Step 5预览版对比Claude Sonnet 5.5：十二个指数点，十倍的任务账单

Step 5 Preview 与 Claude Sonnet 5.5是本月读者真正会拿来互相比量的两款模型：一款是 2026 年 9 月 20 日开放的 StepFun 预览版，每百万 token 定价 $1.00 / $2.70；另一款是 9 月 28 日发布的 Claude Sonnet 5.5，定价 $2.00 / $10.00。在独立榜单上，两者相差十二分——在 Artificial Analysis Intelligence Index v4.3.2 上是 44 对 56——而十二分是实打实的差距。可它并不是决定账单的那个数字。决定账单的数字，是每完成一项任务的成本，而在这项指标上，同一份榜单给出的读数是 $0.71，对应 Step 5 Preview；相较之下则是 $7.60，对应最大努力档位下的 Claude Sonnet 5.5。多花十倍半的钱，只为十二分。两张卡片上几乎其他每一行，都在争论这桩取舍的哪一半是你能接受的。

两张费率卡，逐行

本节中的所有内容均为各供应商自行发布的价格，读取于2026年10月9日。

• 输入 — Step 5 Preview 每百万 token 1.00 美元，对比 Claude Sonnet 5.5 每百万 token 2.00 美元

• 输出 — 每百万 token 2.70 美元 vs 10.00 美元；在两张账单中都占主导的那一行

• 缓存输入 —— Step 5 Preview 宣称输入可享统一 95% 折扣，这意味着缓存命中约为每百万 token 0.05 美元，而 Claude Sonnet 5.5 的缓存读取则为 0.20 美元

• 缓存写入——Claude Sonnet 5.5 公布了五分钟缓存写入的价格为每百万 token 2.50 美元；StepFun 则完全没有公布缓存写入费率，因此这项对比有一半是空白的

• 上下文窗口 — 两张显卡上均为 100 万 tokens

• 最大输出量 — Claude Sonnet 5.5 的文档标注为 128,000 tokens（在 beta 请求头下使用 Message Batches API 时可达 300,000）；StepFun 尚未公布 Step 5 Preview 的输出上限

• 模态 — 两者均接收文本和图像，仅返回文本

• 推理控制 —— Step 5 Preview 开放了扩展思考，却未公布任何思考强度档位；Claude Sonnet 5.5 则提供了一套思考强度阶梯，而其中最高的几档，恰恰正是它自身单任务成本暴涨的地方

• 权重 — Step 5 Preview 的 BF16 检查点承诺于 2026 年 10 月 15 日推出，但至今尚未落地；Claude Sonnet 5.5 为专有模型

其中两行比标题更有分量。缓存那一行是低价方案变得更便宜的地方，因为一美元打 95% 折扣就是五美分的缓存读取，而 Anthropic 的是二十美分。输出上限那一行则相反：一家厂商会告诉你它的边界在哪里，另一家则宣传百万 token 窗口，却不说其中有多少能输出回来。

十二个要点究竟从何而来

下面两个数字均来自 Artificial Analysis，基于 Intelligence Index v4.3.2，且均读取自模型自己的页面，而非厂商的表格。

• 智能指数 — Claude Sonnet 5.5 为 56，在 216 个中排名第 3；对比 Step 5 Preview 为 44，在 200 个中排名第 45。两次的类别规模不同，是因为榜单是在不同时间点生成的；真正可比较的是分数。

• 每个索引任务的成本 — $7.60 vs $0.71。Anthropic 的数字对应的是看板标记为“Adaptive Reasoning, Max Effort, Default Fallback”的配置，也就是该模型自身阶梯中昂贵的那一端。

• 索引运行期间生成的输出 token —— 410M 对 160M，而排行榜中位数为 88M。按该排行榜的标准，这两个模型都算冗长。一个超过中位数的四倍，另一个则不到中位数的两倍。

• 输出速度 — Step 5 Preview 的读数约为每秒 100 个 token，而平均值为 70。在撰写本文时，Artificial Analysis 尚未公布 Claude Sonnet 5.5 的输出速度数据，因此这一行只是单方面有数据，而非已分胜负。

把前两行放在一起，决策的轮廓就浮现出来了。这两个模型之间相差十二个指数点；而运行同一套评测的成本，二者相差十倍半。这些分数是真实的——排名上的差距让其中一个跻身榜单评分的前三名模型之列，另一个也进入了前四分之一——但一支为高难度智能体工作负载每项任务支付 7.60 美元的团队，是在为深思熟虑买单，而问题在于：他们的任务是否需要这份深思熟虑。

供应商的表格解决不了这个问题，证据如下

两家实验室都公布了 Terminal-Bench 4.0 的数值。Anthropic 的 Sonnet 5.5 发布声明称其达到 70.6%，而被它取代的模型则为 10.3%。StepFun 自己公布的 Step 5 Preview 的 Terminal-Bench 4.0 成绩是 33.3%。两者均由厂商自行运行，也都未经过任何第三方复现，而在一个同名基准测试上，它们相差 37 个百分点。

这一差距并不能证明某个模型好一倍。它只能证明，两个实验室在不同配置、智能体脚手架和推理投入设置下运行同名评测框架时，得出的数字无法彼此相减。这是发布日对比反复出现的问题，也正是本文中每一行来自实验室的数据都如此标注的原因。如果第三方在同一评测框架上测量过这两个模型，就采用那个结果。如果没有，就把厂商给出的数字视为一种关于意图的主张。

Anthropic 在 Sonnet 5.5 发布时给出的迁移说明值得纳入这次比较，因为它适用于你正在评估的任何预览端点。厂商的指引是：Sonnet 5 与 5.5 之间的 effort 档位已经重新校准，团队应当重新跑一遍 effort 扫描，而不是直接沿用原有设置。反过来，这里也存在一条对应的警示：Step 5 Preview 仍是预览版，其服务配置仍在变动，针对本周这个端点调好的设置，并不是你能长期掌控的设置。

他们俩话都太多，只是程度不同。

冗长度是把费率表变成账单的那一行。Step 5 Preview 为完成索引套件生成了 1.6 亿个输出 token，而榜单上的中位数模型大约生成 9200 万个——约为中位数的 1.7 倍。Claude Sonnet 5.5 生成了 4.1 亿个，约为中位数的 4.7 倍。

按每百万输出 token 2.70 美元计算，Step 5 Preview 的冗长程度在一个很小的数字中占了很大一部分。按 10.00 美元计算，Claude Sonnet 5.5 的冗长程度则在一个非常大的数字中占了绝大部分。这两个模型都不简洁，而两家厂商的营销宣传也都没有这样描述。实际后果是，基于你自己的流量进行每任务 token 数测量，会比费率表更能告诉你真实的成本差异，因为费率表假定两个模型对同一个答案会写出相同数量的词。但它们并不会。

缓存行，在真实循环中推算出来

设想一个 agent 循环，其稳定前缀为 40,000 token——即系统提示词加仓库上下文——在三十轮中的每一轮都重新发送，且该前缀只写入一次、被命中二十九次。这相当于每个会话 116 万个缓存输入 token。

• Claude Sonnet 5.5 —— 一次写入按每百万 token $2.50 计算，约 $0.10；随后 1.16M 读取 token 按每百万 $0.20 计算，约 $0.23。每次会话总计约 $0.33，不含任何新的输入或输出。

• Step 5 Preview — 读取按所述的 95% 折扣计费，因此每百万约 $0.05，每次会话约 $0.06。写入部分未计价，因为 StepFun 尚未公布缓存写入费率。

在我们真正能够定价的那些行上，Anthropic 卡片上的缓存流量成本大约高出五倍，而需要注意的是，两种写入费率中的一种目前尚不存在。这正是两款模型所面向推销的工作负载，因此这一行的重要性，要比那些头条折扣百分比所呈现出来的更大。

每个实际能被调用的地方

Claude Sonnet 5.5 已收录在我们的目录中，编号为 anthropic/claude-sonnet-5.5，采用 Claude Sonnet 5.5 自身的 $2.00 和 $10.00 价格，缓存读取为 $0.20，上下文窗口 1,000,000 token，最大输出 128K——标价以 0% 加价原样传递，因此 Anthropic 价目表上的任何变动，当天就会成为我们价目表上的变动。Step 5 Preview 不在该目录中，我们也不会做任何相反的暗示：它通过 StepFun 自家的 API 提供响应，而在承诺的 checkpoint 落地之前，除此之外哪里都不可用。

这种不对称有实际用途。如果两个模型都在同一个密钥后面并支持自动故障转移，那么把工作负载从一个模型移到另一个，就只是一次模型字符串的更改，仅此而已——这才是让入口保持通用的真正理由。就目前而言，比较的是你可以通过现有路由调用的模型，和必须单独接入的模型，而后者是一个预览版，其服务集群仍在构建中。把未经检验的容量放在路由器后面，并故障转移到已经过验证的东西，是廉价的保险；而把主路径直接指向预览端点则不是。

什么会改变这一裁决？

有三件事，都可以确定日期。第一件是 2026 年 10 月 15 日，届时阶跃星辰的 BF16 检查点将到期发布。如果许可证允许微调，而且权重是真实可用的，那么这 12 个百分点的差距就不再是该模型固有的属性，而会变成团队可以在自己的数据上着手攻克的东西——到那时，那张便宜十倍的卡就会成为一个有趣得多的起点。如果检查点推迟发布，或者许可证限制严格，那么差距就会原封不动地停留在榜单所显示的位置。

第二点是，Anthropic 自身在投入程度重新校准方面的经验教训是否会在这里得到应用。Sonnet 5.5 相较于 Sonnet 5 在各项任务上的优势，存在于低和中等投入程度下，而不存在于最高投入程度下；而在最高档时，情况正好相反。一个从不遍历投入程度档位的 Step 5 Preview 买家，是在将一个处于默认设置的模型与另一个处于默认设置的模型进行比较，而在 Anthropic 这边，低成本、高价值的工作并不发生在默认设置中。

第三项是在与 Anthropic 的那个数值测得时所采用的配置相当的配置下，对 Step 5 Preview 进行的一次真正独立的运行。在它出现之前，44 只是一个单独的已评分配置，旁边没有与之并列的阶梯；而 56 下面则有一整条投入曲线。按现有表述，这个比较是诚实的；但它尚不对称。

对于今天就要拍板、而不是等到 15 号的团队来说：如果工作负载是长上下文、缓存密集且频繁重复的类型，那么本页的算术会让便宜的那张卡以数量级的优势胜出，而能力差距就是入场的代价。如果工作负载难度高、篇幅短，并且由一位能分辨出 44 和 56 差别的人类来评分，那么贵的那张卡才是能把活干完的那一张。一旦工作负载同时具备这两种特征，两个答案都不再成立——而路由器正是为此而存在的。

标价以0%加价率直接传导，因此Anthropic价目表上的任何变动，当天就会成为我们价目表上的变动。

自动故障转移在路由器上，正是它让预览端点能够在合格的回退机制之后被评估，而不是作为主路径。