de Sonnet 5.5 merece trasladarse a esta comparación, porque se aplica a cualquier endpoint de vista previa que estés evaluando. La guía del proveedor era que los niveles de esfuerzo se recalibraron entre Sonnet 5 y 5.5, y que los equipos debían volver a ejecutar su barrido de esfuerzo en lugar de trasladar una configuración. La advertencia equivalente se aplica aquí en la dirección opuesta: Step 5 Preview es una vista previa, su configuración de servicio aún está cambiando, y una configuración ajustada contra el endpoint de esta semana no es una configuración que te pertenezca.

Ambos hablan demasiado, en distinta medida.

La verbosidad es la fila que convierte una lista de precios en una factura. El Paso 5 Preview generó 160 millones de tokens de salida para completar el conjunto de índices, mientras que el modelo mediano del board genera alrededor de 92 millones — aproximadamente 1,7 veces la mediana. Claude Sonnet 5.5 generó 410 millones, o alrededor de 4,7 veces la mediana.

A $2,70 por millón de tokens de salida, la verbosidad de Step 5 Preview representa una gran parte de un número pequeño. A $10,00, la de Claude Sonnet 5.5 es la mayor parte de uno muy grande. Ninguno de los dos modelos es conciso, y el marketing de ninguno de los dos proveedores lo describe así. La consecuencia práctica es que una medición de tokens por tarea en tu tráfico te dirá más sobre la verdadera diferencia de coste que las tarifas, porque las tarifas asumen que ambos modelos escriben el mismo número de palabras para la misma respuesta. No lo hacen.

La fila de caché, resuelta en un bucle real

Toma un bucle de agente con un prefijo estable de 40.000 tokens —un prompt del sistema más el contexto del repositorio— reenviado en cada turno durante treinta turnos, con el prefijo escrito una vez y acertado veintinueve veces. Eso supone 1,16 millones de tokens de entrada en caché por sesión.

• Claude Sonnet 5.5 — una escritura a $2,50 por millón de tokens, aproximadamente $0,10, luego 1,16 M tokens de lectura a $0,20 por millón, aproximadamente $0,23. Total, alrededor de $0,33 por sesión, antes de cualquier entrada o salida nuevas.

• Step 5 Preview — lecturas con el descuento declarado del 95%, así que alrededor de $0.05 por millón y aproximadamente $0.06 por sesión. La mitad de escritura no está costeada porque StepFun no ha publicado una tarifa de escritura en caché.

En las filas cuyo precio realmente podemos calcular, el tráfico en caché cuesta aproximadamente cinco veces más en la tarjeta de Anthropic, y la salvedad es que una de las dos tarifas de escritura todavía no existe. Esta es la carga de trabajo para la que se venden ambos modelos, por lo que la fila importa más de lo que parecen indicar los porcentajes de descuento destacados.

Donde cada uno puede realmente ser llamado

Claude Sonnet 5.5 está en nuestro catálogo como anthropic/claude-sonnet-5.5, a los propios $2.00 y $10.00 de Claude Sonnet 5.5 con una lectura de caché de $0.20, una ventana de contexto de 1,000,000 de tokens y 128K de salida máxima — precio de lista pasado tal cual con un 0 % de recargo, así que un cambio en la tarjeta de Anthropic es un cambio en la nuestra el mismo día. Step 5 Preview no está en ese catálogo, y no vamos a implicar lo contrario: responde en la propia API de StepFun y, hasta que llegue el checkpoint prometido, en ningún otro sitio en absoluto.

Esa asimetría tiene un uso práctico. Si ambos modelos estuvieran detrás de una sola clave con conmutación por error automática, mover una carga de trabajo de uno a otro sería un cambio de cadena de modelo y nada más —que es la razón sincera para mantener la puerta genérica—. Tal como están las cosas, la comparación es entre un modelo que puedes llamar a través de tu ruta existente y uno que tienes que conectar por separado, y el segundo es una vista previa cuya flota de servicio aún se está construyendo. Poner capacidad no probada detrás de un enrutador con conmutación por error a algo ya cualificado es un seguro barato; una ruta primaria apuntada directamente a un endpoint de vista previa, no.

¿Qué cambiaría este veredicto?

Tres cosas, todas fechables. La primera es el 15 de octubre de 2026, cuando está previsto el checkpoint BF16 de StepFun. Si la licencia permite el ajuste fino y los pesos son reales, la brecha de doce puntos deja de ser una propiedad fija del modelo y pasa a ser algo que un equipo puede atacar, y en ese momento la tarjeta diez veces más barata se convierte en un punto de partida mucho más interesante. Si el checkpoint se retrasa o la licencia es restrictiva, la brecha se queda exactamente donde la clasificación la puso.

La segunda es si la propia lección de recalibración de esfuerzo de Anthropic se aplica aquí. La ventaja por tarea de Sonnet 5.5 sobre Sonnet 5 existe con esfuerzo bajo y medio, no al máximo, y lo contrario es cierto al máximo. Un comprador de Step 5 Preview que nunca recorre los niveles de esfuerzo está comparando un modelo en su configuración predeterminada contra un modelo en su configuración predeterminada, lo cual, del lado de Anthropic, no es donde ocurre el trabajo barato y de alto valor.

La tercera es una ejecución independiente propiamente dicha de Step 5 Preview en una configuración comparable a aquella en la que se mide el número de Anthropic. Hasta que eso exista, el 44 es una única configuración puntuada sin una escalera a su lado, y el 56 tiene toda una curva de esfuerzo debajo. La comparación es honesta tal como está escrita; todavía no es simétrica.

Para un equipo hoy y no el día 15: si la carga de trabajo es de contexto largo, intensiva en caché y repetida con frecuencia, la aritmética en este caso favorece a la tarjeta barata por un orden de magnitud, y la brecha de capacidad es el precio de entrada. Si la carga de trabajo es difícil, corta y evaluada por una persona que notará la diferencia entre 44 y 56, la tarjeta cara es la que termina el trabajo. Ninguna de las dos respuestas sobrevive al contacto con una carga de trabajo que sea ambas cosas a la vez, y para eso sirve un enrutador.

precio de lista repercutido con un margen del 0% , así que un cambio en la tarifa de Anthropic es un cambio en la nuestra el mismo día.

conmutación por error automática en un enrutador es lo que permite que un endpoint de vista previa se evalúe detrás de un respaldo cualificado en lugar de como la ruta principal.