StepFuns lanseringskväll för Step 5 Preview: vad fem utvecklare sade om en modell som släpptes sex veckor tidigare

Det regnade på vägen in, vilket är den enda delen av kvällen i San Francisco den 22 oktober 2026 som StepFun inte kunde kontrollera. Företaget hyrde ett rum, var medarrangör tillsammans med Together AI och fyllde det – omkring 277 personer hade anmält sig på den offentliga evenemangssidan innan dörrarna öppnades – inför det som inbjudan kallade Step 5 Preview Launch Night och som kalendern kallade en torsdag. Modellen som lanserades hade haft ett API sedan den 20 september och nedladdningsbara vikter sedan den 15 oktober. Inget av dessa datum flyttades för festen. Det festen gjorde var att sätta människorna som bygger ovanpå modeller i samma rum som människorna som har tränat den här modellen, och låta dem prata om de delar av arbetet som en benchmark-tabell aldrig fångar.

Panelen var liten och ovanligt specifik: Hongyu Zhou, en forskare inom förträning på StepFun; Dan Fu, som har ansvar för kernels på Together AI; Mar Hershenson från Pear VC; Saoud Rizwan från Cline; och Joey Wang från Harvey. Tillsammans täckte de in de fyra saker som avgör om en modell används – hur den tränades, hur den serveras, om någon kommer att finansiera det som byggs på den, och om en agentloop kan förlita sig på att den inte kollapsar vid steg fyrtio.

Först datumproblemet, eftersom det förklarar hela kvällen

Step 5 Preview är inte nytt. StepFun öppnade det kommersiella API:et den 20 september 2026, och lanseringen kördes i förhandsversionsform från början – step-5-preview är modell-ID:t, inte en beteckning som någon lade till senare. Artificial Analysis daterar lanseringen till "september 2026" utan dag, och dess äldre modellsida angav datumet till 18 september; avvikelsen mot StepFuns eget datum har aldrig förklarats av någon av parterna, och den här artikeln använder StepFuns 20 september med den reservationen.

Datumet som spelade roll den 22 oktober var den 15 oktober. Det var då BF16- och FP8-checkpointarna lades upp på Hugging Face och ModelScope, tillsammans med en teknisk blogg som beskrev en 92-lagers "smal-djup"-stack och ett sparsamt GQA-attentionsmönster som varvar gated sliding-window-lager med sparsamma full-attention-lager. Händelsen var, vid den enklaste tolkningen, en lanseringsnatt för ett släpp av vikter: kvällen då modellen upphörde att vara något man anropar och blev något man också kan köra.

Den tolkningen tål att sägas, eftersom den alternativa – att detta var en ny modell – florerade hela kvällen, och den är fel. Den som gick därifrån med tanken att StepFun släppte en modell i slutet av oktober kommer att vara sex veckor sen med ett beslut som hen redan kunde ha fattat.

Vad rummet faktiskt visades

Det tekniska innehållet var mindre tungt än marknadsföringen, vilket är normalt för detta format. Det StepFun visade på skärmen var modellens uppbyggnad snarare än en ny benchmarkkörning: en gles mixture-of-experts-modell med 600 miljarder parametrar totalt och 27 miljarder aktiva per token, 8 av 352 experter routade plus en delad expert, tre multi-token-prediktionslager för spekulativ avkodning och ett kontextfönster på 1 M token. Den accepterar text, bilder och video och returnerar endast text. Taket för utdata i StepFuns egen dokumentation är 64k token.

Zhou-segmentet var det som kom närmast ett verkligt påstående om varför arkitekturen ser ut så här: en djup stapel av smala lager, med argumentet att djup köper implicit multi-hop-resonemang som en grundare, bredare modell måste lägga tokens på att göra högt. Huruvida det argumentet stämmer är inget som en lanseringskväll kan avgöra. Det är emellertid den typ av påstående som en nedladdningsbar checkpoint låter andra testa, vilket är precis vad som inte var möjligt före den 15 oktober.

Verktygsanrop var ämnet. Benchmarkar var det inte.

Panelens mest användbara del handlade om tillförlitlighet i agentloopar, och den kom från de två personerna i rummet som tillbringar sina dagar inuti dem snarare än att träna modeller. Rizwans produkt Cline är en redigeringsagent som måste fortsätta fungera när en modell returnerar felformaterad JSON vid elfte steget i en uppgift med tjugo steg. Wangs arbetsgivare Harvey driver liknande loopar för juridiskt arbete, där ett felaktigt verktygsanrop inte är en dålig demo utan en händelse som utlöser ansvar.

Det som båda beskrev är ett felmodus som inte syns i ett benchmarkgenomsnitt: modellen som är utmärkt i tio turer och sedan tyst ändrar formen på sina argument. StepFuns publicerade belägg för den dimensionen är deras eget, och det är värt att märka som sådant. På Terminal-Bench 4.0 rapporterar leverantören 33,3 mot 12,6 för Kimi K3; på DeepSWE v1.1, 67,7 mot 67,5. Det är siffror som leverantören själv har kört, med leverantörens val av harness, och särskilt gapet i terminalarbete är stort nog att motivera en oberoende bedömning innan någon planerar en migrering utifrån det. Den oberoende utvärderaren har inte publicerat en harnessmatchad direkt jämförelse för den här modellen, och det index den faktiskt publicerar har sedan dess byggts om – se nedan.

Inferenskostnad, behandlad som ett servingproblem snarare än en prislista.

Fus avsnitt var det som kommer att betyda mest för alla som avser att självhosta, och det var specifikt på ett sätt som lanseringstal vanligtvis inte är. FP8-checkpointen kräver ungefär 773 GB VRAM och minst fyra GPU:er, med B300 som standardmål; Hopper-vägen kräver åtta H200:or eftersom modellen inte får plats på fyra. NVFP4-varianten minskar fotavtrycket till cirka 473 GB och begränsar användbar kontext till 320k tokens, vilket är en verklig avvägning snarare än ett avrundningsfel. Både vLLM och SGLang hade recept ute den 15 oktober, och SGLang-vägen betalar en FlashInfer-kompileringskostnad på omkring femton minuter vid kallstart.

Mot detta är det hyrda alternativet enkelt: $1.00 per miljon indatatokens och $2.70 per miljon utdatatokens på StepFuns dollerkort, med cachad indata fakturerad med 90 % rabatt. StepFuns renminbikort anger ¥7 för indata, ¥20 för utdata och ¥0.70 för cacheträffar – siffran för cacheträffar har fördubblats från ¥0.35 kl. 00:30 pekingtid den 14 oktober, åtta dagar före festen, med en klausul om att tidigare villkor gäller för tidigare användare med betalning per användning. Ingen på scenen nämnde den ändringen. Det är det enskilt mest betydelsefulla prisfaktumet om den här modellen den här månaden, och det står i leverantörens egen dokumentation snarare än i presentationen.

Artificial Analysis uppskattar den sammanvägda kostnaden till 0,54 USD per miljon tokens vid ett cacheträffsförhållande på 7:2:1, och kostnaden för en fullständig Intelligence Index-körning till 2,35 USD.

Huvudfrågan, och det var där kvällen blev ärlig.

Hershensons bidrag var det minst tekniska och det mest användbara: en påminnelse om att anledningen till att bry sig om en billig, öppen modell med lång kontext är att den förändrar vad ett företag i såddskedet kan försöka med. En startup som inte hade haft råd med en frontier-modell i varje steg av en agentloop kan nu ha råd att köra loopen mer än en gång. Wangs version av samma poäng, inifrån en företagsköpare, var att upphandlingsfrågan inte är "är detta den bästa modellen" utan "vad händer med våra kostnader och vår latens om den är dubbelt så bra som vi förväntade oss och vi skickar allt till den".

Det är en routingfråga, och det är den enda platsen där ekonomin för egen drift och API-ekonomin upphör att vara separata diskussioner. OrcaRouters ståndpunkt i frågan är enkel: plattformen har 214 modeller bakom en nyckel och en faktura, med en routingkonfiguration som låter dig ange en primär modell och en reservkedja i stället för att hårdkoda ett modell-ID i en applikation, samt automatisk failover när en leverantör försämras. Step 5 Preview är inte bland dessa 214 – det finns ingen StepFun-post i den aktuella katalogen per den 29 oktober 2026, och ingenting i den här artikeln bör tolkas som ett påstående att vi levererar den. Den som vill utvärdera den i dag väljer mellan StepFuns eget API och att själv hosta de checkpoints som släpptes den 15 oktober.

Vad ändrades egentligen efter att modellen lanserades?

Tre saker, i ordning efter hur mycket de bör påverka ett beslut.

Det första är indexet. Den 27 och 28 oktober ersatte Artificial Analysis sitt Intelligence Index med version 5, med 60 % av sammanvägningen viktad mot privata eller tillbakahållna testset, och byggde om de nio ingående utvärderingarna. Det strök tre av de utvärderingar som StepFuns lanseringsmaterial lutade sig mot – GDPval-AA, SciCode och AA-LCR – och lade till FrontierCode 2.0 och Terminal-Bench-Science. Step 5 Preview får 29 poäng på det nya indexet. Poängen på det gamla var 44. Det är två olika mätningar av samma modell enligt två olika bedömningsmallar, inte en modell som blev sämre, och de 44 som cirkulerade i september och oktober bör inte dras av från något som poängsätts under v5. Kimi K3.1 Pro gick, som jämförelse, från 55 till 46 i samma ombyggnad – ett fall på nio poäng för en modell som just hade lanserats.

Det andra är licensen. Vikterna är öppna i den meningen att du kan ladda ner dem, och de är inte öppna i OSI-mening. StepFun Model License 1.0 behåller ett attributionsvillkor för materiellt använda utdata, kräver att hårdvarutillverkare – telefoner, fordon, bärbara enheter, robotar – förhandlar separat, och kräver en kommersiell licens för model-as-a-service-operatörer med över 20 miljoner dollar i årlig omsättning. Om ni är ett tvåpersonsteam biter inget av det på er. Om du planerar att återförsälja inferens ovanpå det biter det omedelbart, och det är värt att läsa före den första GPU-timmen snarare än efter.

Den tredje är den redan beskrivna prisändringen, som inträffade före evenemanget och inte kom upp där.

Vad en byggare bör ta med sig från kvällen

Den användbara signalen från den 22 oktober är inte att StepFun har en ny modell. Det är att ett företag med ett flaggskepp som det släppte i september tillbringade en kväll i oktober med att prata med agentbyggare om verktygsanropspålitlighet och kostnader för servering på kernelnivå, i ett rum där de som skulle drabbas av båda satt på de främsta raderna. Det är ett företag som beter sig som om de kommande sex månadernas adoption beror på operabilitet snarare än på ännu en benchmarkrad.

Den konkreta versionen av det: om du väntade på vikter innan du skulle ta Step 5 Preview seriöst, slutade väntan den 15 oktober. Om du väntade på ett oberoende resultat som du kan jämföra med allt annat, finns siffran nu, den är 29, och den är mätt enligt en bedömningsram som just har byggts om under allas fötter. Båda dessa är skäl att bilda sig en uppfattning nu snarare än efter nästa lanseringsnatt.