StepFuns Step 5 Preview-lanceringsavond: wat vijf makers zeiden over een model dat zes weken eerder al uitkwam

Het regende op weg naar binnen, en dat was het enige deel van de avond in San Francisco op 22 oktober 2026 dat StepFun niet in de hand had. Het bedrijf huurde een zaal, was mede-organisator met Together AI en vulde die — ongeveer 277 mensen hadden zich voor de deuren openden op de openbare evenementpagina aangemeld — voor wat de uitnodiging de Step 5 Preview Launch Night noemde en wat de agenda een donderdag noemde. Het model dat werd gelanceerd, had sinds 20 september een API en sinds 15 oktober downloadbare gewichten. Geen van beide data verschoof voor het feest. Wat het feest deed, was de mensen die op modellen bouwen in één ruimte samenbrengen met de mensen die dit model hadden getraind, en hen laten praten over de delen van het werk die een benchmarktabel nooit vastlegt.

Het panel was klein en ongewoon concreet: Hongyu Zhou, een onderzoeker pretraining bij StepFun; Dan Fu, die kernels runt bij Together AI; Mar Hershenson van Pear VC; Saoud Rizwan van Cline; en Joey Wang van Harvey. Samen behandelden ze de vier dingen die bepalen of een model wordt gebruikt — hoe het is getraind, hoe het wordt geserveerd, of iemand het ding dat erop is gebouwd zal financieren, en of een agent-loop erop kan vertrouwen dat het bij stap veertig niet omvalt.

Eerst het probleem met de date, want dat verklaart de hele avond.

Step 5 Preview is niet nieuw. StepFun opende de commerciële API op 20 september 2026, en de lancering was vanaf het begin in previewvorm — step-5-preview is de model-ID, geen aanduiding die iemand er later aan heeft toegevoegd. Artificial Analysis dateert de release op "september 2026" zonder dag, en op de oudere modelpagina stond de datum op 18 september; het verschil met de eigen datum van StepFun is door geen van beide partijen ooit verklaard, en dit artikel gebruikt 20 september van StepFun, met die kanttekening erbij.

De datum die op 22 oktober van belang was, was 15 oktober. Toen werden de BF16- en FP8-checkpoints op Hugging Face en ModelScope geplaatst, samen met een technische blog die een 92-laagse 'narrow-deep'-stack en een sparse GQA-attentiepatroon beschrijft dat gated sliding-window-lagen afwisselt met sparse full-attention-lagen. Het evenement was, in de eenvoudigste lezing, een lanceringsavond voor een weights-release: de avond waarop het model ophoorde iets te zijn dat je aanroept en iets werd dat je ook kunt draaien.

Die lezing is het waard om te benoemen, omdat de alternatieve — dat dit een nieuw model was — de hele avond de ronde deed, en die is onjuist. Iedereen die vertrok met de gedachte dat StepFun eind oktober een model had uitgebracht, zal zes weken te laat zijn met een beslissing die ze al hadden kunnen nemen.

Wat de kamer daadwerkelijk te zien kreeg

De technische inhoud was lichter dan de marketing, wat normaal is voor dit format. Wat StepFun op het scherm toonde, was de opzet van het model, niet een nieuwe benchmarkrun: een sparse mixture-of-experts met 600 miljard totale parameters en 27 miljard actieve per token, 8 van 352 experts gerouteerd plus één gedeelde expert, drie multi-token-predictionlagen voor speculatieve decoding en een contextvenster van 1 miljoen tokens. Het accepteert tekst, afbeeldingen en video en geeft alleen tekst terug. Het uitvoerplafond in de eigen documentatie van StepFun is 64k tokens.

Het segment van Zhou kwam het dichtst bij een echte bewering over waarom de architectuur er zo uitziet: een diepe stapel smalle lagen, met het argument dat diepte impliciet multi-hop-redeneren oplevert, terwijl een ondieper, breder model tokens moet uitgeven door het expliciet te verwoorden. Of dat argument klopt, kan een lanceringsavond niet beslissen. Het is echter wel het soort bewering dat een downloadbaar checkpoint andere mensen laat testen, en dat is precies wat voor 15 oktober niet mogelijk was.

Tool calling was het onderwerp. Benchmarks waren dat niet.

Het nuttigste deel van het panel ging over betrouwbaarheid in agentloops, en het kwam van de twee mensen in de zaal die hun dagen erin doorbrengen in plaats van modellen te trainen. Rizwans product Cline is een editor-agent die moet blijven werken wanneer een model misvormde JSON retourneert bij de elfde stap van een taak van twintig stappen. Wangs werkgever Harvey draait vergelijkbare loops voor juridisch werk, waar een verkeerde toolcall geen slechte demo is maar een aansprakelijkheidsincident.

Wat beide hebben beschreven, is een faalmodus die niet zichtbaar wordt in een benchmarkgemiddelde: het model dat tien beurten lang uitstekend presteert en dan stilzwijgend de vorm van zijn argumenten verandert. StepFuns gepubliceerde bewijs voor die dimensie is van henzelf, en het is de moeite waard dat als zodanig te labelen. Op Terminal-Bench 4.0 rapporteert de leverancier 33,3 tegen 12,6 voor Kimi K3; op DeepSWE v1.1, 67,7 tegen 67,5. Dat zijn door de leverancier uitgevoerde cijfers op de harness die de leverancier heeft gekozen, en vooral de kloof bij terminalwerk is groot genoeg om een second opinion te verdienen voordat iemand een migratie daarop plant. De onafhankelijke evaluator heeft geen op de harness afgestemde directe vergelijking voor dit model gepubliceerd, en de index die hij wel publiceert, is sindsdien opnieuw opgebouwd — zie hieronder.

Inferentiekosten, besproken als een serveerprobleem en niet als een prijslijst

Het segment van Fu was het onderdeel dat het meest van belang zal zijn voor iedereen die zelf wil hosten, en het was concreet op een manier waarop lanceringstoespraken dat meestal niet zijn. De FP8-checkpoint vereist ongeveer 773 GB VRAM en minimaal vier GPU's, met B300 als standaarddoel; het Hopper-pad vereist acht H200's omdat het model niet op vier past. De NVFP4-variant brengt de voetafdruk terug naar ongeveer 473 GB en beperkt de bruikbare context tot 320k tokens, wat een echte afweging is en geen afrondingsfout. Zowel vLLM als SGLang hadden op 15 oktober recepten beschikbaar, en het SGLang-pad heeft bij een koude start een FlashInfer-compilatiekost van ongeveer vijftien minuten.

Daartegenover is het gehuurde alternatief eenvoudig: $1,00 per miljoen inputtokens en $2,70 per miljoen outputtokens op de dollarkaart van StepFun, waarbij gecachte input tegen 90% korting wordt gefactureerd. Op de renminbikaart van StepFun staat ¥7 voor input, ¥20 voor output en ¥0,70 voor cachehits — waarbij het tarief voor cachehits is verdubbeld van ¥0,35 om 00:30 uur Beijingse tijd op 14 oktober, acht dagen vóór het evenement, met een overgangsregeling voor eerdere pay-as-you-go-gebruikers. Niemand op het podium noemde die wijziging. Het is deze maand het meest bepalende prijsfeit over dit model, en het staat in de eigen documentatie van de leverancier in plaats van in de presentatie.

Artificial Analysis raamt de gemengde kosten op €0,54 per miljoen tokens bij een cache-hitratio van zeven op twee op één, en de kosten van een volledige Intelligence Index-run op €2,35.

De kapitaalkwestie, en dat is het punt waarop de avond eerlijk werd.

Hershensons bijdrage was de minst technische en de meest nuttige: een herinnering eraan dat de reden om een goedkoop, open model met lange context belangrijk te vinden, is dat het verandert wat een bedrijf in de seedfase kan proberen. Een startup die zich op elke stap van een agentlus geen frontier-model kon veroorloven, kan zich nu veroorloven de lus meer dan eens te draaien. Wangs versie van hetzelfde punt, vanuit het perspectief van een inkoper bij een groot bedrijf, was dat de inkoopvraag niet luidt "is dit het beste model", maar "wat gebeurt er met onze kosten en onze latentie als het twee keer zo goed is als we verwachtten en we alles ernaar routeren".

Dat is een routeringsvraag, en het is de enige plek waar de economie van self-hosting en de economie van API's geen aparte gesprekken meer zijn. De positie van OrcaRouter hierover is duidelijk: het platform ondersteunt 214 modellen achter één sleutel en één factuur, met een routeringsconfiguratie waarmee u een primair model en een fallback-keten kunt declareren in plaats van een model-ID hard in een applicatie te coderen, en automatische failover wanneer een provider verslechtert. Step 5 Preview behoort niet tot die 214 — er is geen StepFun-vermelding in de livecatalogus per 29 oktober 2026, en niets in dit artikel mag worden opgevat als een bewering dat wij het aanbieden. Wie het vandaag wil evalueren, kiest tussen de eigen API van StepFun en het zelf hosten van de checkpoints die op 15 oktober zijn verschenen.

Wat is er eigenlijk veranderd nadat het model is uitgebracht?

Drie dingen, in de volgorde van hoeveel ze een beslissing zouden moeten beïnvloeden.

Het eerste is de index. Op 27 en 28 oktober verving Artificial Analysis zijn Intelligence Index door versie 5, waarbij 60% van de samengestelde score werd toegekend aan private of achtergehouden testsets en de negen samenstellende evaluaties werden herbouwd. Het liet drie van de evaluaties vallen waarop het lanceermateriaal van StepFun leunde — GDPval-AA, SciCode en AA-LCR — en voegde FrontierCode 2.0 en Terminal-Bench-Science toe. De score van Step 5 Preview op de nieuwe index is 29. Zijn score op de oude was 44. Dat zijn twee verschillende metingen van hetzelfde model op twee verschillende rubrieken, niet een model dat slechter is geworden, en de 44 die in september en oktober circuleerde, mag niet worden afgetrokken van iets dat onder v5 is gescoord. Kimi K3.1 Pro ging, ter vergelijking, van 55 naar 46 bij dezelfde herbouw — een daling van negen punten bij een model dat net was gelanceerd.

De tweede is de licentie. De gewichten zijn open in de zin dat je ze kunt downloaden, en ze zijn niet open in de OSI-zin. StepFun Model License 1.0 houdt een naamsvermeldingsvoorwaarde op materieel gebruikte outputs, verplicht hardwarefabrikanten — telefoons, voertuigen, wearables, robots — om apart te onderhandelen, en vereist een commerciële licentie voor model-as-a-service-exploitanten met meer dan $20 miljoen jaaromzet. Als je een team van twee personen bent, bijt niets daarvan. Als je plant om inference door te verkopen op basis daarvan, bijt het onmiddellijk, en het is de moeite waard om het te lezen voor het eerste GPU-uur dan na.

De derde is de reeds beschreven prijsverandering, die vóór het evenement plaatsvond en daar niet ter sprake kwam.

Wat een bouwer van deze avond moet meenemen

Het nuttige signaal van 22 oktober is niet dat StepFun een nieuw model heeft. Het is dat een bedrijf met een vlaggenschip dat het in september uitbracht, een avond in oktober besteedde aan gesprekken met agentbouwers over de betrouwbaarheid van tool-calls en servingkosten op kernel-niveau, in een zaal waar de mensen die de gevolgen van beide zouden ondervinden op de voorste rijen zaten. Dat is een bedrijf dat zich gedraagt alsof de komende zes maanden van adoptie afhangen van operabiliteit in plaats van van nog een benchmarkregel.

De concrete versie daarvan: als je wachtte op gewichten voordat je Step 5 Preview serieus zou nemen, was het wachten op 15 oktober voorbij. Als je wachtte op een onafhankelijke score die je met al het andere kunt vergelijken, dan bestaat dat cijfer nu: het is 29, en het wordt gemeten volgens een rubric die net onder iedereen is herbouwd. Beide zijn redenen om nu een oordeel te vormen in plaats van na de volgende lanceringsnacht.