Wieczór premiery Step 5 Preview od StepFun: co pięciu twórców powiedziało o modelu, który udostępniono sześć tygodni wcześniej

Padało w drodze na miejsce — i był to jedyny element wieczoru w San Francisco 22 października 2026 r., którego StepFun nie mógł kontrolować. Firma wynajęła salę, współorganizowała wydarzenie z Together AI i zapełniła ją — około 277 osób zapisało się na publicznej stronie wydarzenia przed otwarciem drzwi — na to, co zaproszenie nazywało Step 5 Preview Launch Night, a kalendarz nazywał czwartkiem. Model, którego premierę świętowano, miał API od 20 września, a wagi do pobrania od 15 października. Żadna z tych dat nie przesunęła się z powodu imprezy. Impreza sprawiła, że ludzie, którzy budują na modelach, znaleźli się w jednym pomieszczeniu z ludźmi, którzy wytrenowali ten model, i mogli porozmawiać o tych aspektach pracy, których nie oddaje żadna tabela z wynikami benchmarków.

Panel był kameralny i wyjątkowo konkretny: Hongyu Zhou, badacz pretreningu w StepFun; Dan Fu, który w Together AI zajmuje się kernelami; Mar Hershenson z Pear VC; Saoud Rizwan z Cline; oraz Joey Wang z Harvey. Wspólnie omówili cztery rzeczy, które decydują o tym, czy model zostanie wykorzystany — jak został wytrenowany, jak jest udostępniany, czy ktoś sfinansuje projekt zbudowany na jego podstawie oraz czy pętla agenta może polegać na tym, że nie zawali się na czterdziestym kroku.

Najpierw kwestia daty, bo to wyjaśnia cały wieczór.

Step 5 Preview nie jest nowością. StepFun otworzył komercyjne API 20 września 2026 r., a premiera od początku odbywała się w formie preview — step-5-preview to identyfikator modelu, a nie dodany później modyfikator. Artificial Analysis datuje wydanie na „wrzesień 2026”, bez podania dnia, a jej starsza strona modelu podawała datę 18 września; rozbieżności z datą podaną przez StepFun nie wyjaśniła nigdy żadna ze stron, a w tym artykule przyjmuje się datę 20 września podaną przez StepFun z tym zastrzeżeniem.

Datą, która miała znaczenie 22 października, był 15 października. Wtedy to checkpointy BF16 i FP8 trafiły na Hugging Face i ModelScope, wraz z technicznym wpisem blogowym opisującym 92-warstwowy stos „narrow-deep” oraz rzadki wzorzec uwagi GQA, który przeplata warstwy z bramkowanym przesuwnym oknem z rzadkimi warstwami pełnej uwagi. W najprostszym odczycie wydarzenie było nocą premiery wydania wag: wieczorem, w którym model przestał być czymś, co się wywołuje, a stał się czymś, co można również uruchomić.

Warto to wyraźnie powiedzieć, ponieważ alternatywna interpretacja — że chodziło o nowy model — krążyła przez cały wieczór i jest błędna. Kto wyszedł z przekonaniem, że StepFun wydał model pod koniec października, ten będzie o sześć tygodni spóźniony z decyzją, którą mógł już podjąć.

Co faktycznie pokazano w pokoju

Treść techniczna była lżejsza niż warstwa marketingowa, co jest normalne w tym formacie. StepFun pokazał na ekranie raczej kształt modelu niż świeży przebieg testu porównawczego: rzadką mieszankę ekspertów z łącznie 600 mld parametrów i 27 mld aktywnych na token, z routingiem 8 z 352 ekspertów plus jednego eksperta współdzielonego, trzy warstwy wielotokenowego przewidywania do dekodowania spekulatywnego oraz okno kontekstowe wynoszące 1 mln tokenów. Model przyjmuje tekst, obrazy i wideo, a zwraca wyłącznie tekst. Limit wyjścia w dokumentacji StepFun wynosi 64 tys. tokenów.

Fragment Zhou był najbliższy prawdziwemu twierdzeniu o tym, dlaczego architektura wygląda tak, jak wygląda: głęboki stos wąskich warstw, uzasadniany tym, że głębokość zapewnia ukryte rozumowanie wieloetapowe, na które płytszy i szerszy model musi zużywać tokeny, wykonując je na głos. Czy ten argument jest słuszny, nie rozstrzygnie się w noc premiery. Jest jednak takim rodzajem twierdzenia, które checkpoint do pobrania pozwala przetestować innym, i dokładnie tego nie można było zrobić przed 15 października.

Tematem było wywoływanie narzędzi, a nie benchmarki.

Najbardziej użyteczną częścią panelu była rozmowa o niezawodności w pętlach agentowych, która wyszła od dwóch osób w sali spędzających dni wewnątrz takich pętli, a nie szkolących modele. Produkt Rizwana, Cline, to agent edytorowy, który musi działać dalej, gdy model zwróci niepoprawny JSON na jedenastym kroku dwudziestokrokowego zadania. Pracodawca Wanga, Harvey, prowadzi podobne pętle do pracy prawniczej, gdzie błędne wywołanie narzędzia nie jest złą demonstracją, ale zdarzeniem rodzącym odpowiedzialność.

To, co opisali obaj, to tryb awarii, który nie ujawnia się w średniej z benchmarku: model, który jest doskonały przez dziesięć tur, a następnie po cichu zmienia kształt swoich argumentów. Opublikowane przez StepFun dowody dotyczące tego wymiaru pochodzą od samego dostawcy i warto je tak oznaczyć. Na Terminal-Bench 4.0 dostawca podaje 33,3 wobec 12,6 dla Kimi K3; na DeepSWE v1.1 — 67,7 wobec 67,5. Są to liczby uzyskane przez dostawcę na wybranym przez niego harnessie, a różnica w pracy terminalowej w szczególności jest wystarczająco duża, że zasługuje na drugą opinię, zanim ktokolwiek zaplanuje na jej podstawie migrację. Niezależny ewaluator nie opublikował dla tego modelu bezpośredniego porównania na dopasowanym harnessie, a publikowany przez niego indeks został od tego czasu przebudowany — patrz poniżej.

Koszt inferencji, omawiany jako problem serwowania, a nie cennik

Fragment wystąpienia Fu był tym, który będzie miał największe znaczenie dla każdego, kto zamierza samodzielnie hostować model, i był konkretny w sposób, w jaki wystąpienia premierowe zwykle nie są. Checkpoint FP8 wymaga około 773 GB VRAM i co najmniej czterech GPU, przy czym domyślnym celem jest B300; ścieżka Hopper wymaga ośmiu H200, ponieważ model nie mieści się na czterech. Wariant NVFP4 zmniejsza zapotrzebowanie do około 473 GB i ogranicza użyteczny kontekst do 320 tys. tokenów, co jest prawdziwym kompromisem, a nie błędem zaokrąglenia. Zarówno vLLM, jak i SGLang miały przepisy dostępne 15 października, a ścieżka SGLang wiąże się z kosztem kompilacji FlashInfer wynoszącym około piętnastu minut przy zimnym starcie.

Natomiast wynajmowana alternatywa jest prosta: $1.00 za milion tokenów wejściowych i $2.70 za milion tokenów wyjściowych w dolarowej karcie StepFun, przy czym wejście z cache jest rozliczane z 90-procentowym rabatem. W karcie juenowej StepFun widnieje ¥7 za wejście, ¥20 za wyjście i ¥0.70 za trafienia w cache — przy czym stawka za trafienia w cache podwoiła się z ¥0.35 o 00:30 czasu pekińskiego 14 października, osiem dni przed imprezą, wraz z klauzulą ochrony praw nabytych dla wcześniejszych wywołujących rozliczanych za użycie. Nikt na scenie nie wspomniał o tej zmianie. To najbardziej brzemienny w skutki fakt cenowy dotyczący tego modelu w tym miesiącu i znajduje się w dokumentacji samego dostawcy, a nie w prezentacji.

Artificial Analysis określa koszt mieszany na 0,54 USD za milion tokenów przy stosunku trafień w cache wynoszącym siedem do dwóch do jednego, a koszt pełnego uruchomienia Intelligence Index na 2,35 USD.

Kwestia kapitału — i właśnie wtedy wieczór stał się szczery.

Wkład Hershensona był najmniej techniczny i najbardziej użyteczny: przypomnienie, że powód, by interesować się tanim, otwartym modelem o długim kontekście, jest taki, że zmienia on to, czego może się podjąć spółka na etapie seed. Startup, którego nie byłoby stać na model frontier na każdym etapie pętli agenta, może teraz pozwolić sobie na uruchomienie tej pętli więcej niż raz. Wang ujął ten sam punkt z perspektywy osoby po stronie kupującego w przedsiębiorstwie: pytanie w procesie zakupowym nie brzmi „czy to jest najlepszy model”, ale „co stanie się z naszymi kosztami i opóźnieniem, jeśli okaże się dwa razy lepszy, niż zakładaliśmy, i skierujemy do niego wszystko”.

To pytanie o routing i właśnie w tym miejscu ekonomika samodzielnego hostingu i ekonomika API przestają być osobnymi rozmowami. Stanowisko OrcaRouter w tej sprawie jest proste: platforma obsługuje 214 modeli za pomocą jednego klucza i jednego rachunku, z konfiguracją routingu, która pozwala zadeklarować model podstawowy i łańcuch awaryjny zamiast zakodować na stałe identyfikator modelu w aplikacji, oraz automatycznym przełączaniem awaryjnym, gdy dostawca ulega degradacji. Step 5 Preview nie należy do tych 214 — według stanu na 29 października 2026 r. w aktywnym katalogu nie ma wpisu StepFun, a niczego w tym artykule nie należy odczytywać jako twierdzenia, że go udostępniamy. Każdy, kto chce go dziś ocenić, wybiera między własnym API StepFun a samodzielnym hostowaniem checkpointów, które pojawiły się 15 października.

Co tak naprawdę zmieniło się po wydaniu modelu

Trzy rzeczy, w kolejności według tego, jak bardzo powinny wpływać na decyzję.

Pierwszy to indeks. 27 i 28 października Artificial Analysis zastąpiło swój Intelligence Index wersją 5, opierając 60% wagi indeksu złożonego na prywatnych lub wydzielonych zbiorach testowych i przebudowując dziewięć ewaluacji składowych. Usunęło trzy z ewaluacji, na których opierały się materiały premierowe StepFun — GDPval-AA, SciCode i AA-LCR — oraz dodało FrontierCode 2.0 i Terminal-Bench-Science. Wynik Step 5 Preview w nowym indeksie to 29. W starym indeksie wynosił 44. To dwa różne pomiary tego samego modelu według dwóch różnych kryteriów, a nie model, który się pogorszył, więc 44 krążące we wrześniu i październiku nie powinno być odejmowane od niczego ocenianego w ramach v5. Dla porównania Kimi K3.1 Pro zmienił wynik z 55 na 46 w ramach tej samej przebudowy — dziewięciopunktowy spadek w modelu, który dopiero co zadebiutował.

Drugie to licencja. Wagi są otwarte w tym sensie, że można je pobrać, ale nie są otwarte w rozumieniu OSI. StepFun Model License 1.0 utrzymuje warunek atrybucji w przypadku istotnie wykorzystanych wyników, wymaga, aby producenci sprzętu — telefony, pojazdy, urządzenia noszone, roboty — negocjowali osobno, oraz wymaga licencji komercyjnej od operatorów model-as-a-service o rocznych przychodach powyżej 20 mln USD. Jeśli jesteś zespołem dwuosobowym, nic z tego cię nie dotknie. Jeśli planujesz odsprzedawać wnioskowanie oparte na tym modelu, dotknie cię natychmiast, dlatego warto to przeczytać przed pierwszą godziną GPU, a nie po niej.

Trzecią kwestią jest już opisana zmiana ceny, która nastąpiła przed wydarzeniem i nie została na nim poruszona.

Co budowniczy powinien wynieść z tego wieczoru

Użytecznym sygnałem z 22 października nie jest to, że StepFun ma nowy model. Chodzi o to, że firma, która we wrześniu wypuściła flagowy produkt, spędziła październikowy wieczór, rozmawiając z twórcami agentów o niezawodności wywołań narzędzi i kosztach serwowania na poziomie jądra, w sali, w której osoby mające ucierpieć z powodu jednego i drugiego siedziały w pierwszych rzędach. To firma, która zachowuje się tak, jakby powodzenie wdrożeń w ciągu najbliższych sześciu miesięcy zależało od zdolności operacyjnej, a nie od kolejnego wyniku w benchmarku.

Konkretna wersja tego: jeśli czekaliście na wagi, zanim zaczęlibyście traktować Step 5 Preview poważnie, czekanie skończyło się 15 października. Jeśli czekaliście na niezależny wynik, który można porównać ze wszystkim innym, ta liczba już istnieje, wynosi 29 i jest mierzona według rubryki oceny, którą właśnie przebudowano od podstaw pod wszystkimi. Jedno i drugie to powody, by wyrobić sobie zdanie teraz, a nie po kolejnej nocy premiery.