Soirée de lancement de Step 5 Preview de StepFun : ce que cinq développeurs ont dit d'un modèle sorti six semaines plus tôt

Il pleuvait à l’arrivée, le seul aspect de la soirée du 22 octobre 2026 à San Francisco que StepFun ne pouvait pas maîtriser. La société avait loué une salle, coorganisée avec Together AI, et l’avait remplie — environ 277 personnes s’étaient inscrites sur la page publique de l’événement avant l’ouverture des portes — pour ce que l’invitation appelait la Step 5 Preview Launch Night et ce que le calendrier appelait un jeudi. Le modèle lancé disposait d’une API depuis le 20 septembre et de poids téléchargeables depuis le 15 octobre. Aucune de ces deux dates n’a été décalée pour la soirée. Ce que la soirée a permis, c’est de réunir dans une même salle les personnes qui développent par-dessus les modèles avec celles qui ont entraîné celui-ci, et de les laisser parler des aspects du travail qu’un tableau de benchmarks ne capte jamais.

Le panel était restreint et d’une précision inhabituelle : Hongyu Zhou, chercheur en préentraînement chez StepFun ; Dan Fu, qui dirige les kernels chez Together AI ; Mar Hershenson de Pear VC ; Saoud Rizwan de Cline ; et Joey Wang de Harvey. À eux tous, ils ont couvert les quatre éléments qui déterminent si un modèle sera utilisé — comment il a été entraîné, comment il est servi, si quelqu’un financera ce qui est construit dessus, et si une boucle d’agent peut compter sur lui pour ne pas planter à la quarantième étape.

D'abord, le problème de la date, parce que cela explique toute la soirée.

Step 5 Preview n'a rien de nouveau. StepFun a ouvert l'API commerciale le 20 septembre 2026, et le lancement s'est fait sous forme de preview dès le départ — step-5-preview est l'identifiant du modèle, pas un qualificatif ajouté plus tard. Artificial Analysis date la sortie à « septembre 2026 » sans préciser le jour, et son ancienne page modèle indiquait le 18 septembre ; cet écart avec la date de StepFun n'a jamais été expliqué par l'une ou l'autre des parties, et cet article retient le 20 septembre de StepFun, avec cette réserve.

{{1}}La date qui comptait le 22 octobre était le 15 octobre.{{/1}} C'est ce jour-là que les checkpoints BF16 et FP8 ont été mis en ligne sur Hugging Face et ModelScope, en même temps qu'un article de blog technique décrivant une pile « narrow-deep » (étroite et profonde) de 92 couches et un schéma d'attention GQA clairsemé qui entrelace des couches à fenêtre glissante à portes avec des couches d'attention complète clairsemées. L'événement était, à la lecture la plus simple, une soirée de lancement pour une publication de poids : le soir où le modèle a cessé d'être quelque chose que l'on appelle pour devenir quelque chose que l'on peut aussi exécuter.

Cette interprétation mérite d’être formulée, car l’autre — selon laquelle il s’agissait d’un nouveau modèle — était dans l’air toute la soirée, et elle est fausse. Quiconque en est reparti en pensant que StepFun avait sorti un modèle fin octobre aura six semaines de retard sur une décision qu’il aurait déjà pu prendre.

Ce qui a réellement été montré à la salle

Le contenu technique était plus léger que le marketing, ce qui est normal pour ce format. Ce que StepFun a présenté à l’écran relevait de l’architecture du modèle plutôt que d’un nouveau passage de benchmark : un mélange d’experts clairsemé avec 600 milliards de paramètres au total et 27 milliards actifs par token, 8 experts sur 352 routés plus un expert partagé, trois couches de prédiction multi-token pour le décodage spéculatif, et une fenêtre de contexte de 1 M de tokens. Il accepte du texte, des images et des vidéos et ne renvoie que du texte. Le plafond de sortie indiqué dans la documentation propre à StepFun est de 64 k tokens.

Le segment de Zhou était celui qui s’approchait le plus d’une véritable affirmation sur la raison pour laquelle l’architecture ressemble à cela : une pile profonde de couches étroites, avec pour argument que la profondeur achète un raisonnement implicite à sauts multiples qu’un modèle moins profond et plus large doit dépenser des tokens à effectuer à voix haute. Que cet argument soit juste n’est pas quelque chose qu’une soirée de lancement peut trancher. C’est toutefois le genre d’affirmation qu’un checkpoint téléchargeable permet à d’autres de tester, ce qui est exactement ce qui n’était pas possible avant le 15 octobre.

L’appel d’outils était le sujet. Les benchmarks ne l’étaient pas.

Le segment le plus utile de la table ronde a porté sur la fiabilité dans les boucles d’agents, et il est venu des deux personnes présentes dans la salle qui passent leurs journées à l’intérieur de ces boucles plutôt qu’à entraîner des modèles. Le produit de Rizwan, Cline, est un agent éditeur qui doit continuer à fonctionner lorsqu’un modèle renvoie du JSON mal formé à la onzième étape d’une tâche en vingt étapes. L’employeur de Wang, Harvey, gère des boucles similaires pour le travail juridique, où un appel d’outil erroné n’est pas une simple démo ratée mais un événement de responsabilité.

Ce que les deux ont décrit est un mode de défaillance qui n'apparaît pas dans une moyenne de benchmarks : le modèle qui est excellent pendant dix tours, puis modifie silencieusement la forme de ses arguments. Les preuves publiées par StepFun sur cette dimension lui sont propres, et il vaut la peine de le signaler comme tel. Sur Terminal-Bench 4.0, le fournisseur rapporte 33,3 contre 12,6 pour Kimi K3 ; sur DeepSWE v1.1, 67,7 contre 67,5. Ce sont des chiffres produits par le fournisseur sur le harness choisi par le fournisseur, et l'écart sur le travail en terminal en particulier est suffisamment important pour mériter un second avis avant que quiconque planifie une migration autour de cela. L'évaluateur indépendant n'a pas publié de comparaison directe appariée par harness pour ce modèle, et l'indice qu'il publie a depuis été reconstruit — voir ci-dessous.

Coût de l’inférence, abordé comme un problème de serving plutôt qu’une grille tarifaire

Le segment de Fu était celui qui importera le plus à quiconque compte s'auto-héberger, et il était précis d'une manière que les présentations de lancement ne sont généralement pas. Le checkpoint FP8 nécessite environ 773 Go de VRAM et un minimum de quatre GPU, avec B300 comme cible par défaut ; la voie Hopper exige huit H200, car le modèle ne tient pas sur quatre. La variante NVFP4 réduit l'empreinte à environ 473 Go et plafonne le contexte utilisable à 320 k tokens, ce qui constitue un véritable compromis et non une erreur d'arrondi. vLLM et SGLang disposaient tous deux de recettes dès le 15 octobre, et la voie SGLang implique un coût de compilation FlashInfer d'environ quinze minutes à froid.

Face à cela, l'alternative en location est simple : 1,00 $ par million de tokens d'entrée et 2,70 $ par million de tokens de sortie sur la carte en dollars de StepFun, avec l'entrée mise en cache facturée avec une remise de 90 %. La carte en yuans de StepFun indique ¥7 en entrée, ¥20 en sortie et ¥0,70 pour les hits de cache — le tarif des hits de cache ayant doublé depuis ¥0,35 à 00:30 heure de Pékin le 14 octobre, huit jours avant la soirée, avec une clause de droits acquis pour les utilisateurs en paiement à l'usage antérieurs. Personne sur scène n'a mentionné ce changement. C'est le fait tarifaire le plus déterminant concernant ce modèle ce mois-ci, et il figure dans la documentation du fournisseur lui-même plutôt que dans la présentation.

Artificial Analysis estime le coût mixte à 0,54 $ par million de tokens pour un ratio de hits de cache de sept pour deux pour un, et le coût d’une exécution complète de l’Intelligence Index à 2,35 $.

La question capitale, c’est là que la soirée est devenue sincère.

La contribution de Hershenson fut la moins technique et la plus utile : un rappel que la raison de s’intéresser à un modèle bon marché, ouvert et à long contexte est qu’il change ce qu’une entreprise en phase d’amorçage peut tenter. Une startup qui n’aurait pas pu se permettre un modèle de pointe à chaque étape d’une boucle d’agent peut désormais se permettre d’exécuter la boucle plus d’une fois. La version de Wang du même point, depuis l’intérieur d’un acheteur en entreprise, était que la question des achats n’est pas « est-ce le meilleur modèle » mais « qu’arrive-t-il à nos coûts et à notre latence s’il est deux fois meilleur que prévu et que nous y dirigeons tout ».

C'est une question de routage, et c'est le seul endroit où l'économie de l'auto-hébergement et celle des API cessent d'être des sujets distincts. La position d'OrcaRouter à ce sujet est simple : la plateforme regroupe 214 modèles derrière une seule clé et une seule facture, avec une configuration de routage qui vous permet de déclarer un modèle principal et une chaîne de secours au lieu de coder en dur un ID de modèle dans une application, et un basculement automatique en cas de dégradation d'un fournisseur. Step 5 Preview ne fait pas partie de ces 214 — il n'y a aucune entrée StepFun dans le catalogue en ligne au 29 octobre 2026, et rien dans cet article ne doit être interprété comme une affirmation selon laquelle nous le proposons. Quiconque souhaite l'évaluer aujourd'hui doit choisir entre l'API propre à StepFun et l'auto-hébergement des checkpoints qui ont été publiés le 15 octobre.

Qu’est-ce qui a réellement changé après la sortie du modèle ?

Trois choses, par ordre de l’importance qu’elles devraient avoir dans une décision.

Le premier point est l’index. Les 27 et 28 octobre, Artificial Analysis a remplacé son Intelligence Index par la version 5, en attribuant 60 % de la pondération du score composite à des jeux de tests privés ou réservés et en reconstruisant les neuf évaluations qui le composent. Il a retiré trois des évaluations sur lesquelles s’appuyaient les supports de lancement de StepFun — GDPval-AA, SciCode et AA-LCR — et ajouté FrontierCode 2.0 et Terminal-Bench-Science. Le score de Step 5 Preview sur le nouvel index est de 29. Son score sur l’ancien était de 44. Ce sont deux mesures différentes du même modèle selon deux grilles d’évaluation différentes, et non un modèle qui se serait dégradé ; le 44 qui a circulé en septembre et octobre ne doit être soustrait de rien de ce qui est évalué selon la v5. Kimi K3.1 Pro, pour comparaison, est passé de 55 à 46 lors de la même refonte — une baisse de neuf points pour un modèle qui venait tout juste d’être lancé.

Le second est la licence. Les poids sont ouverts au sens où vous pouvez les télécharger, mais ils ne sont pas ouverts au sens de l’OSI. StepFun Model License 1.0 maintient une condition d’attribution sur les sorties utilisées de manière substantielle, exige que les fabricants de matériel — téléphones, véhicules, objets connectés portables, robots — négocient séparément, et exige une licence commerciale pour les opérateurs de modèle en tant que service dont le chiffre d’affaires annuel dépasse 20 millions de dollars. Si vous êtes une équipe de deux personnes, rien de tout cela ne vous affecte. Si vous prévoyez de revendre de l’inférence par-dessus, cela vous affecte immédiatement, et il vaut mieux le lire avant la première heure de GPU plutôt qu’après.

Le troisième est le changement de prix déjà décrit, qui a eu lieu avant l’événement et qui n’a pas été évoqué à cette occasion.

Ce qu’un constructeur devrait retenir de la soirée

Le signal utile du 22 octobre n’est pas que StepFun dispose d’un nouveau modèle. C’est qu’une entreprise dotée d’un modèle phare lancé en septembre a passé une soirée d’octobre à parler à des concepteurs d’agents de la fiabilité des appels d’outils et des coûts de service au niveau du noyau, dans une salle où les personnes qui subiraient ces deux problèmes étaient assises aux premiers rangs. Voilà une entreprise qui se comporte comme si les six prochains mois d’adoption dépendaient de l’opérabilité plutôt que d’une nouvelle ligne de benchmark.

La version concrète de cela : si vous attendiez les poids avant de prendre Step 5 Preview au sérieux, l'attente a pris fin le 15 octobre. Si vous attendiez un score indépendant que vous pouvez comparer à tout le reste, le chiffre existe désormais, c'est 29, et il est mesuré selon une grille d'évaluation qui vient d'être entièrement refondue sous les pieds de tout le monde. L'une comme l'autre de ces raisons justifient de se forger une opinion maintenant plutôt qu'après la prochaine soirée de lancement.