Noite de lançamento do Step 5 Preview da StepFun: o que cinco desenvolvedores disseram sobre um modelo lançado seis semanas antes

Choveu no caminho para o evento, a única parte da noite em São Francisco, em 22 de outubro de 2026, que a StepFun não conseguiu controlar. A empresa alugou um espaço, co-organizou o evento com a Together AI e o lotou — cerca de 277 pessoas tinham se inscrito na página pública do evento antes de as portas abrirem — para o que o convite chamava de Step 5 Preview Launch Night e o que o calendário chamava de quinta-feira. O modelo que estava sendo lançado já tinha uma API desde 20 de setembro e pesos disponíveis para download desde 15 de outubro. Nenhuma dessas datas mudou por causa da festa. O que a festa fez foi colocar na mesma sala as pessoas que constroem em cima de modelos e as pessoas que treinaram este modelo, e deixá-las conversar sobre as partes do trabalho que uma tabela de benchmarks nunca captura.

O painel era pequeno e incomumente específico: Hongyu Zhou, pesquisador de pré-treinamento na StepFun; Dan Fu, que administra kernels na Together AI; Mar Hershenson, da Pear VC; Saoud Rizwan, da Cline; e Joey Wang, da Harvey. Entre eles, cobriram as quatro coisas que decidem se um modelo será usado — como foi treinado, como é servido, se alguém financiará o que for construído sobre ele, e se um loop de agente pode contar com ele para não falhar no passo quarenta.

Primeiro, o problema da data, porque explica toda a noite

O Step 5 Preview não é novidade. A StepFun abriu a API comercial em 20 de setembro de 2026, e o lançamento correu em formato de pré-visualização desde o início — step-5-preview é o ID do modelo, não um modificador que alguém acrescentou depois. A Artificial Analysis data o lançamento em "setembro de 2026", sem dia específico, e a sua página mais antiga do modelo indicava a data de 18 de setembro; a discrepância em relação à data da própria StepFun nunca foi explicada por nenhuma das partes, e este artigo adota a data de 20 de setembro da StepFun com essa ressalva anexada.

A data que importava em 22 de outubro era 15 de outubro. Foi quando os checkpoints BF16 e FP8 foram publicados no Hugging Face e no ModelScope, ao lado de um blog técnico que descrevia uma pilha “estreita e profunda” de 92 camadas e um padrão de atenção GQA esparso que intercala camadas de janela deslizante com portões e camadas esparsas de atenção total. O evento foi, na leitura mais simples, uma noite de lançamento de uma versão de pesos: a noite em que o modelo deixou de ser algo que você chama e passou a ser algo que você também pode executar.

Essa interpretação merece ser dita, porque a alternativa — de que este era um novo modelo — pairou no ar a noite inteira, e está errada. Quem ficou com a impressão de que a StepFun lançou um modelo no final de outubro chegará seis semanas atrasado a uma decisão que já poderia ter tomado.

O que o quarto realmente mostrou

O conteúdo técnico foi mais leve que o marketing, o que é normal para esse formato. O que a StepFun exibiu na tela foi o formato do modelo, e não uma nova rodada de benchmarks: uma mistura esparsa de especialistas com 600 bilhões de parâmetros totais e 27 bilhões ativos por token, 8 de 352 especialistas roteados mais um especialista compartilhado, três camadas de previsão multi-token para decodificação especulativa e uma janela de contexto de 1M de tokens. Ele aceita texto, imagens e vídeo e retorna apenas texto. O limite de saída na própria documentação da StepFun é de 64k tokens.

O trecho de Zhou foi o que chegou mais perto de uma afirmação real sobre por que a arquitetura é assim: uma pilha profunda de camadas estreitas, com o argumento de que a profundidade proporciona raciocínio implícito de múltiplos saltos que um modelo mais raso e mais largo precisa gastar tokens para fazer explicitamente. Se esse argumento está correto não é algo que uma noite de lançamento possa resolver. É, porém, o tipo de afirmação que um checkpoint disponível para download permite que outras pessoas testem, que é exatamente o que não era possível antes de 15 de outubro.

Chamada de ferramentas era o tema. Benchmarks não eram.

A parte mais útil do painel foi sobre confiabilidade em loops de agentes, e veio das duas pessoas na sala que passam seus dias dentro deles, em vez de treinar modelos. O produto de Rizwan, Cline, é um agente de editor que precisa continuar funcionando quando um modelo retorna JSON malformado no décimo primeiro passo de uma tarefa de vinte passos. A empregadora de Wang, Harvey, executa loops semelhantes para trabalho jurídico, onde uma chamada de ferramenta errada não é uma demonstração ruim, mas um evento de responsabilidade.

O que ambos descreveram é um modo de falha que não aparece na média de um benchmark: o modelo que é excelente por dez turnos e então altera silenciosamente a forma dos seus argumentos. A evidência publicada da StepFun para essa dimensão é dela própria, e vale rotulá-la como tal. No Terminal-Bench 4.0, o fornecedor relata 33,3 contra 12,6 do Kimi K3; no DeepSWE v1.1, 67,7 contra 67,5. São números executados pelo fornecedor no harness escolhido pelo fornecedor, e a lacuna no trabalho de terminal em particular é grande o suficiente para merecer uma segunda opinião antes que alguém planeje uma migração com base nisso. O avaliador independente não publicou uma comparação direta com harness correspondente para este modelo, e o índice que ele de fato publica foi reconstruído desde então — veja abaixo.

Custo de inferência, discutido como um problema de serving em vez de uma lista de preços

O segmento de Fu foi o que mais importará para qualquer pessoa que pretenda fazer self-host, e foi específico de uma forma que as palestras de lançamento normalmente não são. O checkpoint FP8 precisa de cerca de 773 GB de VRAM e de no mínimo quatro GPUs, com o B300 como alvo padrão; o caminho Hopper precisa de oito H200s porque o modelo não cabe em quatro. A variante NVFP4 reduz o footprint para cerca de 473 GB e limita o contexto utilizável a 320 mil tokens, o que é uma troca real, e não um erro de arredondamento. O vLLM e o SGLang tinham receitas disponíveis em 15 de outubro, e o caminho SGLang paga um custo de compilação do FlashInfer de cerca de quinze minutos em uma inicialização a frio.

Em contrapartida, a alternativa alugada é simples: US$ 1,00 por milhão de tokens de entrada e US$ 2,70 por milhão de tokens de saída no cartão em dólar da StepFun, com entrada em cache cobrada com 90% de desconto. O cartão em renminbi da StepFun indica ¥7 de entrada, ¥20 de saída e ¥0,70 para acertos de cache — tendo o valor de acerto de cache dobrado de ¥0,35 às 00h30 no horário de Pequim, em 14 de outubro, oito dias antes da festa, com uma cláusula de direito adquirido para clientes anteriores de pagamento conforme o uso. Ninguém no palco mencionou essa mudança. É o fato de precificação de maior impacto sobre este modelo neste mês, e está na própria documentação do fornecedor, e não na apresentação.

A Artificial Analysis estima o custo combinado em US$ 0,54 por milhão de tokens, com uma proporção de acertos de cache de sete para dois para um, e o custo de uma execução completa do Intelligence Index em US$ 2,35.

A questão capital, que foi o ponto em que a noite ficou honesta

A contribuição de Hershenson foi a menos técnica e a mais útil: um lembrete de que a razão para se importar com um modelo barato, aberto e de contexto longo é que ele muda o que uma empresa em estágio seed pode tentar. Uma startup que não teria condições de pagar por um modelo de fronteira em cada etapa de um loop de agente agora pode se dar ao luxo de executar o loop mais de uma vez. A versão de Wang do mesmo ponto, de dentro de um comprador corporativo, era que a questão de compras não é "este é o melhor modelo" mas "o que acontece com nossos custos e nossa latência se ele for duas vezes melhor do que esperávamos e encaminharmos tudo para ele".

Essa é uma questão de roteamento, e é o único ponto em que a economia da auto-hospedagem e a economia de API deixam de ser conversas separadas. A posição da OrcaRouter sobre isso é direta: a plataforma oferece 214 modelos por trás de uma única chave e uma única fatura, com uma configuração de roteamento que permite declarar um primário e uma cadeia de fallback em vez de codificar fixamente um ID de modelo em uma aplicação, e failover automático quando um provedor degrada. O Step 5 Preview não está entre esses 214 — não há entrada da StepFun no catálogo ativo em 29 de outubro de 2026, e nada neste artigo deve ser interpretado como uma alegação de que o servimos. Qualquer pessoa que queira avaliá-lo hoje está escolhendo entre a própria API da StepFun e a auto-hospedagem dos checkpoints que chegaram em 15 de outubro.

O que realmente mudou depois que o modelo foi lançado

Três coisas, em ordem de quanto deveriam influenciar uma decisão.

O primeiro é o índice. Em 27 e 28 de outubro, a Artificial Analysis substituiu seu Intelligence Index pela versão 5, atribuindo 60% do composto a conjuntos de teste privados ou mantidos fora do escopo (held-out) e reconstruindo as nove avaliações constituintes. Ela retirou três das avaliações nas quais o material de lançamento da StepFun se apoiava — GDPval-AA, SciCode e AA-LCR — e adicionou FrontierCode 2.0 e Terminal-Bench-Science. A pontuação do Step 5 Preview no novo índice é 29. Sua pontuação no antigo era 44. São duas medições diferentes do mesmo modelo em duas rubricas diferentes, e não um modelo que piorou, e o 44 que circulou em setembro e outubro não deve ser subtraído de nada que tenha sido pontuado segundo a v5. O Kimi K3.1 Pro, para comparação, passou de 55 para 46 na mesma reconstrução — uma queda de nove pontos em um modelo que acabara de ser lançado.

O segundo é a licença. Os pesos são abertos no sentido de que você pode baixá-los, e não são abertos no sentido da OSI. A StepFun Model License 1.0 mantém uma condição de atribuição sobre resultados materialmente utilizados, exige que fabricantes de hardware — celulares, veículos, dispositivos vestíveis, robôs — negociem separadamente, e exige uma licença comercial para operadores de modelo-como-serviço com receita anual acima de US$ 20 milhões. Se você é uma equipe de duas pessoas, nada disso te afeta. Se você planeja revender inferência em cima disso, isso te afeta imediatamente, e vale a pena ler antes da primeira hora de GPU, em vez de depois.

A terceira é a mudança de preço já descrita, que aconteceu antes do evento e não foi mencionada nele.

O que um construtor deve tirar da noite

O sinal útil de 22 de outubro não é que a StepFun tenha um novo modelo. É que uma empresa com um modelo carro-chefe lançado em setembro passou uma noite de outubro conversando com criadores de agentes sobre confiabilidade de chamadas de ferramentas e custos de serving em nível de kernel, numa sala onde as pessoas que sofreriam com ambos estavam sentadas nas primeiras fileiras. Isso é uma empresa se comportando como se os próximos seis meses de adoção dependessem da operabilidade, e não de mais uma linha de benchmark.

A versão concreta disso: se você estava esperando pelos pesos antes de levar o Step 5 Preview a sério, a espera terminou em 15 de outubro. Se você estava esperando por uma pontuação independente que pudesse comparar com todo o resto, o número agora existe, é 29, e é medido segundo uma rubrica que acaba de ser reconstruída sob os pés de todos. Essas duas coisas são motivos para formar uma opinião agora, e não depois da próxima noite de lançamento.