Step 5 Preview vs Nex N2.5 Pro: одно число можно проверить, а другое — нет

Число, которое называют для Nex N2.5 Pro — 82,7, его заявленная производителем оценка на Terminal-Bench 2.1. Число, которое называют для Step 5 Preview на одноимённом бенчмарке — 33%. Эти две цифры несопоставимы, и то, что их регулярно ставят рядом, — самое наглядное свидетельство проблемы, присущей этому сравнению: одну модель измерил кто-то, кроме её создателя, а другую вообще никто другой не измерял. Step 5 Preview стал доступен на API StepFun 20 сентября 2026 года и опубликовал свои веса 15 октября. Nex N2.5 Pro был анонсирован 8 сентября и опубликовал свои чекпоинты Apache-2.0 на Hugging Face в течение нескольких дней после анонса. Обе модели доступны для скачивания. Только одну можно оценить извне.

Эта асимметрия не является упрёком инженерному уровню Nex N2.5 Pro. Это утверждение о доказательной базе, а закупочные решения опираются именно на доказательства.

Что теперь представляет собой Nex N2.5 Pro, когда веса уже выложены

Многие публикации до сих пор описывают Nex N2.5 Pro как модель, чьи веса «скоро появятся», потому что именно так было указано в её карточке в первую неделю сентября. Чекпойнты находятся в открытом доступе с середины сентября: модель mixture-of-experts с 397 млрд параметров и примерно 17 млрд активных на токен, прошедшая посттренировку на базе линейки Qwen 3.5, под лицензией Apache-2.0. Любой, кто называет её невыпущенной, опирается на устаревшую страницу.

Неизменной осталась ситуация с измерениями. Показатели бенчмарков поставщика — 82,7 в Terminal-Bench 2.1, 61,2 в SWE-bench Pro, 89,7 в BrowseComp, 87,4 в OSWorld-G — были получены с помощью NexCUA, собственного испытательного стенда альянса для работы с компьютером, который, по словам альянса, планируется открыть, но пока не открыт. Ни один независимый оценщик не опубликовал страницу с оценкой этой модели. Это отсутствие не является случайностью момента; это пробел, сохраняющийся на протяжении всего периода, в течение которого веса доступны для скачивания.

Сравнение, которое можно провести

Всё ниже взято из опубликованных источников, а не из общего прогона, и в каждой строке указано, откуда взята эта цифра. Это честный потолок для данной пары.

• Параметры — предварительный просмотр шага 5: всего 600B, активных 27B. Nex N2.5 Pro: всего 397B, активных ~17B.

• Контекст — Step 5 Preview: 1 млн токенов. Nex N2.5 Pro: 262 144 токена, с документированным пределом вывода около 236 тыс.

• Модальность — Step 5 Preview: текст, изображение и видео на входе, текст на выходе. Nex N2.5 Pro: текст и изображение на входе, текст на выходе, при этом визуальное восприятие позиционируется как канал обратной связи при работе с компьютером.

• Управление рассуждениями — предварительный просмотр шага 5: размышления всегда включены, но есть регулятор уровня усилий: низкий/средний/высокий. Nex N2.5 Pro: уровни «нет», «средний» (адаптивный, по умолчанию) и «высокий», поэтому рассуждения можно полностью отключить.

• Веса — Step 5 Preview: BF16 и FP8 на условиях лицензии StepFun Model License 1.0. Nex N2.5 Pro: Apache-2.0.

• Цена — Step 5 Preview: $1,00 за вход, $2,70 за выход, $0,10 за кэшированные токены на миллион по тарифной карте StepFun. Nex N2.5 Pro: бесплатный хостинговый тариф, при этом вендор не публикует прейскурантную цену.

Строка лицензии — единственное место, где Nex N2.5 Pro однозначно проще. Apache-2.0 — известная величина для любой юридической команды; лицензия StepFun содержит коммерческие пороги, требующие моделирования. Со строкой контекста ситуация обратная, и разница почти четырёхкратная — это существенно, если ваш агент читает целые репозитории или наборы документов.

Сравнение, которое невозможно провести

Чтобы поместить эти два на одну ось, потребовались бы три вещи, и ни одной из них не существует.

Во-первых, общая версия бенчмарка. Terminal-Bench 2.1 и Terminal-Bench 4.0 — это разные тесты с разными наборами задач и разной системой оценки, и результат на одном ничего не говорит о другом. Показатель 82,7 относится к 2.1; показатель 33% — к 4.0. Любой, кто представляет их как прямое сравнение, сравнивает время спринта с отрезком марафона.

Во-вторых, общая среда тестирования. Показатели Step 5 Preview взяты из опубликованного индекса, который прогоняет фиксированный набор тестов для каждой указанной в нём модели. Показатели Nex N2.5 Pro получены с помощью программного обеспечения, которое написал сам его поставщик и не выпустил в открытый доступ. Даже если бы названия бенчмарков совпадали, обвязка для их проведения — нет.

В-третьих, независимая оценка любого рода. На платформах оценщиков, публикующих индекс интеллекта, нет страницы для Nex N2.5 Pro. Мы проверили это напрямую, а не сделали вывод из отсутствующего результата поиска, и сегодняшний ответ тот же, что и в сентябре: ничего.

То, что можно сказать, не выходя за рамки, — это более узкое, но всё же полезное утверждение: Nex N2.5 Pro заявляет о высокой агентной производительности в бенчмарках, где независимо измеренные результаты Step 5 Preview находятся в середине таблицы. Это повод проверить его, а не повод в него верить.

Чего на самом деле стоит бесплатный эндпоинт

Хостинговый тариф Nex N2.5 Pro ничего не стоит, что превращает сравнение цен в сравнение рисков. Опубликованного прейскуранта нет, поэтому нет ничего, с чем можно было бы сопоставлять модель, и нет сигнала о том, сколько, по мнению поставщика, стоит модель. В сторонних каталогах указываются цены в низких десятках центов за миллион входных токенов в зависимости от хоста, и они противоречат друг другу настолько сильно, что ни одну из них не следует считать позицией поставщика.

Бесплатный вариант тоже имеет издержки доступности. Трекеры, следящие за бесплатным эндпоинтом, сообщают о нестабильной доступности — стороннее наблюдение, а не данные поставщика, и нечто такое, что ничего не значит для прототипа и делает непригодным для продакшн-пути. Модель, на которую нельзя положиться, не дешёвая; это неоценённый риск с нулём в счёте.

В противовес этому, смешанная ставка Step 5 Preview в $0.54 и $2.35 за выполненную задачу индексации дороги в абсолютном выражении и при этом полностью прозрачны. Счёт можно прогнозировать по опубликованному прайс-листу. Нельзя прогнозировать его по бесплатному тарифу, условия которого нигде не прописаны.

Запись Step 5 Preview отличается, но не лучше.

Стоит быть точными в том, что у Step 5 Preview действительно есть, поскольку формулировка «у него есть оценка» преуменьшает различие, а «он лучше» — преувеличивает его. Step 5 Preview набирает 29 баллов в текущей версии Artificial Analysis Intelligence Index — не 44, которые цитировались в публикациях о запуске, поскольку та версия индекса с тех пор была заменена. В своём классе сравнения он занимает шестое место из семнадцати, работает со скоростью 179 выходных токенов в секунду и стоит $2.35 за одну задачу индекса. Эти показатели получены в рамках одного прогона, воспроизводимы и получены оценщиком, не имеющим коммерческой заинтересованности в результате.

Что это вам даёт — это базовую точку отсчёта. Вы знаете, где модель находится относительно пятидесяти с лишним других, измеренных тем же способом, а значит, можете принять предварительное решение, не арендуя GPU. Чего это вам не даёт — так это гарантии, что Step 5 Preview превзойдёт Nex N2.5 Pro на вашей рабочей нагрузке. В области программирования и автоматизации независимые результаты Step 5 Preview ничем не примечательны — 12% на FrontierCode 2.0, 33% на Terminal-Bench 4.0, — а модель с сильным неопубликованным заявлением об агентных возможностях — это как раз тот тип модели, который способен побить эти показатели. Смысл в том, что вы будете выяснять это самостоятельно, а не читать с карточки.

Кому принадлежит каждый

Nex N2.5 Pro — это выбор команд, которые создают агентов для работы с компьютером и браузерных агентов, готовы провести собственную оценку, прежде чем на что-то решаться, и для которых важны лицензия Apache-2.0 и 17B активных параметров, умещающихся на скромном оборудовании. Бесплатный эндпоинт удешевляет пробное использование; отсутствие каталожной цены усложняет решение о выводе в продакшен. Воспринимайте вендорские бенчмарки как гипотезу с правдоподобным механизмом за ней — MoE из линейки Qwen, дообучённая на задачах чтения экрана, — а не как результат.

Step 5 Preview предназначен для команд, чья рабочая нагрузка требует длинного контекста и больших объёмов знаний и которым нужна цена, которую можно прогнозировать. Это более дорогой и более понятный вариант, а его лицензия поднимает вопрос в очень крупном масштабе, чего не делает лицензия Nex.

Ни того, ни другого сегодня нет в каталоге OrcaRouter, поэтому эта статья не может подсказать вам более дешёвый эндпоинт ни для одного из них. Что платформа действительно предлагает при таком решении — это остальной стек под одним ключом: более 200 моделей по цене из прайс-листа провайдера без наценки, поэтому изменение тарифа у вендора доходит до вас в тот же день, и автоматическое переключение при сбое, чтобы модель, которую вы всё ещё тестируете, никогда не стала единой точкой отказа. Рабочая схема для непроверенной модели — направлять на неё небольшую долю реального трафика при наличии проверенного резервного варианта, измерять результаты и только затем увеличивать эту долю. Это дешевле, чем сравнительное тестирование по бенчмаркам, и гораздо информативнее, чем карточка от вендора.

Если вам нужен ответ сегодня, Step 5 Preview — это тот вариант, который вы сможете обосновать на проектном совещании, потому что каждое число, связанное с ним, может проверить кто-то из присутствующих. Если вы создаёте агента, работающего с компьютером, и можете взять на себя работу по оценке, Nex N2.5 Pro — более интересная ставка: дешевле попробовать, сложнее защитить и по-настоящему не измерен. Ошибка, которой следует избежать, — считать 82.7 фактом, а $1.00 недостатком, не замечая, что только у одного из этих двух чисел есть второй источник.