StepFun 的 Step 5 Preview 发布之夜：五位开发者如何评价一款六周前就已发布的模型

进场时下起了雨——这是2026年10月22日旧金山那个夜晚里，StepFun唯一无法掌控的部分。公司租下了一个场地，与Together AI联合主办，并且把它坐满了：开门之前，公开活动页面上已有约277人报名。这一切是为了邀请函上所称的“Step 5 Preview Launch Night”，而日历上则叫星期四。这款正在发布的模型，自9月20日起就有了API，自10月15日起就有了可下载的权重。这两个日期都没有为这场派对而改动。这场派对所做的，是把那些在模型之上做开发的人，与训练出这个模型的人，聚到同一个房间里，让他们聊聊那些基准测试表格永远捕捉不到的工作部分。

这个讨论小组规模不大，成员构成却异常具体：StepFun 的预训练研究员 Hongyu Zhou、在 Together AI 负责内核开发的 Dan Fu、Pear VC 的 Mar Hershenson、Cline 的 Saoud Rizwan，以及 Harvey 的 Joey Wang。他们几人加起来，覆盖了决定一个模型能否被采用的四个要素——如何训练、如何提供服务、是否有人愿意资助基于它构建的东西，以及智能体循环能否指望它在第四十步不出岔子。

首先是日期问题，因为它能解释整个晚上的情况。

Step 5 Preview 并不是新事物。StepFun 于 2026 年 9 月 20 日开放了商业 API，而这次发布从一开始就以预览形式进行——step-5-preview 是模型 ID，而不是后来有人添加的修饰词。Artificial Analysis 将发布时间标为“2026 年 9 月”，没有具体日期，其较早的模型页面则把日期写成 9 月 18 日；双方从未解释这一与 StepFun 自身日期的差异，本文采用 StepFun 的 9 月 20 日，并附上这一说明。

10 月 22 日真正重要的日期是 10 月 15 日。正是在那天，BF16 和 FP8 检查点被上传到 Hugging Face 和 ModelScope，同时还发布了一篇技术博客，介绍了一种 92 层的“窄而深”堆叠结构，以及一种稀疏 GQA 注意力模式——该模式将门控滑动窗口层与稀疏全注意力层交错排列。最直白地看，这场活动就是一次权重发布的启动之夜：那天晚上，这个模型不再只是你调用的东西，也变成了你可以亲自运行的东西。

这种解读值得说明，因为另一种解读——即这是一个新模型——整晚都在流传，而它是错误的。任何离开时仍以为 StepFun 在10月下旬发布了一款模型的人，在做一个他们本可以早已做出的决定时，都会晚六周。

房间实际展示的是什么

技术内容比营销宣传要单薄一些，这在这种形式中也属正常。StepFun 打在屏幕上的，是模型的形态，而不是一次新的基准测试运行：一个稀疏混合专家模型，总参数 6000 亿、每 token 激活 270 亿，从 352 个专家中路由 8 个，外加一个共享专家，三层多 token 预测层用于投机解码，以及 100 万 token 的上下文窗口。它接受文本、图像和视频，但只返回文本。StepFun 自家文档中的输出上限是 64k token。

周的那一段最接近一个真正的论断，解释了为什么架构会是这样：一个由窄层组成的深层堆叠，其论点是深度能换来隐式的多跳推理，而更浅、更宽的模型必须耗费 token 把它明说出来。这个论点是否正确，不是发布之夜能定论的。不过，这正是可下载检查点让他人得以检验的那类主张，而这也恰恰是 10 月 15 日之前不可能做到的。

工具调用才是主题，基准测试则不是。

小组讨论中最有用的部分是关于智能体循环中的可靠性，而它来自房间里两位整天置身于这些循环、而不是训练模型的人。Rizwan 的产品 Cline 是一个编辑器智能体，它必须在模型于一个二十步任务的第十一步返回格式错误的 JSON 时仍能继续工作。Wang 的雇主 Harvey 为法律工作运行类似的循环，在那里一次错误的工具调用不是糟糕的演示，而是一起责任事件。

两方所描述的是一种不会体现在基准平均值中的失效模式：模型在前十轮表现出色，随后却悄然改变其参数的形态。StepFun 针对这一维度公布的证据来自其自身，值得如实标注这一点。在 Terminal-Bench 4.0 上，该厂商报告其得分为 33.3，而 Kimi K3 为 12.6；在 DeepSWE v1.1 上，则为 67.7 对 67.5。这些是厂商在其自行选择的测试框架上运行得出的数字，尤其是终端任务上的差距大到足以值得在任何人围绕它规划迁移之前寻求第二意见。独立评估方尚未针对该模型发布测试框架匹配的正面对比，而其确实发布的指数此后已经重建——见下文。

推理成本——作为服务问题而非价目表来讨论

傅的那部分内容对任何打算自托管的人来说最为重要，而且其具体程度是发布会演讲通常所不具备的。FP8 检查点大约需要 773 GB 显存，至少需要四块 GPU，默认目标是 B300；Hopper 方案则需要八块 H200，因为该模型在四块 GPU 上放不下。NVFP4 变体将占用空间降至约 473 GB，并将可用上下文上限设为 320k token，这是实实在在的取舍，而非舍入误差。vLLM 和 SGLang 都在 10 月 15 日推出了方案，而 SGLang 路径在冷启动时需要承担约十五分钟的 FlashInfer 编译开销。

相比之下，租用替代方案则很简单：在 StepFun 的美元价格卡上，每百万输入 token 为 $1.00，每百万输出 token 为 $2.70，缓存输入按原价的 10% 计费（即 90% 折扣）。StepFun 的人民币价格卡显示输入 ¥7、输出 ¥20、缓存命中 ¥0.70——缓存命中价格已于 10 月 14 日北京时间 00:30 从 ¥0.35 翻倍至 ¥0.70，这距离那场活动还有八天，并对较早的按量付费调用者设有祖父条款。台上无人提及这一变化。这是本月关于该模型最具分量的单一价格事实，而且它出现在厂商自己的文档中，而不是演示文稿里。

Artificial Analysis 给出的混合成本为每百万 token 0.54 美元（按 7:2:1 的缓存命中比例），而完整运行一次 Intelligence Index 的成本为 2.35 美元。

资本问题，正是当晚谈话变得坦诚的地方。

Hershenson 的贡献技术含量最低，却最有用：它提醒人们，关注一个廉价、开放、长上下文的模型的理由在于，它会改变一家种子期公司能够尝试的事情。一家此前在智能体循环的每一步都负担不起前沿模型的初创公司，如今已负担得起把循环多跑几遍。Wang 从企业买方内部视角表达了同样的观点：采购时的问题不是"这是不是最好的模型"，而是"如果它比我们预期的好一倍，而我们把一切都路由给它，我们的成本和延迟会发生什么变化"。

这是一个路由问题，也正是自托管经济性与 API 经济性不再作为两场彼此独立的讨论的所在。OrcaRouter 对此的立场很明确：该平台 以一把密钥和一份账单承载 214 个模型，其路由配置可让你声明主模型和回退链，而不必把模型 ID 硬编码进应用程序，并且在提供商服务降级时自动故障转移。Step 5 Preview 不在那 214 个模型之列——截至 2026 年 10 月 29 日，实时目录中没有 StepFun 条目，本文任何内容都不应被理解为我们在提供它。今天任何想要评估它的人，都只能在 StepFun 自己的 API 与自托管 10 月 15 日上线的检查点之间做选择。

模型发布之后，实际发生了什么变化

三件事，按它们对决策应有影响程度的大小排序。

首先是指数。10月27日和28日，Artificial Analysis 用第5版取代了其智能指数，将综合评分中60%的权重放在私有或保留测试集上，并重建了九项组成评估。它删除了 StepFun 发布材料所依赖的三项评估——GDPval-AA、SciCode 和 AA-LCR——并新增了 FrontierCode 2.0 和 Terminal-Bench-Science。Step 5 Preview 在新指数上的得分是29。它在旧指数上的得分是44。这是同一模型在两套不同评分标准下的两种不同测量，而不是模型变差了；9月和10月流传的44分不应从任何按v5评分的结果中减去。作为对比，Kimi K3.1 Pro 在同一次重建中从55变为46——一个刚刚发布的模型下降了九分。

第二个是许可证。权重在“可以下载”的意义上是开放的，但并不属于 OSI 意义上的开放。StepFun Model License 1.0 对实质性使用的输出保留了署名条件，要求硬件制造商——手机、汽车、可穿戴设备、机器人——另行协商，并要求年收入超过 2000 万美元的模型即服务（model-as-a-service）运营商获得商业许可证。如果你是一个两人团队，上述条款都不会对你构成约束。如果你计划基于它转售推理服务，它立刻就会构成约束；值得在第一个 GPU 小时之前而不是之后阅读它。

第三项是已经描述过的价格变动，它发生在该事件之前，并且在事件上并未被提及。

一个构建者应该从今晚收获什么

10月22日真正有价值的信号，并不是StepFun推出了一款新模型，而是这样一家公司在9月发布了旗舰模型后，却在10月花了一整晚，与智能体构建者讨论工具调用可靠性和内核级服务成本——而在这间屋子里，恰恰是那些会同时受这两件事困扰的人坐在前排。这家公司的行事方式仿佛在表明：接下来六个月的采用率取决于可运维性，而不是再添一行基准测试成绩。

具体而言：如果你一直在等权重，才愿意认真对待 Step 5 Preview，那么等待已在10月15日结束。如果你一直在等一个能与其它一切相比较的独立分数，那么这个数字现在已经有了，是 29，而且它是在一套刚刚在所有人脚下被重建的评分标准下测得的。这两点都说明，现在就该形成判断，而不是等到下一个发布之夜之后。