StepFun 的 Step 5 Preview 發布之夜：五位開發者對一款提前六週推出的模型有何看法

進場途中下起了雨，而這是 2026 年 10 月 22 日舊金山這場晚會中，StepFun 唯一無法控制的部分。公司租下一個場地，與 Together AI 共同主辦，並把場地坐滿——在開門之前，公開活動頁面上已有約 277 人報名——這場活動，邀請函上稱作 Step 5 Preview Launch Night，行事曆上則標為星期四。正在發表的模型自 9 月 20 日起已有 API，自 10 月 15 日起提供可下載的權重。這兩個日期都沒有因為這場派對而改動。這場派對所做的，是讓以模型為基礎進行開發的人，與訓練出這個模型的人齊聚一室，聊聊工作裡那些基準測試表格永遠捕捉不到的部分。

這個座談小組規模不大，卻異常具體：StepFun 的預訓練研究員周鴻宇、在 Together AI 負責核心運算的 Dan Fu、Pear VC 的 Mar Hershenson、Cline 的 Saoud Rizwan，以及 Harvey 的 Joey Wang。他們合起來涵蓋了決定一個模型能否被採用的四件事——它如何訓練、如何提供服務、是否有人願意資助建立在它之上的東西，以及代理迴圈能否仰賴它在第四十步時不會崩掉。

首先，是日期問題，因為它解釋了整個晚上的情況

Step 5 Preview 並非新發布的版本。StepFun 於 2026 年 9 月 20 日開放商業 API，而這次發布從一開始就是以預覽形式進行——step-5-preview 是模型 ID，並非後來有人加上的修飾詞。Artificial Analysis 將發布日期標為「2026 年 9 月」，未註明具體日期，其較舊的模型頁面則將日期列為 9 月 18 日；雙方從未解釋過這個與 StepFun 自家日期之間的落差，本文採用 StepFun 的 9 月 20 日，並附上此一但書。

10月22日當天真正重要的日期是10月15日。也就是 BF16 與 FP8 檢查點登上 Hugging Face 和 ModelScope 的時候，同時還有一篇技術部落格，描述一個 92 層的「窄而深」堆疊，以及一種稀疏 GQA 注意力模式，將閘控滑動視窗層與稀疏全注意力層交錯排列。最直白地解讀，這場活動就是一場權重發布的啟動之夜：當晚，這個模型不再只是你能呼叫的東西，也成為你能實際執行的東西。

這種解讀值得說明，因為另一種解讀——認為這是一個新模型——整晚甚囂塵上，而那是錯的。任何離開時仍以為 StepFun 在十月下旬推出模型的人，對於他們早就能做的決定，將會晚六週。

房間實際上被展示的是什麼

技術內容比行銷內容來得少，這在此格式中很正常。StepFun 在螢幕上展示的是模型的架構樣貌，而非最新一輪基準測試：一個稀疏混合專家模型，總參數達 6000 億，每個 token 啟用 270 億參數，從 352 個專家中路由 8 個，外加一個共享專家；三層多 token 預測層用於推測解碼；以及 100 萬 token 的上下文窗口。它接受文字、圖像和影片，僅輸出文字。StepFun 自家文件中的輸出上限為 64k token。

周的那一段，是最接近於針對「為什麼這個架構會長這樣」提出真正主張的部分：一疊很深的窄層，論點是深度能換來隱含的多跳推理，而較淺、較寬的模型必須花費 token 把它們明說出來。這個論點是否正確，不是發表之夜能定論的事。不過，這正是那種可下載的 checkpoint 能讓其他人測試的主張，而這正是 10 月 15 日之前不可能做到的事。

工具呼叫才是重點，基準測試則不然。

座談中最有價值的一段，談的是代理迴圈中的可靠性；這段內容來自現場兩位每天置身於這些迴圈之中、而非從事模型訓練的人。Rizwan 的產品 Cline 是一款編輯器代理，當模型在二十步任務的第十一步回傳格式錯誤的 JSON 時，它仍必須繼續運作。Wang 的雇主 Harvey 則在法律工作中執行類似的迴圈；在這種情境下，錯誤的工具呼叫不是一次糟糕的示範，而是一起責任事件。

雙方所描述的都是一種不會出現在基準平均分數中的失效模式：模型在前十輪表現出色，隨後卻悄悄改變其參數的形態。StepFun 在這一維度上公布的證據是其自家提供的，值得如此標註。在 Terminal-Bench 4.0 上，廠商報告為 33.3，而 Kimi K3 為 12.6；在 DeepSWE v1.1 上，則為 67.7 對 67.5。這些是廠商在其自行選擇的測試框架上運行所得的數字，尤其是終端工作方面的差距大到足以值得第三方複核，然後才有人據此規劃遷移。獨立評估方尚未針對該模型發布測試框架匹配的正面對比，而其確實發布的指數此後已經重建——見下文。

推論成本：以服務問題而非價目表的角度討論

Fu 的段落對任何打算自行託管的人來說最為重要，而且它的具體程度是發表會簡報通常不會有的。FP8 檢查點大約需要 773 GB 的 VRAM，且至少需要四張 GPU，並以 B300 作為預設目標；Hopper 路徑則需要八張 H200，因為模型無法放進四張 GPU。NVFP4 變體將佔用空間降到約 473 GB，並將可用上下文上限設在 320k 個 token，這是實質的取捨，而非捨入誤差。vLLM 和 SGLang 都在 10 月 15 日發布了配方，而 SGLang 路徑在冷啟動時需付出約十五分鐘的 FlashInfer 編譯成本。

相較之下，租用替代方案很簡單：在 StepFun 的美元卡上，每百萬輸入 token 為 $1.00、每百萬輸出 token 為 $2.70，快取輸入則按 90% 折扣計費。StepFun 的人民幣卡顯示輸入 ¥7、輸出 ¥20，快取命中為 ¥0.70——快取命中數字自北京時間 10 月 14 日 00:30 的 ¥0.35 翻倍而來，也就是在該活動的八天前，並對較早的隨用隨付使用者設有祖父條款。臺上沒有人提到那項變更。這是本月關於此模型最具影響力的單一定價事實，而且它存在於供應商自己的文件裡，而不是在簡報中。

Artificial Analysis 估算，在七比二比一的快取命中比率下，混合成本為每百萬個 token 0.54 美元，而完整執行一次 Intelligence Index 的成本為 2.35 美元。

最關鍵的問題，而這正是那個夜晚變得坦誠的地方

Hershenson 的貢獻最不涉及技術，卻最有用：提醒我們，之所以該在乎一個便宜、開放、支援長上下文的模型，是因為它改變了種子期公司能嘗試的事。一家原本在代理迴圈的每一步都負擔不起前沿模型的新創公司，現在負擔得起把這個迴圈多跑幾輪。Wang 從企業買家內部提出的同一觀點則是：採購時該問的不是「這是不是最好的模型」，而是「如果它比我們預期好一倍，而我們把所有工作都導向它，我們的成本與延遲會變成怎樣」。

那是路由問題，而這正是自架經濟學與 API 經濟學不再各自分立的地方。OrcaRouter 對此的立場很明確：平台用一支金鑰、一張帳單承載 214 個模型，並提供路由設定，讓你能宣告主要模型與備援鏈，而不是把模型 ID 硬編碼進應用程式；當供應商服務退化時，也會自動容錯切換。Step 5 Preview 不在這 214 個之列——截至 2026 年 10 月 29 日，即時目錄中沒有 StepFun 項目，本文任何內容都不應被解讀為我們聲稱有提供它。任何想今天評估它的人，都只能在 StepFun 自家 API 與自架 10 月 15 日釋出的檢查點之間做選擇。

模型發布後實際上改變了什麼？

三件事，依其對決策應有的影響程度排序。

首先是指數。10 月 27 日和 28 日，Artificial Analysis 將其 Intelligence Index 替換為第 5 版，把綜合指標 60% 的權重放在私有或留出測試集上，並重建九項組成評測。它刪除了 StepFun 發布資料所倚重的三項評測——GDPval-AA、SciCode 和 AA-LCR——並新增 FrontierCode 2.0 和 Terminal-Bench-Science。Step 5 Preview 在新指數上的得分是 29。它在舊指數上的得分是 44。這些是同一模型在兩套不同評分標準下的兩種不同測量結果，而不是模型變差了；9 月和 10 月流傳的 44 不應從任何在 v5 下評分的結果中減去。作為對照，Kimi K3.1 Pro 在同一重建中從 55 變為 46——一款剛剛發布的模型下降了九分。

第二個是授權條款。權重是開放的，意思是你可以在 OSI 意義上並非開放。StepFun Model License 1.0 對實質使用的輸出保留署名條件，要求硬體製造商——手機、車輛、穿戴式裝置、機器人——另行協商，並要求年營收超過 2,000 萬美元的模型即服務營運商取得商業授權。如果你是兩人團隊，這些都不會影響到你。如果你打算在其上轉售推論服務，就會立刻受到影響，而且值得在第一批 GPU 小時之前而不是之後先讀一讀。

第三點是先前已描述的價格變動，該變動發生在活動之前，且在活動中並未提及。

建構者應從今晚得到什麼啟示

10月22日的有用訊號，不是 StepFun 有了新模型，而是一家在九月發布旗艦模型的公司，在十月花了一晚與 Agent 建構者談論工具呼叫可靠性與核心層級服務成本——而且是在一個兩種問題都會切身受害的人坐在前排的場合。這家公司表現得彷彿未來六個月的採用情況，取決於可運作性，而不是另一個基準測試成績。

具體來說：如果你原本非得等到權重釋出，才願意認真看待 Step 5 Preview，那麼這場等待已於 10 月 15 日結束。如果你原本在等一個能拿來與其他一切相比較的獨立分數，那個數字如今已經存在，就是 29，而且它是在一套甫於所有人腳下重新打造完成的評分標準下測得的。這兩件事都是讓你此刻就形成看法的理由，而不是等到下一次發布之夜之後再說。