Bản xem trước Step 5 so với Nex N2.5 Pro: Một con số bạn có thể kiểm tra, một con số bạn không thể

Con số đang lưu hành cho Nex N2.5 Pro là 82.7, điểm do nhà cung cấp báo cáo trên Terminal-Bench 2.1. Con số đang lưu hành cho Step 5 Preview trên một benchmark cùng tên là 33%. Hai con số đó không thể so sánh được, và việc chúng thường xuyên bị đặt cạnh nhau là minh họa rõ ràng nhất cho vấn đề mà cặp so sánh này gặp phải: một mô hình đã được một bên khác ngoài nhà sản xuất đo lường, còn mô hình kia hoàn toàn chưa được bất kỳ ai khác đo lường. Step 5 Preview đã ra mắt trên API của StepFun vào ngày 20 tháng 9 năm 2026 và công bố trọng số của mình vào ngày 15 tháng 10. Nex N2.5 Pro được công bố vào ngày 8 tháng 9 và công bố các checkpoint Apache-2.0 của mình trên Hugging Face trong vòng vài ngày sau công bố đó. Cả hai đều có thể tải xuống. Chỉ một mô hình là có thể được chấm điểm từ bên ngoài.

Sự bất đối xứng đó không phải là lời chê bai về mặt kỹ thuật của Nex N2.5 Pro. Đó là một nhận định về bằng chứng, và bằng chứng chính là thứ mà một quyết định mua sắm dựa vào.

Nex N2.5 Pro hiện nay là gì khi trọng số đã được đưa lên

Nhiều bài báo vẫn mô tả Nex N2.5 Pro là một mô hình có trọng số "sắp ra mắt", vì đó là nội dung trên thẻ mô hình của nó trong tuần đầu tháng 9. Các checkpoint đã được công khai từ giữa tháng 9: một mô hình mixture-of-experts 397 tỷ tham số với khoảng 17 tỷ tham số hoạt động mỗi token, được huấn luyện sau từ dòng Qwen 3.5, theo giấy phép Apache-2.0. Bất kỳ ai mô tả nó là chưa phát hành đều đang dựa trên một trang đã cũ.

Điều chưa thay đổi là tình hình đo lường. Các con số benchmark của nhà cung cấp — 82.7 trên Terminal-Bench 2.1, 61.2 trên SWE-bench Pro, 89.7 trên BrowseComp, 87.4 trên OSWorld-G — được tạo ra thông qua NexCUA, bộ khung thử nghiệm computer-use của chính liên minh, mà họ nói dự định mã nguồn mở và vẫn chưa làm. Không có đánh giá viên độc lập nào đã công bố một trang đánh giá cho mô hình. Sự vắng mặt đó không phải là chuyện ngẫu nhiên về thời điểm; đó là một khoảng trống đã tồn tại suốt toàn bộ giai đoạn mà các trọng số đã có thể tải xuống.

Phép so sánh có thể được thực hiện

Tất cả những gì dưới đây đến từ các nguồn đã công bố chứ không phải từ một lần chạy chung, và mỗi dòng đều ghi rõ nguồn gốc của con số. Đó là mức trần trung thực cho cặp này.

• Tham số — Step 5 Preview: tổng 600B, 27B hoạt động. Nex N2.5 Pro: tổng 397B, ~17B hoạt động.

• Ngữ cảnh — Bản xem trước Bước 5: 1M token. Nex N2.5 Pro: 262,144 token, với giới hạn đầu ra được ghi nhận gần 236K.

• Phương thức — Bản xem trước Bước 5: văn bản, hình ảnh và video đầu vào, văn bản đầu ra. Nex N2.5 Pro: văn bản và hình ảnh đầu vào, văn bản đầu ra, với khả năng thị giác được định vị là kênh phản hồi khi sử dụng máy tính.

• Điều khiển suy luận — Xem trước Bước 5: tư duy luôn bật, nhưng có núm điều chỉnh mức nỗ lực thấp/trung bình/cao. Nex N2.5 Pro: không, trung bình (thích ứng, mặc định) và cao, nên có thể tắt hoàn toàn suy luận.

• Trọng số — Step 5 Preview: BF16 và FP8 theo StepFun Model License 1.0. Nex N2.5 Pro: Apache-2.0.

• Giá — Bản xem trước Step 5: $1.00 đầu vào, $2.70 đầu ra, $0.10 cho mỗi triệu token được lưu trong bộ nhớ đệm trên bảng giá của StepFun. Nex N2.5 Pro: một gói miễn phí được lưu trữ, không có giá niêm yết nào do nhà cung cấp công bố.

Dòng giấy phép là điểm duy nhất mà Nex N2.5 Pro rõ ràng đơn giản hơn. Apache-2.0 là thứ đã quá quen thuộc với bất kỳ nhóm pháp lý nào; giấy phép của StepFun mang các ngưỡng thương mại cần phải mô hình hóa. Dòng ngữ cảnh thì ngược lại, và gần như chênh lệch gấp bốn lần — điều có ý nghĩa nếu agent của bạn đọc toàn bộ kho mã hoặc tập tài liệu.

Sự so sánh không thể thực hiện được

Cần có ba điều để đặt hai thứ này lên cùng một trục, và không điều nào trong số đó tồn tại.

Trước tiên, một phiên bản benchmark dùng chung. Terminal-Bench 2.1 và Terminal-Bench 4.0 là những bài kiểm tra khác nhau với bộ nhiệm vụ khác nhau và cách tính điểm khác nhau, và điểm số trên bài này không nói lên điều gì về bài kia. Con số 82,7 là trên 2.1; con số 33% là trên 4.0. Bất kỳ ai trình bày chúng như một cuộc đối đầu trực tiếp đều đang so sánh thời gian chạy nước rút với thời gian một chặng marathon.

Thứ hai, một khung đánh giá chung. Các con số của Step 5 Preview đến từ một chỉ mục đã công bố, chạy một bộ đánh giá cố định đối với mọi mô hình mà nó liệt kê. Còn của Nex N2.5 Pro đến từ phần mềm do chính nhà cung cấp của nó viết và chưa phát hành. Ngay cả khi tên các benchmark trùng nhau, phần khung kỹ thuật cũng sẽ không trùng.

Thứ ba, bất kỳ hình thức đọc độc lập nào. Không có trang nào về Nex N2.5 Pro trên các đơn vị đánh giá công bố chỉ số trí tuệ. Chúng tôi đã trực tiếp kiểm tra điều đó thay vì suy ra từ một kết quả tìm kiếm bị thiếu, và câu trả lời hôm nay vẫn giống như vào tháng Chín: không có gì.

Điều có thể nói mà không vượt quá giới hạn thì hẹp hơn và vẫn hữu ích: Nex N2.5 Pro tuyên bố có hiệu năng agentic mạnh trên các benchmark mà ở đó kết quả đo độc lập của Step 5 Preview chỉ ở mức trung bình. Đó là lý do để kiểm thử nó, không phải lý do để tin nó.

Một endpoint miễn phí thực sự đáng giá bao nhiêu

Gói dịch vụ được lưu trữ của Nex N2.5 Pro không tốn phí, điều này biến việc so sánh giá thành thành so sánh rủi ro. Không có giá niêm yết nào được công bố, nên không có gì để đối chiếu mô hình và không có tín hiệu nào về việc nhà cung cấp cho rằng mô hình đáng giá bao nhiêu. Các niêm yết của bên thứ ba đưa ra mức giá ở mức vài chục xu thấp trên mỗi triệu token đầu vào tùy thuộc vào nhà cung cấp dịch vụ lưu trữ, và chúng mâu thuẫn với nhau đủ nghiêm trọng đến mức không niêm yết nào nên được coi là lập trường của nhà cung cấp.

Bản miễn phí cũng có chi phí về tính sẵn sàng. Các trình theo dõi giám sát endpoint miễn phí báo cáo tình trạng sẵn sàng chập chờn — đây là quan sát của bên thứ ba, không phải con số do nhà cung cấp đưa ra, và là kiểu điều vô nghĩa đối với một nguyên mẫu, đồng thời là lý do loại trừ đối với một lộ trình triển khai production. Một mô hình mà bạn không thể phụ thuộc vào không phải là rẻ; đó là rủi ro chưa được định giá với con số 0 trên hóa đơn.

So với đó, mức giá tổng hợp $0.54 của Step 5 Preview và $2.35 cho mỗi tác vụ lập chỉ mục đã hoàn thành là đắt về mặt tuyệt đối và hoàn toàn rõ ràng. Bạn có thể dự báo hóa đơn từ một bảng giá được công bố. Bạn không thể dự báo hóa đơn từ một gói miễn phí mà các điều khoản chưa được ghi thành văn bản.

Thành tích của Step 5 Preview thì khác, chứ không tốt hơn.

Cần nói rõ Step 5 Preview thực sự có gì, bởi câu "nó có điểm số" đánh giá thấp sự khác biệt, còn "nó tốt hơn" thì nói quá lên. Step 5 Preview đạt 29 điểm trên phiên bản hiện tại của Artificial Analysis Intelligence Index — không phải 44 như các bài đưa tin lúc ra mắt đã trích dẫn, vì phiên bản chỉ số đó đã bị thay thế từ đó. Nó đứng thứ sáu trong số mười bảy mô hình cùng nhóm so sánh, chạy ở tốc độ 179 token đầu ra mỗi giây và tốn 2,35 đô la cho mỗi tác vụ chỉ số. Những con số đó được đo trong cùng một lần chạy, có thể tái lập và do một đơn vị đánh giá không có lợi ích thương mại nào gắn với kết quả tạo ra.

Điều đó mang lại cho bạn một đường cơ sở. Bạn biết mô hình đang ở đâu so với khoảng năm mươi mô hình khác được đo theo cùng một cách, nghĩa là bạn có thể đưa ra quyết định sơ bộ mà không cần thuê GPU. Điều đó không mang lại cho bạn bảo đảm rằng Step 5 Preview sẽ đánh bại Nex N2.5 Pro trên khối lượng công việc của bạn. Về mã hóa và tự động hóa, các kết quả độc lập của Step 5 Preview không có gì nổi bật — 12% trên FrontierCode 2.0, 33% trên Terminal-Bench 4.0 — và một mô hình có tuyên bố agentic mạnh mẽ chưa được công bố đúng là kiểu mô hình có thể vượt những con số đó. Vấn đề là bạn sẽ tự mình tìm hiểu thay vì đọc nó từ một thẻ mô hình.

Mỗi thứ thuộc về ai

Nex N2.5 Pro dành cho những đội ngũ đang xây dựng tác nhân sử dụng máy tính và tác nhân trình duyệt, những người sẵn sàng tự chạy đánh giá của riêng mình trước khi cam kết, và coi trọng giấy phép Apache-2.0 cùng dấu chân 17B tham số hoạt động vừa vặn với phần cứng khiêm tốn. Điểm cuối miễn phí giúp việc dùng thử trở nên rẻ; việc không có giá niêm yết khiến quyết định đưa vào sản xuất trở nên khó khăn. Hãy coi các benchmark của nhà cung cấp là một giả thuyết với một cơ chế hợp lý đằng sau nó — một MoE thuộc dòng Qwen được huấn luyện hậu kỳ trên các tác vụ đọc màn hình — chứ không phải là một kết quả.

Bước 5 Preview thuộc về các nhóm có khối lượng công việc nặng về ngữ cảnh dài và tri thức, và những người cần một mức giá có thể dự báo trước. Đây là lựa chọn đắt đỏ hơn và dễ đọc hiểu hơn, và giấy phép của nó đặt ra một câu hỏi ở quy mô rất lớn mà giấy phép của Nex không làm vậy.

Cả hai hiện đều không có trong danh mục của OrcaRouter, vì vậy bài viết này không thể chỉ cho bạn một endpoint rẻ hơn cho bất kỳ mô hình nào trong hai mô hình đó. Điều nền tảng thực sự cung cấp xung quanh một quyết định như thế này là phần còn lại của stack trên một khóa duy nhất: hơn 200 mô hình với giá niêm yết của nhà cung cấp, không phụ phí, nên thay đổi giá của nhà cung cấp đến với bạn ngay trong cùng ngày, và chuyển đổi dự phòng tự động để một mô hình mà bạn vẫn đang thử nghiệm không bao giờ trở thành điểm lỗi duy nhất. Cách làm hiệu quả với một mô hình chưa được kiểm chứng là định tuyến một phần nhỏ lưu lượng thật đến mô hình đó phía sau một phương án dự phòng đã được kiểm chứng, đo lường, và chỉ sau đó mới chuyển phần lưu lượng đó. Điều đó rẻ hơn một cuộc so tài benchmark và mang lại nhiều thông tin hơn hẳn một thẻ thông tin của nhà cung cấp.

Nếu bạn cần một câu trả lời ngay hôm nay, Step 5 Preview là lựa chọn bạn có thể biện minh trong một buổi đánh giá thiết kế, vì mọi con số gắn với nó đều có thể được ai đó trong phòng kiểm chứng. Nếu bạn đang xây dựng một tác nhân sử dụng máy tính và có thể chấp nhận gánh nặng đánh giá, Nex N2.5 Pro là canh cược thú vị hơn — thử rẻ hơn, khó bảo vệ hơn, và thực sự chưa được đo lường. Sai lầm cần tránh là coi 82.7 là một sự thật và $1.00 là một bất lợi mà không nhận ra rằng chỉ một trong hai con số đó có nguồn thứ hai.