StepFunのStep 5 Previewローンチナイト：6週間前に出荷されたモデルについて、5人のビルダーが語ったこと

会場へ向かう途中で雨が降った。2026年10月22日のサンフランシスコでの夜会で、StepFunが制御できなかった唯一の部分だった。同社は会場を借り、Together AIと共同主催して満員にした。開場前に公開イベントページで約277人が申し込みを済ませていた。招待状が「Step 5 Preview Launch Night」と呼び、カレンダーが木曜日と記していた催しのために。発表されるモデルには9月20日からAPIがあり、10月15日からは重みをダウンロードできた。そのどちらの日付も、このパーティーのために動かされることはなかった。このパーティーがしたのは、モデルの上に構築する人々と、このモデルを学習した人々を同じ部屋に集め、ベンチマークの表では決して捉えられない仕事の部分について語らせることだった。

そのパネルは小規模ながら、異例なほど具体的だった。StepFunの事前学習研究者Hongyu Zhou、Together AIでカーネルを手がけるDan Fu、Pear VCのMar Hershenson、ClineのSaoud Rizwan、HarveyのJoey Wang。彼らは合わせて、モデルが使われるかどうかを決める4つの要素を扱った——どのように訓練されたか、どのように提供されるか、その上に構築されたものに誰かが資金を出すかどうか、そしてエージェントループが40ステップ目で倒れないことを信頼できるかどうか。

まず、日付の問題です。それがその夜の全体を説明しているからです。

Step 5 Previewは新しいものではない。StepFunが商用APIを公開したのは2026年9月20日であり、ローンチは当初からプレビュー形式で提供されていた——step-5-previewはモデルIDであり、後から誰かが付けた修飾語ではない。Artificial Analysisはリリース日を日付なしの「2026年9月」としており、同社の古いモデルページでは9月18日とされていた。StepFun自身の日付との不一致について、どちらの当事者もこれまで説明していない。本記事では、その注意書きを付した上でStepFunの示す9月20日を採用する。

10月22日にとって重要だった日付は10月15日だった。その日、BF16とFP8のチェックポイントがHugging FaceとModelScopeに公開され、あわせて、92層の「ナロー・ディープ」スタックと、ゲート付きスライディングウィンドウ層とスパースなフルアテンション層を交互に配置するスパースGQAアテンションパターンを説明する技術ブログも公開された。この出来事は、最も率直に読めば、重みリリースのローンチナイトだった。モデルが呼び出すだけのものではなく、自分でも動かせるものになった夜である。

その解釈は明言する価値がある。なぜなら、もう一つの解釈——これは新しいモデルだという見方——が一晩中漂っていたが、それは間違っているからだ。StepFunが10月下旬にモデルを投入したと受け取って帰った人は、すでに下せたはずの判断に6週間遅れをとることになる。

部屋に実際に見せられたもの

技術的な内容はマーケティングより薄かったが、これはこの形式では普通のことだ。StepFunが画面上に示したのは、新たなベンチマーク実行ではなくモデルの形状だった。総パラメータ6000億、トークンあたり270億がアクティブなスパース混合エキスパート（MoE）で、352のエキスパートのうち8がルーティングされ、さらに共有エキスパートが1つ。投機的デコーディング向けのマルチトークン予測層が3層、コンテキストウィンドウは100万トークン。テキスト、画像、動画を受け取り、返すのはテキストのみ。StepFun自身のドキュメントにある出力上限は64kトークンだ。

Zhouのパートは、なぜこのアーキテクチャがこうなっているのかについて、実際の主張に最も近づいたものだった。幅の狭い層を深く積み重ねた構造であり、深さによって暗黙のマルチホップ推論が得られるという主張に基づいている。より浅く広いモデルは、それをトークンを費やして明示的に行わなければならない。その主張が正しいかどうかは、ローンチ当日の夜に決着できることではない。しかしそれは、ダウンロード可能なチェックポイントによって他の人が検証できる種類の主張であり、まさに10月15日より前には不可能だったことだ。

ツール呼び出しが話題でした。ベンチマークはそうではありませんでした。

パネルで最も有益だったのは、エージェントループにおける信頼性についての議論で、それはモデルの訓練ではなく、日々そのループの中で過ごす会場の2人からもたらされた。リズワンの製品Clineは、20ステップのタスクの11ステップ目でモデルが不正なJSONを返した場合でも動作を続けなければならないエディターエージェントだ。ワンの勤務先Harveyは、法務業務向けに同様のループを運用しており、そこでは誤ったツール呼び出しは悪いデモではなく、法的責任を生じさせる出来事となる。

両者が述べているのは、ベンチマークの平均値には現れない失敗モードです。つまり、10ターンにわたって優秀でありながら、その後ひそかに引数の形を変えてしまうモデルです。この次元についてStepFunが公表している証拠は同社自身によるものであり、そのように明示する価値があります。Terminal-Bench 4.0では、ベンダーはKimi K3の12.6に対して33.3を報告しています。DeepSWE v1.1では67.5に対して67.7です。これらはベンダーが選んだハーネス上でベンダーが実行した数値であり、特にターミナル作業における差は、これを前提に移行計画を立てる前にセカンドオピニオンを求める価値があるほど大きいものです。独立評価者は、このモデルについてハーネスを揃えた直接比較を公表しておらず、同評価者が公表している指数はその後再構築されています（下記参照）。

推論コスト：価格表ではなく、サービングの問題として論じる

Fuのセグメントは、セルフホストを考えている人にとって最も重要になる部分であり、ローンチ時の説明では通常ないほど具体的だった。FP8チェックポイントには約773 GBのVRAMと最低4基のGPUが必要で、デフォルトのターゲットはB300だ。Hopper経路ではモデルが4基に収まらないため、H200を8基必要とする。NVFP4版はフットプリントを約473 GBまで下げ、使用可能なコンテキストを320kトークンに制限する。これは丸め誤差ではなく、実際のトレードオフだ。vLLMとSGLangはいずれも10月15日にレシピを公開しており、SGLang経路ではコールドスタート時に約15分のFlashInferコンパイルコストがかかる。

これに対して、レンタル版の選択肢は単純です。StepFunのドル建てカードでは、入力トークン100万件あたり$1.00、出力トークン100万件あたり$2.70で、キャッシュ済み入力は90%割引で請求されます。StepFunの人民元建てカードでは、入力¥7、出力¥20、キャッシュヒット¥0.70と表示されています。キャッシュヒットの料金は、パーティーの8日前にあたる10月14日北京時間00:30に¥0.35から2倍になっており、以前の従量課金利用者には既得権条項が適用されます。壇上では誰もその変更に触れませんでした。これは今月このモデルについて最も重大な価格事実であり、しかもプレゼン資料ではなくベンダー自身のドキュメントに記載されています。

Artificial Analysisは、キャッシュヒット比率7対2対1で、混合コストを100万トークンあたり$0.54、Intelligence Indexの完全な1回の実行コストを$2.35と算出しています。

資本という問い——そこでその夜は正直になった。

ハーシェンソンの貢献は最も技術的でなく、最も有用だった。安価でオープンな長いコンテキストのモデルを気にかける理由は、それがシード段階の企業に何を試せるかを変えるからだ、ということを思い出させてくれるものだった。エージェントループの各ステップでフロンティアモデルを使う余裕がなかったスタートアップが、今ではそのループを複数回回す余裕を持てる。同じ論点を企業の購買担当者の内側から述べたワンの版は、調達上の問いは「これが最良のモデルか」ではなく、「予想の2倍優れていて、すべてをそこに回したら、当社のコストとレイテンシはどうなるのか」だ、というものだった。

それはルーティングに関する問いであり、セルフホスティングの経済性とAPIの経済性が別々の話ではなくなる唯一の領域です。OrcaRouterのこれに対する立場は明快です。プラットフォームは1つのキーと1つの請求書の背後で214のモデルを提供し、ルーティング設定によってアプリケーションにモデルIDをハードコードするのではなくプライマリとフォールバックチェーンを宣言でき、プロバイダーが劣化した際には自動フェイルオーバーを行います。Step 5 Previewはその214の中には含まれていません。2026年10月29日時点の現行カタログにStepFunの項目はなく、本記事のいかなる記述も、当社がそれを提供しているという主張として読まれるべきではありません。今日それを評価したい人は、StepFun自身のAPIと、10月15日に公開されたチェックポイントのセルフホスティングのどちらかを選ぶことになります。

モデルが出荷された後、実際に何が変わったのか

意思決定に与えるべき影響の大きさの順に、3つのこと。

最初は指標です。Artificial Analysisは10月27日と28日に、Intelligence Indexをバージョン5に置き換え、合成スコアの60%を非公開またはホールドアウトのテストセットに重み付けし、9つの構成評価を再構築しました。StepFunの発表資料が依拠していた評価のうち3つ——GDPval-AA、SciCode、AA-LCR——を削除し、FrontierCode 2.0とTerminal-Bench-Scienceを追加しました。Step 5 Previewの新指標でのスコアは29です。旧指標でのスコアは44でした。これらは同じモデルを2つの異なる評価基準で測った2つの異なる測定値であり、モデルが悪化したわけではありません。9月と10月に出回った44は、v5で採点されるものから差し引くべきではありません。比較として、Kimi K3.1 Proは同じ再構築で55から46へと移りました——発売されたばかりのモデルで9ポイントの下落です。

2つ目はライセンスです。重みは、ダウンロードできるという意味ではオープンですが、OSIの意味でのオープンではありません。StepFun Model License 1.0は、実質的に使用された出力に帰属表示条件を課し、ハードウェアメーカー——スマートフォン、車両、ウェアラブル、ロボット——には別途交渉を求め、年間収益2,000万ドル超のモデル・アズ・ア・サービス事業者には商用ライセンスを要求します。2人チームなら、そのどれも影響しません。その上で推論を再販売する予定なら、すぐに影響しますし、最初のGPU時間の後ではなく前に読む価値があります。

第三はすでに説明した価格変更であり、それはイベントの前に起き、イベントでは取り上げられなかった。

ビルダーがその夜から得るべきもの

10月22日の有益なシグナルは、StepFunが新しいモデルを持っているということではない。9月に発表したフラッグシップを擁する企業が、10月のある夜を、ツール呼び出しの信頼性とカーネルレベルのサービングコストについてエージェント開発者たちと語り合うために費やしたということだ。しかも、その会場の最前列には、その両方の影響を直接被る人々が座っていた。これは、今後6か月の普及が、別のベンチマークの一行ではなく、運用性に懸かっているかのように振る舞う企業の姿である。

その具体的な形はこうだ。Step 5 Previewを真剣に評価する前にモデルの重みを待っていたなら、その待ちは10月15日に終わった。他のすべてと比較できる独立したスコアを待っていたなら、その数字は今や存在し、29であり、それは全員の足元で作り直されたばかりの評価基準に基づいて測定されている。どちらも、次のローンチの夜の後ではなく、今のうちに判断を固める理由だ。