StepFun发布Step 5预览版：600B总参、27B激活MoE大模型

定位与核心能力

StepFun正式发布Step 5 Preview，定位为其面向智能体工作（agentic work）的全新旗舰模型。目标应用场景明确聚焦于软件工程、专业性知识工作与金融领域。模型主打核心优势是成本效率——StepFun团队称其在保持相近智能水平的前提下，显著降低单任务执行成本，即所谓‘帕累托前沿’（Pareto frontier）式权衡。

该模型已开放商用：用户可通过StepFun托管API或直接在其平台调用；但自托管（self-hosting）功能需待开源权重发布后方可实现。官方明确宣布，开源权重计划于2026年10月15日上线。按BF16精度粗略估算，6000亿参数模型权重本体即需约1.2TB存储空间（不含KV缓存），届时部署将依赖多GPU服务器硬件配置。

架构与技术特性

Step 5 Preview采用稀疏Mixture-of-Experts（MoE）架构，总参数量约6000亿，每token激活约270亿参数，激活率约为4.5%。官方文档披露的关键规格包括：模型ID为`step-5-preview`；上下文窗口达100万token；支持文本、图像与视频输入；输出为纯文本；提供低、中、高三档推理强度调节；并支持流式响应、工具调用、JSON模式、JSON Schema及提示缓存等功能。

在一项内部测试中，该模型单次智能体动作即可协调完成950次网页抓取任务。StepFun还通过其Step Plan框架实现了与Claude Code的集成。架构设计上，团队未选择拓宽网络宽度，而是采用‘窄而深’（narrow and deep）策略，堆叠了92层Transformer结构。研究团队认为，更深的层数可为隐式多跳推理提供更长路径，这对长prefill阶段（如智能体执行搜索、运行代码、解析工具返回结果等）尤为关键。

训练方法上，模型深度依赖on-policy、长周期（long-horizon）强化学习；技术细节还包括MoE路由层面的比特级训推对齐（bit-wise train and inference alignment）、MTP-3推测解码、FP8精度MoE计算，以及KV缓存卸载（KV-cache offload）。StepFun声称，上述优化带来超3倍的端到端长周期RL推理加速。

性能表现与基准测试

StepFun公布的基准测试中，Step 5 Preview统一以‘High’推理强度运行，而竞品Claude Opus 5与GPT-6 Astra则采用‘Max’强度。在FrontierFinance和DRACO两项评测中，Step 5 Preview得分分别为66.4与83.3，略低于Claude Opus 5（69.7 / 87.6），但明显高于GPT-6 Astra（55 / 76.8）。编程能力方面，其在DeepSWE v1.1、StepCodeBench与ProgramBench上分别取得67.7、49.0与80.5分，仍落后于两大竞品。

StepFun还开展了两项持续24小时的智能体实验：其一，在H100 GPU上将内核性能从493 TFLOPS调优至508 TFLOPS，优于Claude Opus 5；其二，通过自动化后训练，将Qwen3-30B-A3B模型在AIME24上的准确率从53.3%提升至60%。

第三方评估机构Artificial Analysis发布的独立测评显示：Step 5 Preview在其‘智力指数’（Intelligence Index）中得分为44分，远高于同价位段推理模型24分的中位数；实测API输出吞吐达99.8 token/秒。但报告亦指出，该模型在指数测试中生成了1.6亿token输出，高于同类模型9200万token的中位数——更详尽的推理过程部分抵消了单token成本优势。

商业化与定价

StepFun API当前标价为：输入token（缓存未命中）1.00美元/百万token；输入token（缓存命中）0.05美元/百万token；含推理的输出token 2.70美元/百万token。Artificial Analysis对比指出，同类模型输入与输出中位价格分别为1.88美元与10.00美元，Step 5 Preview在定价上具备显著竞争力。

编者观点

Step 5 Preview以高稀疏度MoE架构与超长上下文为支点，瞄准智能体驱动的复杂任务场景，其商业化节奏（先API后开源）与精准的成本导向策略，为中国大模型公司在工程落地与商业可持续性之间提供了新范式参考。