งานเปิดตัว Step 5 Preview ของ StepFun: สิ่งที่ผู้พัฒนาห้าคนพูดเกี่ยวกับโมเดลที่วางจำหน่ายไปแล้วเมื่อหกสัปดาห์ก่อน

ฝนตกระหว่างทางเข้างาน ซึ่งเป็นสิ่งเดียวในค่ำคืนนั้นในซานฟรานซิสโกเมื่อวันที่ 22 ตุลาคม 2026 ที่ StepFun ควบคุมไม่ได้ บริษัทเช่าห้องแห่งหนึ่ง ร่วมเป็นเจ้าภาพกับ Together AI และทำให้ห้องเต็ม — มีคนราว 277 คนลงทะเบียนบนหน้าอีเวนต์สาธารณะก่อนเปิดประตู — สำหรับงานที่คำเชิญเรียกว่า Step 5 Preview Launch Night และที่ปฏิทินเรียกว่าวันพฤหัสบดี โมเดลที่เปิดตัวมี API มาตั้งแต่วันที่ 20 กันยายน และมีเวตที่ดาวน์โหลดได้ตั้งแต่วันที่ 15 ตุลาคม ทั้งสองวันนั้นไม่มีการเลื่อนเพื่องานปาร์ตี้ สิ่งที่งานปาร์ตี้ทำคือนำคนที่สร้างบนฐานของโมเดลมาอยู่ในห้องเดียวกันกับคนที่ฝึกโมเดลนี้ และปล่อยให้พวกเขาพูดคุยเกี่ยวกับส่วนต่าง ๆ ของงานที่ตาราง benchmark ไม่เคยถ่ายทอดได้

คณะเสวนามีขนาดเล็กและเจาะจงอย่างผิดปกติ โดยมี หงอวี๋ โจว นักวิจัยด้านการพรีเทรนจาก StepFun; แดน ฟู่ ผู้ดูแลเคอร์เนลที่ Together AI; มาร์ เฮอร์เชนสัน จาก Pear VC; ซาอูด ริซวาน จาก Cline; และโจอี้ หวัง จาก Harvey ทั้งหมดนี้ครอบคลุมสี่สิ่งที่เป็นตัวตัดสินว่าโมเดลจะถูกนำไปใช้หรือไม่ ได้แก่ วิธีที่มันถูกฝึก วิธีที่มันถูกให้บริการ ว่าจะมีใครให้ทุนกับสิ่งที่สร้างขึ้นบนมันหรือไม่ และว่าลูปของเอเจนต์จะพึ่งพามันให้ไม่ล้มเหลวในขั้นตอนที่สี่สิบได้หรือไม่

อย่างแรก ปัญหาเรื่องเดต เพราะมันอธิบายเย็นนั้นทั้งหมด

Step 5 Preview ไม่ใช่ของใหม่ StepFun เปิด API เชิงพาณิชย์เมื่อวันที่ 20 กันยายน 2026 และการเปิดตัวก็อยู่ในรูปแบบพรีวิวตั้งแต่แรก — step-5-preview คือ ID ของโมเดล ไม่ใช่คำขยายที่ใครเพิ่มเข้ามาทีหลัง Artificial Analysis ระบุวันที่เปิดตัวว่า "กันยายน 2026" โดยไม่มีวัน และหน้าโมเดลเวอร์ชันเก่าของมันระบุวันที่เป็น 18 กันยายน; ความคลาดเคลื่อนกับวันที่ของ StepFun เองไม่เคยถูกอธิบายโดยฝ่ายใดเลย และบทความนี้ใช้ 20 กันยายนตาม StepFun พร้อมแนบข้อแม้นั้นไว้

วันที่ซึ่งมีความสำคัญจริง ๆ ของวันที่ 22 ตุลาคม คือวันที่ 15 ตุลาคม นั่นคือเวลาที่เช็กพอยต์ BF16 และ FP8 ถูกอัปโหลดขึ้นบน Hugging Face และ ModelScope พร้อมกับบล็อกทางเทคนิคที่อธิบายสแตก "แคบ-ลึก" จำนวน 92 ชั้น และรูปแบบแอตเทนชัน GQA แบบสแปร์ที่สลับชั้น sliding-window แบบ gated กับชั้น full-attention แบบสแปร์ เหตุการณ์นี้หากอ่านตามความหมายตรงที่สุดคือคืนเปิดตัวสำหรับการปล่อยเวต: เย็นวันที่โมเดลเลิกเป็นเพียงสิ่งที่คุณเรียกใช้ และกลายเป็นสิ่งที่คุณรันเองได้ด้วย

การตีความนั้นควรค่าแก่การพูดให้ชัด เพราะการตีความอีกแบบหนึ่ง — ที่ว่านี่คือโมเดลใหม่ — ถูกพูดถึงกันตลอดทั้งเย็น และมันผิด ใครก็ตามที่จากไปโดยคิดว่า StepFun เปิดตัวโมเดลในช่วงปลายเดือนตุลาคม จะตัดสินใจช้ากว่าที่ควรไปหกสัปดาห์ ทั้งที่พวกเขาสามารถตัดสินใจได้อยู่แล้ว

สิ่งที่ห้องนั้นได้เห็นจริง ๆ

เนื้อหาทางเทคนิคเบากว่าส่วนการตลาด ซึ่งเป็นเรื่องปกติสำหรับรูปแบบนี้ สิ่งที่ StepFun นำขึ้นบนหน้าจอคือโครงสร้างของโมเดลมากกว่าการรัน benchmark ใหม่: mixture of experts แบบ sparse ที่มีพารามิเตอร์รวม 600 พันล้านตัว และพารามิเตอร์ที่ใช้งานต่อโทเคน 27 พันล้านตัว มีการกำหนดเส้นทางไปยังผู้เชี่ยวชาญ 8 จาก 352 ราย บวกกับผู้เชี่ยวชาญที่แชร์ร่วมหนึ่งราย มีเลเยอร์ multi-token prediction สามเลเยอร์สำหรับ speculative decoding และมีหน้าต่างบริบท 1M โทเคน โดยรับข้อความ รูปภาพ และวิดีโอ และส่งคืนเฉพาะข้อความเท่านั้น เพดานเอาต์พุตในเอกสารของ StepFun เองคือ 64k โทเคน

ท่อนของ Zhou เป็นท่อนที่เข้าใกล้ข้อกล่าวอ้างที่แท้จริงที่สุดเกี่ยวกับเหตุผลที่สถาปัตยกรรมมีหน้าตาเช่นนี้: การซ้อนชั้นแคบ ๆ ลงไปเป็นชั้นลึก ๆ โดยอ้างเหตุผลว่าความลึกนั้นนำมาซึ่งการให้เหตุผลแบบหลายขั้นโดยนัย ซึ่งโมเดลที่ตื้นกว่าและกว้างกว่าจำต้องใช้โทเค็นเพื่อทำออกมาดัง ๆ ว่าข้อโต้แย้งนั้นถูกต้องหรือไม่ ไม่ใช่สิ่งที่คืนวันเปิดตัวจะตัดสินได้ อย่างไรก็ตาม มันเป็นข้อกล่าวอ้างประเภทที่เช็กพอยต์ซึ่งดาวน์โหลดได้เปิดโอกาสให้ผู้อื่นทดสอบได้ ซึ่งเป็นสิ่งที่ทำไม่ได้ก่อนวันที่ 15 ตุลาคมพอดี

การเรียกใช้เครื่องมือเป็นหัวข้อ แต่เบนช์มาร์กไม่ใช่

ช่วงที่มีประโยชน์ที่สุดของการเสวนาครั้งนี้ว่าด้วยความน่าเชื่อถือในลูปของเอเจนต์ และมันมาจากคนสองคนในห้องที่ใช้เวลาทั้งวันอยู่กับลูปเหล่านี้ มากกว่าการฝึกโมเดล ผลิตภัณฑ์ของ Rizwan อย่าง Cline เป็นเอเจนต์สำหรับเอดิเตอร์ที่ต้องทำงานต่อไปให้ได้แม้โมเดลจะส่ง JSON ที่ผิดรูปแบบกลับมาในขั้นตอนที่สิบเอ็ดของงานที่มียี่สิบขั้นตอน ส่วน Harvey ซึ่งเป็นนายจ้างของ Wang ก็รันลูปในลักษณะเดียวกันสำหรับงานด้านกฎหมาย ซึ่งการเรียกใช้เครื่องมือผิดพลาดไม่ใช่แค่เดโมที่แย่ แต่เป็นเหตุการณ์ที่ก่อให้เกิดความรับผิด

สิ่งที่ทั้งสองอธิบายไว้คือโหมดความล้มเหลวแบบหนึ่งที่ไม่ปรากฏในค่าเฉลี่ยของ benchmark: โมเดลที่ทำได้ดีเยี่ยมถึงสิบเทิร์น แล้วจู่ ๆ ก็เปลี่ยนรูปร่างของอาร์กิวเมนต์ของมันอย่างเงียบ ๆ หลักฐานที่ StepFun เผยแพร่สำหรับมิตินั้นเป็นข้อมูลของผู้ขายเอง และควรติดป้ายกำกับให้ชัดว่าเป็นเช่นนั้น บน Terminal-Bench 4.0 ผู้ขายรายงานว่าได้ 33.3 เทียบกับ 12.6 สำหรับ Kimi K3; บน DeepSWE v1.1 ได้ 67.7 เทียบกับ 67.5 ตัวเลขเหล่านั้นเป็นการรันโดยผู้ขายบนฮาร์เนสที่ผู้ขายเลือกเอง และช่องว่างในงานเทอร์มินัลโดยเฉพาะนั้นใหญ่พอที่จะสมควรได้รับการความเห็นที่สองก่อนที่ใครจะวางแผนย้ายระบบโดยอิงจากมัน ผู้ประเมินอิสระยังไม่ได้เผยแพร่การเปรียบเทียบแบบตัวต่อตัวที่จับคู่ฮาร์เนสสำหรับโมเดลนี้ และดัชนีที่ผู้ประเมินเผยแพร่ก็ถูกสร้างใหม่ตั้งแต่ตอนนั้น — ดูด้านล่าง

ต้นทุนการอนุมาน ซึ่งถูกพูดถึงในฐานะปัญหาของการให้บริการ มากกว่าที่จะเป็นรายการราคา

ส่วนของ Fu เป็นส่วนที่จะสำคัญที่สุดสำหรับใครก็ตามที่ตั้งใจจะโฮสต์เอง และมันเจาะจงในแบบที่การบรรยายเปิดตัวมักไม่ค่อยเป็นกัน checkpoint FP8 ต้องใช้ VRAM ประมาณ 773 GB และต้องมี GPU ขั้นต่ำสี่ตัว โดยมี B300 เป็นเป้าหมายเริ่มต้น ส่วนเส้นทาง Hopper ต้องใช้ H200 แปดตัว เพราะโมเดลไม่พอดีกับสี่ตัว ตัวแปร NVFP4 ลดพื้นที่ใช้งานลงเหลือประมาณ 473 GB และจำกัด context ที่ใช้งานได้ไว้ที่ 320k tokens ซึ่งเป็นการแลกเปลี่ยนจริง ไม่ใช่แค่ความคลาดเคลื่อนจากการปัดเศษ vLLM และ SGLang ต่างมีสูตรการตั้งค่าเผยแพร่ออกมาทั้งคู่เมื่อวันที่ 15 ตุลาคม และเส้นทาง SGLang มีต้นทุนการคอมไพล์ FlashInfer ประมาณสิบห้านาทีเมื่อเริ่มแบบ cold start

เมื่อเทียบกันแล้ว ทางเลือกแบบเช่านั้นเรียบง่ายกว่า: $1.00 ต่อล้านโทเค็นอินพุต และ $2.70 ต่อล้านโทเค็นเอาต์พุตบนบัตรราคาดอลลาร์ของ StepFun โดยอินพุตที่แคชไว้คิดราคาแบบลด 90% ส่วนบัตรราคาหยวนของ StepFun ระบุไว้ที่ ¥7 สำหรับอินพุต ¥20 สำหรับเอาต์พุต และ ¥0.70 สำหรับการเรียกใช้จากแคช — โดยตัวเลขแคชฮิตนั้นเพิ่มขึ้นเป็นสองเท่าจาก ¥0.35 เมื่อเวลา 00:30 น. ตามเวลาปักกิ่ง วันที่ 14 ตุลาคม ซึ่งเป็นแปดวันก่อนปาร์ตี้ พร้อมข้อกำหนดคุ้มครองผู้ใช้เดิมสำหรับผู้เรียกใช้บริการแบบจ่ายตามการใช้งานรายก่อนหน้า ไม่มีใครบนเวทีพูดถึงการเปลี่ยนแปลงนั้นเลย มันเป็นข้อเท็จจริงด้านราคาที่สำคัญที่สุดเพียงข้อเดียวเกี่ยวกับโมเดลนี้ในเดือนนี้ และมันอยู่ในเอกสารของเจ้าของผลิตภัณฑ์เอง ไม่ใช่ในชุดสไลด์นำเสนอ

Artificial Analysis ระบุว่าต้นทุนผสมอยู่ที่ $0.54 ต่อหนึ่งล้านโทเค็น ที่อัตราส่วนแคชฮิต 7 ต่อ 2 ต่อ 1 และต้นทุนของการรัน Intelligence Index แบบเต็มอยู่ที่ $2.35

คำถามสำคัญ ซึ่งเป็นจุดที่ค่ำคืนนั้นเริ่มจริงใจ

ผลงานของ Hershenson เป็นสิ่งที่เน้นเทคนิคน้อยที่สุดและมีประโยชน์ที่สุด: การย้ำเตือนว่าเหตุผลที่ควรใส่ใจโมเดลราคาถูก เปิด และรองรับบริบทยาว คือมันเปลี่ยนสิ่งที่บริษัทในระยะ seed ทำได้ สตาร์ทอัพที่เดิมจ่ายไม่ไหวสำหรับโมเดล frontier ในทุกขั้นตอนของลูปเอเจนต์ ตอนนี้จ่ายไหวที่จะรันลูปนั้นมากกว่าหนึ่งครั้ง มุมมองเดียวกันของ Wang ในฐานะคนภายในฝ่ายจัดซื้อขององค์กร คือคำถามด้านการจัดซื้อจัดหาไม่ใช่ “นี่คือโมเดลที่ดีที่สุดหรือไม่” แต่เป็น “จะเกิดอะไรขึ้นกับต้นทุนและความหน่วงของเรา ถ้ามันดีกว่าที่เราคาดไว้ถึงสองเท่า และเราเปลี่ยนเส้นทางทุกอย่างไปที่มัน”

นั่นเป็นคำถามเกี่ยวกับการกำหนดเส้นทาง และเป็นจุดเดียวที่เศรษฐศาสตร์ของการโฮสต์เองกับเศรษฐศาสตร์ของ API หยุดแยกจากกันเป็นคนละเรื่อง จุดยืนของ OrcaRouter ต่อเรื่องนี้ตรงไปตรงมา: แพลตฟอร์ม รองรับ 214 โมเดลภายใต้คีย์เดียวและบิลเดียว พร้อมการกำหนดค่าการกำหนดเส้นทางที่ให้คุณประกาศโมเดลหลักและห่วงโซ่สำรอง แทนการฮาร์ดโค้ด ID โมเดลลงในแอปพลิเคชัน และมีการสลับอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง Step 5 Preview ไม่ได้อยู่ในกลุ่ม 214 นั้น — ไม่มีรายการ StepFun ในแคตตาล็อกที่ใช้งานจริง ณ วันที่ 29 ตุลาคม 2026 และไม่ควรอ่านสิ่งใดในบทความนี้เป็นการยืนยันว่าเราให้บริการมัน ใครก็ตามที่ต้องการประเมินมันวันนี้กำลังเลือกระหว่าง API ของ StepFun เองกับการโฮสต์เองเช็กพอยต์ที่เผยแพร่เมื่อวันที่ 15 ตุลาคม

สิ่งที่เปลี่ยนไปจริง ๆ หลังจากที่โมเดลถูกปล่อยออกมา

สามสิ่ง เรียงตามระดับที่ควรมีผลต่อการตัดสินใจ

อย่างแรกคือดัชนี เมื่อวันที่ 27 และ 28 ตุลาคม Artificial Analysis ได้เปลี่ยน Intelligence Index เป็นเวอร์ชัน 5 โดยให้น้ำหนัก 60% ของคะแนนรวมกับชุดทดสอบแบบส่วนตัวหรือชุดทดสอบที่เก็บไว้ (held-out) และสร้างองค์ประกอบการประเมินทั้งเก้ารายการใหม่ โดยตัดการประเมินสามรายการที่สื่อเปิดตัวของ StepFun พึ่งพาออก ได้แก่ GDPval-AA, SciCode และ AA-LCR และเพิ่ม FrontierCode 2.0 กับ Terminal-Bench-Science เข้ามา คะแนนของ Step 5 Preview บนดัชนีใหม่คือ 29 ส่วนคะแนนบนดัชนีเดิมคือ 44 ทั้งสองเป็นผลการวัดที่แตกต่างกันของโมเดลเดียวกันภายใต้เกณฑ์สองชุดที่ต่างกัน ไม่ใช่โมเดลที่แย่ลง และเลข 44 ที่เผยแพร่ในเดือนกันยายนและตุลาคมไม่ควรนำไปลบออกจากสิ่งใดก็ตามที่ให้คะแนนภายใต้ v5 สำหรับการเปรียบเทียบ Kimi K3.1 Pro ขยับจาก 55 เป็น 46 ในการสร้างใหม่ครั้งเดียวกัน ซึ่งเป็นการลดลงเก้าคะแนนในโมเดลที่เพิ่งเปิดตัว

ประการที่สองคือสัญญาอนุญาต น้ำหนักโมเดลนั้นเปิดในแง่ที่ว่าคุณดาวน์โหลดได้ และไม่เปิดในความหมายแบบ OSI สัญญาอนุญาต StepFun Model License 1.0 ยังคงกำหนดเงื่อนไขการระบุแหล่งที่มาสำหรับผลลัพธ์ที่มีการนำไปใช้อย่างมีนัยสำคัญ กำหนดให้ผู้ผลิตฮาร์ดแวร์ — โทรศัพท์ ยานพาหนะ อุปกรณ์สวมใส่ และหุ่นยนต์ — ต้องเจรจาแยกต่างหาก และกำหนดให้ผู้ให้บริการโมเดลในรูปแบบบริการที่มีรายได้ต่อปีเกิน 20 ล้านดอลลาร์ต้องมีสัญญาอนุญาตเชิงพาณิชย์ หากคุณเป็นทีมสองคน ข้อกำหนดเหล่านั้นไม่ส่งผลกระทบใด ๆ แต่หากคุณวางแผนนำมันไปต่อยอดเพื่อขายบริการอินเฟอเรนซ์ ข้อกำหนดจะส่งผลทันที และควรอ่านก่อนเริ่มใช้ GPU ชั่วโมงแรกมากกว่าจะอ่านหลังจากนั้น

ประการที่สามคือการเปลี่ยนแปลงราคาที่ได้อธิบายไปแล้ว ซึ่งเกิดขึ้นก่อนงาน événement และไม่ได้ถูกหยิบยกขึ้นมาในงานนั้น

สิ่งที่ผู้สร้างควรได้รับจากค่ำคืนนี้

สัญญาณที่มีประโยชน์จากวันที่ 22 ตุลาคม ไม่ใช่การที่ StepFun มีโมเดลใหม่ แต่คือการที่บริษัทซึ่งมีเรือธงที่เปิดตัวในเดือนกันยายน ได้ใช้เวลาหนึ่งเย็นในเดือนตุลาคมพูดคุยกับนักพัฒนาเอเจนต์เกี่ยวกับความน่าเชื่อถือของการเรียกใช้เครื่องมือและต้นทุนการให้บริการระดับเคอร์เนล ในห้องที่ผู้ซึ่งจะได้รับผลกระทบจากทั้งสองเรื่องนั่งอยู่ในแถวหน้า นั่นคือบริษัทที่ประพฤติราวกับว่าการนำไปใช้ในอีกหกเดือนข้างหน้าขึ้นอยู่กับความสามารถในการดำเนินงาน มากกว่าอีกแถวผลการทดสอบมาตรฐาน

เวอร์ชันที่เป็นรูปธรรมของเรื่องนั้นคือ: ถ้าคุณกำลังรอชุดน้ำหนักโมเดลก่อนจะจริงจังกับ Step 5 Preview การรอก็สิ้นสุดลงเมื่อวันที่ 15 ตุลาคม ถ้าคุณกำลังรอคะแนนอิสระที่เปรียบเทียบกับทุกอย่างอื่นได้ ตอนนี้ตัวเลขนั้นมีอยู่แล้ว มันคือ 29 และวัดภายใต้เกณฑ์ที่เพิ่งถูกสร้างใหม่ใต้เท้าของทุกคน ทั้งสองอย่างนี้เป็นเหตุผลให้คุณสร้างความเห็นได้แล้วตอนนี้ แทนที่จะรอหลังคืนเปิดตัวครั้งถัดไป