Malam Peluncuran Step 5 Preview StepFun: Apa yang Dikatakan Lima Pengembang tentang Model yang Dirilis Enam Minggu Lebih Awal

Hujan turun saat kami masuk, dan itulah satu-satunya bagian dari malam di San Francisco pada 22 Oktober 2026 yang tidak dapat dikendalikan oleh StepFun. Perusahaan menyewa sebuah ruangan, menjadi tuan rumah bersama Together AI, dan memenuhinya — sekitar 277 orang telah mendaftar di halaman acara publik sebelum pintu dibuka — untuk apa yang disebut undangan sebagai Step 5 Preview Launch Night dan apa yang disebut kalender sebagai Kamis. Model yang diluncurkan sudah memiliki API sejak 20 September dan bobot yang dapat diunduh sejak 15 Oktober. Tak satu pun dari tanggal-tanggal itu berubah demi pesta tersebut. Yang dilakukan pesta itu adalah menempatkan orang-orang yang membangun di atas model dalam satu ruangan bersama orang-orang yang melatih model ini, dan membiarkan mereka berbicara tentang bagian-bagian pekerjaan yang tidak pernah ditangkap oleh tabel benchmark.

Panel itu kecil dan luar biasa spesifik: Hongyu Zhou, peneliti pretraining di StepFun; Dan Fu, yang mengelola kernel di Together AI; Mar Hershenson dari Pear VC; Saoud Rizwan dari Cline; dan Joey Wang dari Harvey. Di antara mereka, mereka membahas empat hal yang menentukan apakah sebuah model akan digunakan — bagaimana model itu dilatih, bagaimana ia dilayani, apakah ada orang yang akan mendanai hal yang dibangun di atasnya, dan apakah sebuah loop agen dapat mengandalkannya untuk tidak tumbang pada langkah keempat puluh.

Pertama, masalah kencan, karena itu menjelaskan seluruh malam itu

Step 5 Preview bukan hal baru. StepFun membuka API komersial pada 20 September 2026, dan peluncuran tersebut berjalan dalam bentuk pratinjau sejak awal — step-5-preview adalah ID model, bukan pengubah yang ditambahkan seseorang belakangan. Artificial Analysis mencantumkan tanggal rilis sebagai “September 2026” tanpa hari, dan halaman model lamanya mencantumkan tanggal 18 September; perbedaan dengan tanggal StepFun sendiri tidak pernah dijelaskan oleh kedua pihak, dan artikel ini menggunakan tanggal 20 September dari StepFun dengan catatan tersebut.

Tanggal yang penting pada 22 Oktober adalah 15 Oktober. Saat itulah checkpoint BF16 dan FP8 dipasang di Hugging Face dan ModelScope, bersama blog teknis yang menjelaskan stack "narrow-deep" 92 lapisan dan pola atensi GQA sparse yang menyelang-seling lapisan gated sliding-window dengan lapisan sparse full-attention. Acara itu, dalam pembacaan paling lugas, adalah malam peluncuran untuk rilis bobot: malam ketika model berhenti menjadi sesuatu yang Anda panggil dan menjadi sesuatu yang juga dapat Anda jalankan.

Penafsiran itu perlu dinyatakan karena penafsiran alternatifnya — bahwa ini adalah model baru — terasa sepanjang malam, dan itu keliru. Siapa pun yang pulang dengan anggapan bahwa StepFun telah meluncurkan sebuah model pada akhir Oktober akan terlambat enam minggu untuk mengambil keputusan yang sebenarnya sudah bisa mereka ambil.

Apa yang sebenarnya ditampilkan di ruangan itu

Konten teknisnya lebih ringan daripada materi pemasarannya, yang wajar untuk format ini. Yang ditampilkan StepFun di layar adalah bentuk modelnya, bukan hasil uji benchmark baru: campuran pakar renggang dengan total 600 miliar parameter dan 27 miliar parameter aktif per token, 8 dari 352 pakar yang dirutekan ditambah satu pakar bersama, tiga lapisan prediksi multi-token untuk decoding spekulatif, dan jendela konteks 1 juta token. Model ini menerima teks, gambar, dan video serta hanya mengembalikan teks. Batas atas keluaran dalam dokumentasi StepFun sendiri adalah 64k token.

Bagian Zhou adalah yang paling mendekati klaim nyata tentang mengapa arsitekturnya seperti ini: tumpukan lapisan sempit yang dalam, dengan argumen bahwa kedalaman memberikan penalaran multi-lompatan implisit yang harus dilakukan secara eksplisit dengan menghabiskan token oleh model yang lebih dangkal dan lebih lebar. Apakah argumen itu benar bukanlah hal yang bisa dipastikan pada malam peluncuran. Namun, itu adalah jenis klaim yang memungkinkan orang lain menguji melalui checkpoint yang dapat diunduh, yang justru merupakan hal yang tidak mungkin sebelum 15 Oktober.

Pemanggilan tool adalah topiknya. Benchmark bukan.

Bagian panel yang paling bermanfaat adalah tentang keandalan dalam loop agen, dan itu datang dari dua orang di ruangan yang menghabiskan hari-hari mereka di dalamnya, bukan melatih model. Produk Rizwan, Cline, adalah agen editor yang harus tetap bekerja ketika model mengembalikan JSON cacat pada langkah kesebelas dari tugas dua puluh langkah. Perusahaan tempat Wang bekerja, Harvey, menjalankan loop serupa untuk pekerjaan hukum di mana panggilan alat yang salah bukanlah demo yang buruk melainkan peristiwa tanggung jawab hukum.

Apa yang keduanya gambarkan adalah mode kegagalan yang tidak muncul dalam rata-rata benchmark: model yang sangat baik selama sepuluh putaran lalu diam-diam mengubah bentuk argumennya. Bukti yang diterbitkan StepFun untuk dimensi tersebut adalah miliknya sendiri, dan layak diberi label demikian. Pada Terminal-Bench 4.0, vendor melaporkan 33,3 berbanding 12,6 untuk Kimi K3; pada DeepSWE v1.1, 67,7 berbanding 67,5. Itu adalah angka yang dijalankan vendor pada pilihan harness vendor itu sendiri, dan kesenjangan pada pekerjaan terminal khususnya cukup besar sehingga layak mendapat pendapat kedua sebelum siapa pun merencanakan migrasi berdasarkan angka itu. Evaluator independen belum menerbitkan perbandingan head-to-head yang cocok harness untuk model ini, dan indeks yang memang diterbitkannya sejak itu telah dibangun ulang — lihat di bawah.

Biaya inferensi, dibahas sebagai persoalan penyajian alih-alih daftar harga

Segmen Fu adalah yang paling penting bagi siapa pun yang berniat melakukan self-host, dan segmen itu spesifik dengan cara yang biasanya tidak dimiliki pembicaraan peluncuran. Checkpoint FP8 membutuhkan sekitar 773 GB VRAM dan minimal empat GPU, dengan B300 sebagai target default; jalur Hopper membutuhkan delapan H200 karena model tidak muat pada empat GPU. Varian NVFP4 menurunkan jejak memori menjadi sekitar 473 GB dan membatasi konteks yang dapat digunakan pada 320k token, yang merupakan kompromi nyata, bukan kesalahan pembulatan. vLLM dan SGLang keduanya sudah merilis resep pada 15 Oktober, dan jalur SGLang menanggung biaya kompilasi FlashInfer sekitar lima belas menit saat cold start.

Sebaliknya, alternatif sewaannya sederhana: $1,00 per juta token input dan $2,70 per juta token output pada kartu dolar StepFun, dengan input yang di-cache ditagih dengan diskon 90%. Kartu renminbi StepFun menunjukkan ¥7 untuk input, ¥20 untuk output, dan ¥0,70 untuk cache hit—angka cache hit itu telah berlipat ganda dari ¥0,35 pada pukul 00.30 waktu Beijing, 14 Oktober, delapan hari sebelum acara, dengan klausul grandfather untuk pemanggil bayar sesuai pemakaian yang lebih awal. Tidak ada seorang pun di panggung yang menyebutkan perubahan itu. Itu adalah fakta penetapan harga paling penting tentang model ini bulan ini, dan fakta itu ada dalam dokumentasi vendor itu sendiri, bukan dalam dek presentasi.

Artificial Analysis menghitung biaya gabungan sebesar $0,54 per juta token pada rasio cache-hit tujuh banding dua banding satu, dan biaya menjalankan Intelligence Index penuh sebesar $2,35.

Pertanyaan pokok, yang menjadi titik saat malam itu mulai jujur

Kontribusi Hershenson adalah yang paling tidak teknis dan paling berguna: sebuah pengingat bahwa alasan untuk peduli pada model murah, terbuka, dan berkonteks panjang adalah karena model itu mengubah apa yang dapat dicoba oleh perusahaan tahap seed. Startup yang sebelumnya tidak mampu membiayai model frontier pada setiap langkah dalam loop agen kini mampu menjalankan loop itu lebih dari sekali. Versi Wang dari poin yang sama, dari sudut pandang seorang pembeli di perusahaan besar, adalah bahwa pertanyaan pengadaan bukanlah "apakah ini model terbaik" melainkan "apa yang terjadi pada biaya dan latensi kami jika model itu dua kali lebih baik dari yang kami perkirakan dan kami mengarahkan semua lalu lintas ke sana".

Itu adalah pertanyaan perutean, dan di situlah ekonomi self-hosting dan ekonomi API tidak lagi menjadi pembicaraan yang terpisah. Posisi OrcaRouter soal ini lugas: platform menghadirkan 214 model di balik satu kunci dan satu tagihan, dengan konfigurasi perutean yang memungkinkan Anda menetapkan model utama dan rantai cadangan alih-alih menanamkan ID model secara hard-code ke dalam aplikasi, serta failover otomatis saat penyedia mengalami penurunan layanan. Step 5 Preview tidak termasuk dalam 214 tersebut — tidak ada entri StepFun dalam katalog live per 29 Oktober 2026, dan tidak ada bagian dalam artikel ini yang boleh dibaca sebagai klaim bahwa kami menyediakannya. Siapa pun yang ingin mengevaluasinya hari ini harus memilih antara API milik StepFun sendiri dan self-hosting checkpoint yang dirilis pada 15 Oktober.

Apa yang sebenarnya berubah setelah model itu dirilis

Tiga hal, sesuai urutan seberapa besar pengaruhnya terhadap suatu keputusan.

Pertama adalah indeks. Pada 27 dan 28 Oktober, Artificial Analysis mengganti Intelligence Index miliknya dengan versi 5, yang membobot 60% komposit pada set uji privat atau held-out dan membangun ulang sembilan evaluasi penyusunnya. Pihaknya menghapus tiga evaluasi yang menjadi andalan materi peluncuran StepFun — GDPval-AA, SciCode, dan AA-LCR — serta menambahkan FrontierCode 2.0 dan Terminal-Bench-Science. Skor Step 5 Preview pada indeks baru adalah 29. Skornya pada indeks lama adalah 44. Itu adalah dua pengukuran berbeda atas model yang sama dengan dua rubrik berbeda, bukan model yang menjadi lebih buruk, dan angka 44 yang beredar pada September dan Oktober tidak boleh dikurangkan dari apa pun yang dinilai berdasarkan v5. Sebagai perbandingan, Kimi K3.1 Pro berubah dari 55 menjadi 46 dalam pembangunan ulang yang sama — penurunan sembilan poin pada model yang baru saja diluncurkan.

Yang kedua adalah lisensi. Bobotnya terbuka dalam arti Anda dapat mengunduhnya, dan tidak terbuka dalam pengertian OSI. StepFun Model License 1.0 mempertahankan syarat atribusi pada keluaran yang digunakan secara material, mewajibkan pembuat perangkat keras — ponsel, kendaraan, perangkat wearable, robot — untuk bernegosiasi secara terpisah, dan mewajibkan lisensi komersial bagi operator model-as-a-service dengan pendapatan tahunan di atas $20 juta. Jika Anda tim beranggotakan dua orang, tidak ada satu pun dari itu yang berdampak. Jika Anda berencana menjual ulang inferensi di atasnya, dampaknya langsung terasa, dan sebaiknya membacanya sebelum jam GPU pertama, bukan sesudahnya.

Yang ketiga adalah perubahan harga yang telah dijelaskan, yang terjadi sebelum acara dan tidak muncul pada acara itu.

Apa yang harus dipetik seorang pembangun dari malam itu

Sinyal berguna dari 22 Oktober bukanlah bahwa StepFun memiliki model baru. Melainkan bahwa sebuah perusahaan dengan model unggulan yang dirilisnya pada September menghabiskan satu malam di Oktober untuk berbicara dengan para pembangun agen tentang keandalan pemanggilan alat dan biaya penyajian tingkat kernel, di sebuah ruangan tempat orang-orang yang akan menderita akibat keduanya duduk di baris depan. Itu adalah perusahaan yang berperilaku seolah-olah enam bulan adopsi berikutnya bergantung pada kemampuan operasional, bukan pada baris benchmark lain.

Versi konkretnya: jika Anda menunggu bobot sebelum menganggap Step 5 Preview serius, penantian itu berakhir pada 15 Oktober. Jika Anda menunggu skor independen yang dapat dibandingkan dengan semua yang lain, angka itu kini ada, yaitu 29, dan diukur dengan rubrik yang baru saja dibangun ulang di bawah semua orang. Keduanya adalah alasan untuk membentuk pandangan sekarang, bukan setelah malam peluncuran berikutnya.