Step 5 Preview vs Claude Sonnet 5.5: Tolv indexpoäng, tio gånger uppgiftskostnaden

Step 5 Preview och Claude Sonnet 5.5 är de två modeller som läsare faktiskt väger mot varandra den här månaden: en StepFun-förhandsvisning för $1,00 / $2,70 per miljon tokens som öppnade den 20 september 2026, och $2,00 / $10,00 Claude Sonnet 5.5 som släpptes den 28 september. På den oberoende resultattavlan skiljer de tolv poäng – 44 mot 56 på Artificial Analysis Intelligence Index v4.3.2 – och tolv poäng är en verklig klyfta. Det är inte heller siffran som avgör räkningen. Siffran som avgör räkningen är kostnad per slutförd uppgift, och där står samma tavla på $0,71 för Step 5 Preview mot $7,60 för Claude Sonnet 5.5 vid maximal ansträngning. Tio och en halv gånger pengarna, för tolv poäng. Nästan varje annan rad på de två korten är ett argument om vilken halva av den avvägningen du kan leva med.

De två prislistorna, rad för rad

Allt i det här avsnittet utgörs av varje leverantörs egna publicerade priser, lästa den 9 oktober 2026.

• Indata — Step 5 Preview $1.00 per miljon tokens mot Claude Sonnet 5.5 $2.00 per miljon tokens

• Utdata — $2.70 vs $10.00 per miljon tokens; raden som dominerar båda räkningarna

• Cachad indata – Step 5 Preview anger en fast rabatt på 95 % för indata, vilket ger en cacheträff på ungefär 0,05 USD per miljon tokens jämfört med Claude Sonnet 5.5:s 0,20 USD för cacheläsning

• Cacheskrivning — Claude Sonnet 5.5 publicerar $2,50 per miljon tokens för en cacheskrivning på fem minuter; StepFun har inte publicerat någon taxa för cacheskrivning alls, så den halvan av jämförelsen är tom på ena sidan

• Kontextfönster — 1M tokens på båda korten

• Maximal utdata — Claude Sonnet 5.5 dokumenterar 128 000 tokens (och 300 000 i Message Batches API bakom en beta-header); StepFun har inte publicerat något utdatatak för Step 5 Preview

• Modalitet — båda tar text och bilder och returnerar endast text

• Resonemangsstyrning – Step 5 Preview exponerar utökat tänkande utan publicerade ansträngningsnivåer; Claude Sonnet 5.5 exponerar en ansträngningsstege vars högsta inställningar är precis där dess egen kostnad per uppgift skjuter i höjden

• Vikter — Step 5 Previews BF16-checkpoint är utlovad till 15 oktober 2026 och har inte landat; Claude Sonnet 5.5 är proprietär

Två av de raderna gör mer än rubriken. Cache-raden är där det billiga kortet blir ännu billigare, för 95 % rabatt på en dollar är en cacheread på fem cent och Anthropics är tjugo. Och output-tak-raden går åt andra hållet: en leverantör berättar var dess gräns ligger, den andra annonserar ett fönster på en miljon token utan att säga hur mycket av det som kan komma ut igen.

Varifrån de tolv punkterna faktiskt kommer

Båda siffrorna nedan är från Artificial Analysis, på Intelligence Index v4.3.2, och båda är avlästa från modellens egen sida snarare än från en leverantörstabell.

• Intelligence Index — Claude Sonnet 5.5 56, rankad #3 av 216 mot Step 5 Preview 44, rankad #45 av 200. Två olika klassstorlekar eftersom resultattavlorna renderades vid olika tillfällen; poängen är den jämförbara delen.

• Kostnad per indextask — 7,60 $ mot 0,71 $. Anthropics siffra gäller den konfiguration som styrelsen betecknar "Adaptive Reasoning, Max Effort, Default Fallback", vilket är den dyra änden av den modellens egen stege.

• Utdatatokens som genererades under indexkörningen – 410M vs 160M, jämfört med resultattavlans median på 88M. Båda modellerna är ordrika enligt resultattavlans mått. Den ena är mer än fyra gånger medianen, den andra inte fullt dubbelt så mycket.

• Utdatashastighet — Step 5 Preview ligger på cirka 100 tokens per sekund mot ett genomsnitt på 70. Artificial Analysis hade vid tidpunkten för skrivandet inte publicerat någon siffra för utdatashastighet för Claude Sonnet 5.5, så den raden är ensidig snarare än vunnen.

Lägg ihop de två första raderna, så framträder beslutets form. Tolv indexpoäng skiljer dessa modeller åt; en faktor på tio och en halv skiljer deras kostnad för att köra samma utvärdering åt. Poängen är verkliga — rangordningsgapet placerar den ena bland de tre modeller som styrelsen poängsätter högst och den andra i den övre fjärdedelen — men ett team som betalar 7,60 dollar per uppgift för en svår agentisk arbetsbelastning betalar för eftertanke, och frågan är om deras uppgifter behöver det.

Leverantörstabeller kommer inte att avgöra detta, och här är beviset

Båda labben publicerar en Terminal-Bench 4.0-siffra. Anthropics tillkännagivande av Sonnet 5.5 uppger 70,6 % för den, mot 10,3 % för modellen den ersätter. StepFuns egen publicerade Terminal-Bench 4.0-siffra för Step 5 Preview är 33,3 %. Båda är utförda av leverantören, ingen av dem har reproducerats av någon tredje part, och de skiljer sig 37 punkter åt på en benchmark med samma namn.

Det gapet är inte bevis för att en modell är dubbelt så bra. Det är bevis för att två labb som kör en testram med samma namn på olika konfigurationer, agentstommar och ansträngningsinställningar producerar siffror som inte kan subtraheras från varandra. Detta är det återkommande problemet med jämförelser på lanseringsdagen, och det är anledningen till att varje rad i den här artikeln som kommer från ett labb märks som just det. Där en tredje part har mätt båda modellerna i en och samma testram, använd det. Där så inte är fallet, behandla leverantörens siffra som ett påstående om en avsikt.

Anthropics egen migreringsanteckning från lanseringen av Sonnet 5.5 är värd att ta med in i denna jämförelse, eftersom den gäller alla förhandsvisningsslutpunkter du utvärderar. Leverantörens vägledning var att effort-nivåer kalibrerades om mellan Sonnet 5 och 5.5 och att team bör köra om sin svepning av effort-nivåer i stället för att föra över en inställning. Motsvarande varning gäller här i motsatt riktning: Step 5 Preview är en förhandsvisning, dess serveringskonfiguration rör sig fortfarande, och en inställning som är intrimmad mot den här veckans slutpunkt är inte en inställning du äger.

Båda två pratar för mycket, men olika mycket.

Verbositeten är raden som förvandlar en prislista till en faktura. Step 5 Preview genererade 160 miljoner utdatatokens för att slutföra indexsviten, där medianmodellen på resultattavlan genererar omkring 92 miljoner – ungefär 1,7 gånger medianen. Claude Sonnet 5.5 genererade 410 miljoner, eller cirka 4,7 gånger medianen.

Vid 2,70 USD per miljon uttoken utgör Step 5 Previews ordrikedom en stor andel av ett litet tal. Vid 10,00 USD utgör Claude Sonnet 5.5:s ordrikedom större delen av ett mycket stort tal. Ingen av modellerna är koncis, och ingen av leverantörernas marknadsföring beskriver dem så. Den praktiska konsekvensen är att en mätning av tokens per uppgift på din egen trafik säger dig mer om den verkliga kostnadsskillnaden än prislistorna gör, eftersom prislistorna förutsätter att båda modellerna skriver samma antal ord för samma svar. Det gör de inte.

Cacheraden, uträknad på en riktig loop

Ta en agentloop med ett stabilt prefix på 40 000 token – en systemprompt plus repository-kontext – som skickas på nytt varje tur i trettio turer, där prefixet skrivs en gång och träffas tjugonio gånger. Det är 1,16 miljoner cachade indatatoken per session.

• Claude Sonnet 5.5 — en skrivning för $2,50 per miljon tokens, ungefär $0,10, sedan 1,16M lästa tokens för $0,20 per miljon, ungefär $0,23. Totalt cirka $0,33 per session, före eventuell ny indata eller utdata.

• Step 5 Preview — läsningar till den angivna rabatten på 95 %, alltså cirka 0,05 USD per miljon och ungefär 0,06 USD per session. Skrivdelen är inte kostnadsberäknad eftersom StepFun inte har publicerat någon taxa för cache-skrivning.

På de rader vi faktiskt kan prissätta kostar den cachade trafiken ungefär fem gånger mer på Anthropic-kortet, och förbehållet är att en av de två skrivtaxorna ännu inte finns. Det här är den arbetsbelastning som båda modellerna säljs för, vilket är anledningen till att raden spelar större roll än vad de framhävda rabattprocenterna får den att verka.

Där var och en faktiskt kan kallas

Claude Sonnet 5.5 finns i vår katalog som anthropic/claude-sonnet-5.5, till Claude Sonnet 5.5:s egna 2,00 $ och 10,00 $ med en cacheläsning på 0,20 $, ett kontextfönster på 1 000 000 tokens och maximal utdata på 128K — listpriset förs vidare med 0 % påslag, så en ändring i Anthropics prislista är en ändring i vår samma dag. Step 5 Preview finns inte i den katalogen, och vi tänker inte antyda något annat: den svarar på StepFuns eget API och, tills den utlovade checkpointen är på plats, ingen annanstans alls.

Den asymmetrin har en praktisk användning. Om båda modellerna låg bakom en och samma nyckel med automatisk failover, skulle att flytta en arbetsbelastning från den ena till den andra vara en ändring av modellsträngen och inget annat – vilket är det ärliga skälet att hålla dörren generisk. I nuläget är jämförelsen mellan en modell som du kan anropa via din befintliga väg och en som du måste koppla upp separat, och den andra är en förhandsversion vars serving-flotta fortfarande byggs upp. Att placera obeprövad kapacitet bakom en router med failover till något som redan är kvalificerat är den billiga försäkringen; en primär väg som pekar direkt mot en förhandsversionsslutpunkt är det inte.

Vad skulle ändra denna dom?

Tre saker, alla daterbara. Den första är den 15 oktober 2026, då StepFuns BF16-checkpoint väntas komma. Om licensen tillåter finjustering och vikterna är riktiga, upphör tolvpunktsgapet att vara en fast egenskap hos modellen och blir något ett team kan angripa med sina egna data – varvid det tio gånger billigare kortet blir en mycket mer intressant utgångspunkt. Om checkpointen blir försenad eller licensen är restriktiv, förblir gapet exakt där resultattavlan placerade det.

Det andra är huruvida Anthropics egen lärdom om omkalibrering av ansträngning tillämpas här. Sonnet 5.5:s fördel per uppgift gentemot Sonnet 5 finns vid låg och medelhög ansträngning, inte vid maximal, och det omvända gäller vid max. En köpare av Step 5 Preview som aldrig testar olika ansträngningsnivåer jämför en modell vid dess standardinställning mot en modell vid dess standardinställning, vilket på Anthropics sida inte är där det billiga, högvärdiga arbetet sker.

Den tredje är en riktig oberoende körning av Step 5 Preview vid en konfiguration som är jämförbar med den som Anthropics siffra mäts vid. Tills den finns är 44:an en enda poängsatt konfiguration utan någon stege bredvid sig, och 56:an har en hel ansträngningskurva under sig. Jämförelsen är ärlig som den är skriven; den är ännu inte symmetrisk.

För ett team som bestämmer sig idag istället för den 15:e: om arbetsbelastningen är långkontext, cache-tung och upprepas ofta, gynnar aritmetiken på den här sidan det billiga kortet med en storleksordning och kapacitetsgapet är inträdespriset. Om arbetsbelastningen är svår, kort och bedöms av en människa som kommer att märka skillnaden mellan 44 och 56, är det dyra kortet det som gör jobbet färdigt. Inget av svaren överlever kontakt med en arbetsbelastning som är både och, vilket är vad en router är till för.

listpris som förs vidare med 0 % påslag , så en ändring på Anthropics prislista är en ändring på vår samma dag.

Automatisk redundansväxling på en router är det som gör att en förhandsvisningsslutpunkt kan utvärderas bakom en kvalificerad reservväg i stället för som den primära vägen.