Step 5 Preview 對決 Nemotron 3 Ultra：二十分錢換二十一個指數點

這些模型當中，有一款你今天下午就能下載，而它正是那個輸了二十一分的一款。Step 5 Preview是 StepFun 的封閉旗艦模型，於 2026 年 9 月 20 日開放 API，而且沒有任何你能拿在手上的授權檔案；NVIDIA Nemotron 3 Ultra 550B A55B自 2026 年 6 月 4 日起就一直在 Hugging Face 上，採用寬鬆授權，並附上其訓練配方。在 Artificial Analysis 智慧指數上，兩者分別是 44 對 23。在輸出價格上，則是每百萬個詞元 2.70 美元對 2.50 美元。二十分錢換二十一分，不是一個能乾淨俐落往任一方向解決的比較，這正是為什麼值得好好做這件事，而不是只掃過兩個頭條欄位就選邊站。

這兩者本週都不是新發布，而這對你如何解讀下方的數字很重要。兩者都已經可供呼叫數個月，兩者都經過相同的獨立測試框架，而且兩者在該期間內都沒有費率表變更。真正改變的事情更小，也更有趣：它們被評分所依據的指標在九月重建了，而現在它們是對照著從兩個不同母體抽出的兩個不同中位數來評判。這才是這個比較真正被決定的地方。

兩種截然不同的產品

把規格表並排閱讀，首先會注意到的是，它們幾乎算不上同一類東西。

• 參數 — 根據 StepFun 自家文件，Step 5 Preview 總參數約為 6,000 億，每個 token 有 270 億活躍參數；根據獨立委員會對其配置所記錄的數字，Nemotron 3 Ultra 總參數為 5,500 億，有 550 億活躍參數。

• 架構 — StepFun 並未發布 Step 5 Preview 的內部描述。NVIDIA 的模型卡記載了一種混合架構：交錯的 Mamba-2 層、選定的注意力層、LatentMoE 配置，以及 Multi-Token Prediction 頭。

• 上下文視窗 — 在 Step 5 Preview 的規格表中為 1M 個 token，最大輸出為 64,000 個 token，StepFun 亦有記載。Nemotron 3 Ultra 由執行它的評估器記錄為 262,144 個 token；廠商規格卡宣稱最高可達 1M，可透過服務配置達成，而非預設值。

• 輸入 — Step 5 Preview 支援文字、圖片與影片，每次請求最多 60 張圖片，以及 128MB 以下的 MP4 檔案。Nemotron 3 Ultra 則僅支援文字。

• 推理控制 —— StepFun 端有文件記載的低、中、高投入程度設定；NVIDIA 端則是一個聊天範本旗標，可開啟或關閉思考軌跡。

• 權重——Step 5 Preview 未公布任何權重，該模型為專有且僅提供 API，StepFun 表示將於 2026 年 10 月 15 日跟進發布 BF16 檢查點。Nemotron 3 Ultra 在 Hugging Face 上以 OpenMDW-1.1 發布 BF16 與 NVFP4 版本及 GenRM 獎勵模型。

• 部署門檻——不適用於 API 模型；在開放版本上，依廠商的最低規格，需八張 B200 等級或 GB200 等級 GPU，或十六張 H100。

• 費率表 — Step 5 Preview 為 $1.00 輸入、快取命中時 $0.10，以及 $2.70 輸出，資料來自 StepFun 的英文定價頁面。Nemotron 3 Ultra 則約為 $0.60 輸入、快取命中時 $0.16，以及 $2.50 輸出；請務必留意這組數字的來源：NVIDIA 並未公布費率表，因此這是獨立委員會所記錄、實際觀察到的供應商定價，而非供應商提供的數字。

大多數人視為決定性的那一列是第一列，而它是這八列中資訊量最少的。兩個總計彼此相差不到百分之九，但活躍參數卻相差兩倍，而活躍參數正是決定每個生成符元運算成本的因素。這兩個數字都無法預測出二十一分的差距。

中位數是在你看到分數之前就已做出的選擇。

這個獨立委員會並不是按單一領域來為模型評分。它會把模型分桶歸類——而模型落入哪個桶，會改變印在其分數底下的那句話，卻不會改變分數本身。

Step 5 Preview 被歸入一般推理類別，該類別在排行榜上計有 227 個模型，而其可比模型的中位數為 26。Nemotron 3 Ultra 被歸入開放權重類別，計有 117 個模型，其中位數為 18。因此，同一個排行榜將 44 描述為「遠高於平均」，並將 23 描述為「高於平均」，而這兩種描述都成立，因為 44 比其中位數高出 18 分，23 也比自身的中位數高出 5 分。

這不是什麼陷阱，也不是排行榜不公平。這是呈現開放模型的正確方式——你拿一個可下載的檢查點和其他可下載的檢查點比較；一個只能取得下載檔的團隊，並不是從這 227 個之中做選擇。但這確實意味著，任何引用 Nemotron 3 Ultra「高於平均」以及某個 44「高於平均」的人，都是在把兩個不同的句子互相比較。如果你想要這對模型的一個數字，就用原始指標，並接受那二十一分的差距；如果你想要的是決策，就用類別，並承認你已經這麼做了。

一個測試框架在兩者上測量了什麼

廠商表格不能彼此相減，因為 StepFun 和 NVIDIA 是在不同日子跑了不同的測試套件，而且 NVIDIA 的資料並未涵蓋 StepFun 報告的每一項基準。誠實的比較基礎是交集：同一個評估者對雙方都執行過的測試。

在 Artificial Analysis Intelligence Index 上，該交會點是 44 對 23。在每完成一項 index 任務的成本上，則是 1.03 美元對 0.60 美元。在輸出速度上則反轉，而且幅度很大：Step 5 Preview 為每秒 87 個 token，對上 Nemotron 3 Ultra 的 135.6，因此得分幾乎高出兩倍的模型，正是每個 token 生成速度慢約半秒的那一個。

最刺眼的一列是 Terminal-Bench 4.0。Step 5 Preview 在那裡拿下 33.3%。Nemotron 3 Ultra 拿下 0.5%。這不是任何一方的四捨五入假象，也不是什麼細微差距——在那個特定的代理式終端測試套件上，這款開放權重旗艦實質上等於沒有留下成績。陷阱在於，同一個排行榜也把同一個模型列在 Terminal-Bench 2.1 的 53.9%。兩個名稱幾乎相同的基準、同一任務家族的不同世代，而同一個模型在較舊的那個上坐擁 53.9，在較新的那個上卻是 0.5。如果你曾看到有人拿五十幾的 Nemotron 數字來跟你說，那就是它的出處，而且那並不是目前的套件。

有一項結果特別值得一提，正因為它極為罕見。NVIDIA 自家宣稱在無工具輔助下於 GPQA 達到 87.0%；而獨立測試測得 86.7%。廠商數字與外部數字僅差零點三個百分點，這正是值得信賴的評測表應有的樣貌，也讓 Terminal-Bench 4.0 上的 0.5% 更容易被視為真實結果，而非評估者的失誤。

在指數執行過程中，資金實際上流向何處

每 Token 的價格對於工作負載的成本幾乎沒有預測力，而這一對比大多數例子更能說明這一點。該排行榜會公布每個模型完整索引執行的成本分解，而對這兩者而言，佔比最高的項目並不是生成。

Step 5 Preview 每項任務的 $1.03 拆分為 $0.85 的輸入與 $0.17 的輸出。在輸入部分中，$0.62 是快取讀取，$0.22 是快取寫入，只有 $0.014 是全新、未快取的輸入。在輸出部分中，$0.12 是推理過程，$0.06 是最終答案。

Nemotron 3 Ultra 每項任務的 0.60 美元，拆分為 0.53 美元的輸入與 0.07 美元的輸出，而輸入那一行的組成幾乎是完全相反的鏡像——0.48 美元的快取寫入，對比僅 0.04 美元的快取讀取。

有兩個結論隨之浮現。第一個是，在大量重用前綴的長時程評估中，你所支付的成本大約有八成落在帳本的輸入端，這使得你的快取命中率與上下文紀律才是該最佳化的數字，而不是你的輸出長度。第二個是，這兩個模型產生帳單的方式不同：Step 5 Preview 是在為重新讀取一大段共享前綴付費，而 Nemotron 3 Ultra 則是在一開始就為把相異內容寫入快取付費。表面成本相近，卻是兩張不同的帳單——而且如果你的工作負載看起來更像其中一種模式而非另一種，$1.03 與 $0.60 的排序就可能翻轉。

冗長度數字說明了該輸出行其餘的部分。Step 5 Preview 在整個索引套件中產生了約 1.6 億個輸出 token，而中位數為 8,200 萬，該排行榜直白地形容為非常冗長。Nemotron 3 Ultra 產生了 1.1 億個，而中位數為 1.4 億，並稱之為相當精簡。較便宜的模型才是簡短的那個，而且它的簡短，正是對帳單會在意的那種方向。

下載帶來什麼，保存又需付出什麼

若你取用的是檢查點，Nemotron 3 Ultra 的價格並不是每百萬個輸出詞元 2.50 美元。那是租用別人部署的 Nemotron 3 Ultra 的價格。選擇下載，你買到的就是一組不同的成本，以及一組不同的權利。

權利是具體的，而這正是僅提供 API 的模型無論出價多高都無法比擬的部分。OpenMDW-1.1 隨附權重，而 NVIDIA 也一併發布了預訓練與後訓練的資料集，以及伴隨這些資料集的訓練配方。針對同一個模型，有一個 NVFP4 版本，大小約只有一半，而且 Ultra 權重是以 NVFP4 配方預訓練而成，而非事後量化——這就是為什麼這個小版本是該顯卡上的一級產物，而不是社群實驗。其商用立場說得很明白：可供商用與非商用。

成本也同樣具體。最低部署需求是 B200 等級的 GPU，或十六張 H100，而這是該卡所載明的最低門檻，並非建議。你實際取得的上下文視窗取決於你如何設定服務，預設為 256K，1M 則需要明確設定才能啟用。一個無法投入一整座機櫃的團隊，並不是在以 $1.00 與 $0.60 的輸入價格之間二選一；它是在一個模型與一張採購單之間做選擇。

這個比較有一個版本，是開源模型在人們口口聲聲說在意、卻鮮少為其定價的軸線上勝出——依賴性。Step 5 Preview 是你呼叫的端點和你信任的供應商，附帶的是一個被承諾而非已交付的檢查點。如果 StepFun 修改其價目表、收緊限制、棄用該 ID，或某週表現不佳，你唯一的槓桿就是你自己的錯誤處理。Nemotron 3 Ultra 的權重已經在某人的叢集磁碟上，而這具有實實在在的價值，即使同一個模型正以二十一個指數點之差落敗。

值得精確釐清另一方所謂「承諾」究竟是什麼意思，因為實際情況比兩邊陣營所願意承認的都更加混亂。BF16 版本的多個第三方鏡像在 9 月 20 日、也就是 API 開放當天，出現在 Hugging Face 上，其中有些 safetensors 檔案的容量遠遠超過 1 TB。那些是社群自行重新上傳的產物，並非廠商發布，而 StepFun 也沒有隨之發表任何開放權重的公告。它們所證實的是：權重正在流通，而所承諾的 10 月 15 日檢查點將只是一種正式化，而非一項揭露。

一個在我們閱讀它時移動了的數字

這篇文章裡有一個數字，在同一頁的兩次讀取之間出現了變化；這點值得特別點明，因為那正是比較悄悄失效的方式。

獨立評測委員會在 2026 年 10 月 9 日的報導中指出，Step 5 Preview 每項索引任務的成本為 $0.71。10 月 10 日再次閱讀，同一頁面顯示 $1.03。在那段期間，模型本身沒有任何改變，因為僅供 API 存取的模型權重不可能一夜之間產生變化。改變的是評估的計算方式：當供應商的快取價格變動、當評測者修訂其快取讀取假設，或當某次執行改以不同的 token 組合重新計算時，每項任務的數字會變動，而指數分數不會。

因此，請把每項任務成本視為帶有日期戳記的即時數字，而不是模型的固有屬性。本文中每個單項任務數字都是 10 月 10 日的讀數，並已標示為此。如果你要依據本頁建立預算，請以你在承諾當天自行取得的數字來建立——而如果你要比較不同週次的兩份報告，請先檢查擷取日期，再下結論說某個模型變便宜了。

你實際上會打給哪一個？

先說讓人不舒服的部分：OrcaRouter 並不路由這兩個模型中的任何一個。Step 5 Preview 可透過 StepFun 自家的 API 以及少數幾個第三方平台取得，而 Nemotron 3 Ultra 則由 NVIDIA 自家端點提供，並由多家供應商提供服務；你可以在讀到這兩項說法的同一分鐘內，對照我們的目錄加以查證。

這留下來的是依賴關係的形態，而不是模型的選擇，而這正是路由層在此發揮價值的地方。單一供應商路徑上的純 API 預覽，恰恰是那種供應商一個不順的下午就會變成你服務中斷的配置，而便宜的保險就是一個控制平面，能在供應商路徑一劣化時，立刻把請求切換到合格的備援路徑。這正是自動容錯移轉的用途：不是用來取代 Step 5 Preview，而是放在你真正能呼叫的模型前面，讓特定供應商的端點永遠不會是通往正式環境的唯一道路。做到這件事的同一個目錄，還承載了一把金鑰、一張帳單背後的 200 多個模型，並以 0% 加價轉嫁供應商的標價——這是論點的另一半，因為上游任何地方的價目表變動，在我們這邊當天就會生效，而不是等到下一次合約續約。

如果這兩個模型都不是你會呼叫的那一個，簡短版是這樣。當你想要分數、影片與圖像輸入，以及 90% 快取折扣時，就選 Step 5 Preview，並接受你租的是一個預覽版，既沒有權重授權，也帶著一個你還沒見過的十月檢查點。當權重比分數更重要時——因為地端部署限制、因為微調、因為一份你讀得懂的授權——就選 Nemotron 3 Ultra，並在編列 token 預算之前先編列機架預算，因為以每百萬輸入 token $0.60 來說，5500 億參數的部署只有在別人已經在幫你付 GPU 錢時才稱得上便宜。

要留意的是10月15日。如果 StepFun 發布了它承諾的 BF16 檢查點，本文的核心不對稱——這兩者當中只有一個能下載——就不再成立，而那二十一個指數點也會變得明顯更難被辯解掉。如果這個日期延後，開放權重模型的理由就會自動增強，這是一種很奇怪的能力差距縮小方式，卻也非常常見。