Step 5 Preview 对比 Grok 4.5：一个给你看数字，另一个给你看权重

Grok 4.5与S​tep 5 Preview互为镜像，而正是这面镜像，才是值得读这篇文章、而非只盯着价格的理由。x​AI 于2026年7月8日发布 Grok 4.5；StepFun 于2026年9月20日发布 S​tep 5 Preview。Grok 4.5 公布了一项你可以引用的厂商基准——在 SWE-bench Pro 上达到 64.7%——以及一个独立指数得分，却完全不提供任何权重。S​tep 5 Preview 以三种精度、无需申请地发布其权重，但它的文档中任何地方都没有公布数字基准表，模型卡上只有一张得分图表。如果你要在这两者之间做选择，问题不在于哪个模型更好，而在于你更愿意背负哪一种未知：一个能下载却无法评分的模型，还是一个能评分却无法下载的模型。

这场对比在其他所有方面都清晰明了，而且纸面上大多对 StepFun 有利。Step 5 Preview 在费率表两端的价格都只有一半，上下文窗口则是两倍，在两款模型共有的唯一一项独立测量中流式输出更快，并且将长前缀保留在缓存中的成本低一个数量级。Grok 4.5 的反驳理由不在于它自身的规格——而在于：它是这个自 7 月以来已两次迭代的家族中的中端型号，且其缓存费率是该家族中最便宜的。

两张费率卡，每一行

• 输入价格 — Step 5 Preview 每百万 tokens $1.00，对比 Grok 4.5 每百万 tokens $2.00

• 输出价格 — Step 5 Preview 每百万 token 2.70 美元，而 Grok 4.5 每百万 token 为 6.00 美元

• 缓存命中输入 — S​tep 5 Preview 每百万 tokens $0.10，相较 G​rok 4.5 每百万 tokens $0.30 可享 90% 折扣，即 85% 的折扣，并且是 G​rok 系列中最便宜的缓存费率

• 上下文窗口 — Step 5 Preview 100 万 token 对比 Grok 4.5 50 万 token

• 最大输出 — 根据 StepFun 的文档，S​tep 5 Preview 为 64k tokens，而模型卡自身的表格声称“最高可达 1M”，相较之下 Grok 4.5 未在供应商的定价页面上以相同表述说明

• 长提示词重定价 — S​tep 5 Preview 在整个 1M 窗口内采用统一费率，而 Grok 4.5 在单个请求超过 200,000 tokens 后，输入价格翻倍至 $4.00、输出价格翻倍至 $12.00，且该价格适用于整个请求，而不是仅对超出部分计费

• 架构 — S​tep 5 Preview 稀疏混合专家模型，总参数 600B、激活参数 27B，涵盖 352 个专家，每个 token 选择 8 个，对比 Grok 4.5——基于 V9 基础模型的 1.5 万亿参数混合专家模型，规模约为 Grok 4.3 的三倍

• 输入模态 — S​tep 5 Preview：文本、图像和视频，对比 Grok 4.5：文本、图像和文件

• 独立指数——S​tep 5 Preview 44，在该页面被捕获时于 219 个中排名第 41，对比 Grok 4.5 的 39；该页面现已被 Artificial Analysis 标记为弃用，数字冻结在该模型的最终读数上

• 输出速度 — 在当前读数下，S​tep 5 Preview 为每秒 88.1 个输出 token，而 Grok 4.5 为每秒 60 个 token，低于 88 token 的平均值，也低于 x​AI 在发布时宣称的每秒 80 个 token

• 厂商基准测试 — Step 5 Preview 未在文档中发布数字表格，其卡片结果以图片形式呈现，与 Grok 4.5 在 SWE-bench Pro 上的 64.7% 形成对比，数据由厂商提供

• 开放权重 — S​tep 5 Preview FP8、BF16 和 NVFP4 检查点位于 StepFun 自己的账号下，自发布当天早上起无需门控即可下载，而 Grok 4.5 则未发布任何内容

精确表述的对称性

StepFun 关于 S​tep 5 Preview 的文档包含一个“概览”表格，其中有模型 ID、上下文窗口、输入和输出类型以及输入和输出限制。它不包含基准测试行。模型卡的评估部分列出了所用的测试框架与采样设置——temperature 1.0、top-p 0.95、top-k 0、High 推理设置、用于 DeepSWE v1.1 的 SWE-agent——随后以 PNG 形式呈现结果。在 StepFun 自己关于该模型的文档中，没有任何数字是可以以文本形式读取并引用的，这意味着流传的关于 S​tep 5 Preview 的每一则性能声明，都可追溯到那张图片或 Artificial Analysis。

对于一个拥有开放权重的模型来说，这是一种奇怪的处境，因为开放权重通常是用来替代基准测试的，而不是与基准测试的空白并存。Artificial Analysis Intelligence Index 上的 44 是真实且独立的，也是该模型唯一的中立分数，而评估方自己的页面在综合指数内部的若干单项评估旁标有“审核中”标记。把 44 当作一个有充分来源支撑的单一数字，而不是一份画像。

Grok 4.5 恰恰相反。它的权重并未公开发布，而且从未公开过，因此该模型是一个按 token 租用的黑箱。你换来的，是供应商记录的 SWE-bench Pro 上 64.7% 的成绩，再加上一份实时独立评测画像：在同一索引版本上为 39，当前读数下每秒输出 60 个 token，因此低于平均水平，每个完成的索引任务 $0.88，整个套件输出 7700 万个 token，而中位数为 8500 万个。最后这个数字，正是 token 经济性主张出现在别人的测量中的体现，而且它成立——Grok 4.5 是更简洁的模型。这也是为什么尽管其费率卡两端的价格都贵一倍，每任务成本仍低于 S​tep 5 Preview。伴随模型老化而来的一个警告是：评测方现在将 Grok 4.5 页面标记为已弃用，只对默认的 10,000-token 工作负载进行基准测试，并将其他工作负载的结果标记为历史结果，而非更新结果。39 是该模型的最终读数，不是实时读数。

这两款都是正规产品。它们只是在单一维度上无法比较，而任何把44和39并列在一起、却不说明两家厂商中有一家是自愿公布这个数字、另一家则不是的排行榜，都是在掩盖更重要的差异。44对39的差距，是两个在不同推理投入水平下测得的综合得分之间相差五分，而且没有任何人做过正面直接对比。这并不是付双倍价钱的理由。权重是选择的理由，价格也是。

为什么便宜的模型反而快

六千亿参数中只有二百七十亿是激活参数，这正是 Step 5 Preview 服务成本低廉的原因，而服务经济性在独立测量中得到了体现：每秒输出 88.1 个 token，对比 Grok 4.5 目前的 60，而该模型的上下文窗口是其两倍，价格却是其一半。Grok 4.5 的 1.5 万亿参数 V9 基础模型比 Grok 4.3 大三分之一，这也是它为何在输入价格为 Grok 4.3 两倍的情况下，上下文却只有后者一半的原因——更大的基础模型以窗口为代价换来了能力，而当你按 token 付费时，这笔交易就附上了账单。

延迟表现正是 Grok 4.5 站得住脚的地方，独立数据也支持这一点，值得说出来而不是略过。xAI 以 token 经济性来推销这款模型——每个完成的任务使用更少的输出 token——而测量结果也印证了这一点：在整个智能套件中，输出 token 为 7700 万，而中位数为 8500 万，评估者将其描述为“相当简洁”。Step 5 Preview 则相反，生成了 1.6 亿 token，而同一中位数为 8500 万，并被贴上“非常啰嗦”的标签。一个用更少 token 完成任务的模型，即使生成速度更慢，也能在实际耗时上胜出；即使其价目表更差，也能在账单上胜出。这就是为什么在每百万 token 2.00 美元和 6.00 美元的费率下，Grok 4.5 每完成一个 index 任务花费 0.88 美元，而 Step 5 Preview 则用啰嗦为其更便宜的价目表买单。如果你的工作负载是大量简短且定义明确的调用，那么 token 经济性论证就是你应该在自己的流量上测试 Grok 4.5，而不是因为价格就否定它的理由。

缓存率就是应该选择 Grok 4.5 的那一条理由

{{1}}Grok{{/1}} 4.5 读取缓存令牌的费用是 {{2}}Step 5 Preview{{/2}} 的三倍——每百万三十美分对十美分——所以这并非 {{1}}Grok{{/1}} 相对于 {{3}}StepFun{{/3}} 的优势。这是相对于 {{4}}Grok 自身后继者{{/4}}的优势。根据厂商定价表，{{5}}Grok 4.6 和 Grok 4.7{{/5}} 的缓存价格均为每百万 0.50 美元，比 {{6}}Grok 4.5{{/6}} 高出百分之六十六，而三者输入和输出定价均标为相同的 2.00 美元和 6.00 美元。这一组合使 {{7}}Grok 4.5{{/7}} 在其自身家族中，仅对一种特定形态的工作负载而言成为唯一值得关注的成员：在固定 {{1}}Grok{{/1}} 快照上的大型、稳定、重复命中的前缀，此时缓存行主导账单。

与 S​tep 5 Preview 相比，即便是那条收费线也朝相反方向走。而 200,000 token 的重新定价阈值更是雪上加霜：一个 250,000 token 的 Grok 4.5 请求，全部 250,000 个 token 都按双倍费率计费；而同样的请求在 S​tep 5 Preview 上，整个窗口内都按每百万 $1.00 计费。对于长上下文流水线而言，这就是固定费率与断崖式收费之间的差别。

十月检查点如何改变这一比较

Step 5 Preview 的权重自发布当天上午起就已可下载——FP8 仓库创建于 2026 年 9 月 20 日 03:15 UTC，BF16 仓库创建于 03:52，其分片均于当天上午提交——但部署方案直到 10 月中旬才完整。StepFun 于 2026 年 10 月 14 日发布了一个 NVFP4 检查点，394.18 GB，配置为 NVIDIA 的四位格式，group_size: 16并使用未量化的 KV 缓存；同一周，该公司还为较旧的仓库补充了完整的服务指南：已发布的容器镜像、可运行的张量、专家与组合并行命令，以及专用的推理和工具调用解析器，使模型自身的输出格式能在 OpenAI 风格 API 下保持不变。10 月 15 日，NVIDIA 公开称这是"他们最大的开放权重发布"，并报告称其"在使用 NVFP4 的 NVIDIA GB300 上以近 8K tokens/秒/GPU 运行"——这是厂商在自家硬件上给出的数字，NVIDIA 之外无人复现，却附在一个你可以自行检查的仓库上。

这些都不能让 Step 5 Preview 成为更具可衡量性的模型；基准测试上的差距依然成立。它真正做到的，是让关于权重的论证变得具体。Grok 4.5 无法自托管，无法固定到你所控制的版本，也无法接受审计。Step 5 Preview 这三项都能做到，而且其配方已经公开。如果你的决策中涉及数据驻留规则、采购规则或模型弃用风险——无论在哪个环节——那它就是决定性的那一行，再多的 SWE-bench Pro 也无法弥补。

它们各自在堆栈中所属的位置

Grok 4.5 已上线 OrcaRouter，模型标识为 grok/grok-4.5，与 Grok 系列其余模型以及目录中的其他模型并列，采用厂商自己的 $2.00 和 $6.00，$0.30 的缓存价格也原样透传。这对 Grok 4.5 真正擅长的场景很重要：一个带长稳定前缀的固定快照，与所有其他调用一起走 同一个 OpenAI 兼容端点，一把密钥、一份账单，在提供商标价上零加价，因此价格一变，你当天就能享受到，而不用等到下一个计费周期。如果你已经在路由 Grok 4.6 或 Grok 4.7，那么与 4.5 对比不过是改一个字符串、再跑一遍你自己的评测——跨提供商的自动故障转移意味着这个固定版本只是一条路由规则，而非一项依赖；当某个步骤需要两种意见而不是更便宜的一种时，DSL 会把多个模型组合成一次调用。

Step 5 Preview 不在 OrcaRouter 的实时模型列表上，而诚实的做法是：要么在 StepFun 自己的平台上调用它，要么基于已发布的检查点自行托管。这与其说是路由器的局限，不如说是该模型本身的一种属性：选择它的理由就在于权重，而如果你正在使用这些权重，你就不会把它路由到任何地方。

结论，而不假装两者是同一款产品

就价格、上下文和权重而言，选择 S​tep 5 Preview —— 每百万 token 1.00 美元和 2.70 美元，百万 token 统一费率，支持视频输入，在两者仅有的独立吞吐量测量中生成更快，以及三个可下载的检查点并附带已发布的服务配方。接受这一点：你将带着比你所希望的更少的已发布性能证据来购买它，而且你拥有的那个数字是一个单一独立综合指标，其各组成部分带有审查标记。它于 2026 年 9 月 20 日发布，其部署情况在 10 月有了实质性改善；那就是你将采用的模型。

只有在以下情况下才选 Grok 4.5：你明确需要一个有据可查、能写进采购文档的基准测试，本次对比中所有模型里最简洁的输出画像，或者在你已信任的固定快照上 Grok 家族中最便宜的缓存费率——并且要注意，尽管 Grok 4.5 在费率卡的每一项上都落败，却在每个已完成任务的成本上取胜，这是本文为它给出的最有力论据。要明白你放弃了什么：一个与两代后继者标价相同的两代前的老模型，没有权重，在 200,000 个 token 处存在重新计价的断崖，上下文只有更便宜替代方案的一半，以及一个已被评测方冻结的分数。好处是你清楚自己买到的是什么，而对于黑盒模型来说，这一点自有其价值。它不值得你在输入和输出上付双倍价钱，但任务层面的数据表明，这一溢价并没有费率卡看上去那么大。

这一切都不构成回避该模型的理由，而只是一个了解其历史的理由：这一类模型背后有据可查的 AI 事件与智能体故障，均收录于 OrcaRouter AI 事故档案，其中每一条目都附有自己的来源、严重程度、置信度评级以及争议标记。