认识 Step 5 Preview：6000 亿参数的模型，每次只醒过来 4.5%
先看一组数字，挺荒诞的。
一个模型有 6000 亿个参数，但每生成一个 token，只有 270 亿个被叫醒干活——4.5%。剩下 95.5% 躺着。
这不是偷懒，这是 2026 年旗舰模型最主流的省钱姿势。而阶跃星辰（StepFun）在 2026 年 9 月 20 日把这套姿势推到了一个新位置：Step 5 Preview。
更让我在意的是另外两件事。
第一，它跳过了 Step 4.x。产品线从 Step-3.7-Flash 直接跳到 Step 5，中间那一代连名字都没留下。厂商敢这么跳号，说明它自己认为这一步够大。
第二，官方发布页最后一行的措辞是——"模型将于 10 月 15 日正式开源。"
也就是说：**今天能用，但拿不到。**这两件事在 2026 年已经不是一回事了，后面我会专门说这个。
什么是 Step 5 Preview
Step 5 Preview 是阶跃星辰（StepFun）于 2026 年 9 月 20 日发布的旗舰基座模型，采用稀疏 MoE 架构，总参数 600B、每个 token 激活 27B 参数，支持 1M Token 上下文窗口和视觉输入，重点面向 AI 编程、软件工程、专业知识工作与金融场景。
官方对它的定性很克制，就一句话："面向真实世界 Agentic 任务的旗舰基座模型"。
注意"真实世界"这三个字。它不是聊天模型，评价单位是一件事有没有被推进到交付，不是这一轮答得漂不漂亮。
把关键规格一次摆清楚（以下均为 StepFun 官方文档口径）：
| 项目 | 规格 |
|---|---|
| 模型 ID | step-5-preview |
| 架构 | 稀疏 MoE，总参数 600B / 激活 27B |
| 上下文窗口 | 1M tokens |
| 输入类型 | 文本、图片、视频 |
| 输出类型 | 文本 |
| 最大输入 | 1M tokens |
| 最大输出 | 64k tokens |
| 推理强度 | low / medium / high |
| 定价（人民币） | 输入 7 元/百万 token，缓存命中 0.35 元，输出 20 元 |
| 定价（国际口径） | $1.00 / $0.05 / $2.70 |
| 开源权重 | 官方称 2026 年 10 月 15 日 |
这里有个容易被骂的细节：上下文 1M，但最大输出只有 64k。 "能吃进一百万 token"和"能吐出多少"是两件事，别看到 1M 就以为它能一口气给你写二十万字。
价格值得单独讲一句。7 元/百万输入，对比 Kimi K3 的 3 美元输入 / 15 美元输出，输出价格差了五倍不止。阶跃官方的说法是：在相近智能水平下，它的单任务成本（Task Cost）明显更低，约为 Claude Opus 5 的 八分之一、Kimi K3 的 五分之一。
它有什么特点
稀疏到 4.5%，这是它所有故事的源头。 600B 决定能力上限，27B 决定单次推理成本。**能力按大模型算，账单按小模型付。**阶跃把这叫"智能效率的新一代帕累托前沿"——说人话就是：在"多聪明"和"多贵"这两个都要的图上，它想站在那条最外沿的线上。
Artificial Analysis Intelligence Index 44 分，追平 Kimi K3。 这是目前唯一一个由第三方实测的分数（AA 明确标注为 measured），比厂商自报的可信度高一档。44 分在 200 个模型里排第 24 位，与 Kimi K3 持平、只落后 GLM-5.3 一分。
官方把一整张对比表贴出来了，赢的输的都在。 这张表我建议你认真看（数据来自 StepFun 官方发布页）：
| 基准 | Step 5 Preview (High) | GLM-5.3 (Max) | Kimi K3 (Max) | GPT-6 Astra (Max) | Claude Opus 5 (Max) |
|---|---|---|---|---|---|
| DeepSWE v1.1 | 67.7 | 66.9 | 67.5 | 74.1 | 74.0 |
| StepCodeBench † | 49.0 | 40.2 | 43.9 | 61.0 | 63.9 |
| ProgramBench | 80.5 | 72.0 | 77.8 | 85.4 | 82.3 |
| Terminal-Bench v4 | 33.3 | 41.9 | 12.6 | 57.9 | 52.3 |
| ALE-CLI | 29.5 | 28.6 | 27.6 | 33.3 | 28.6 |
| GDPval-AA v2.1 | 1566 | 1645 | 1524 | 1542 | 1708 |
| FrontierFinance | 66.4 | 64.1 | 62.6 | 55.0 | 69.7 |
| DRACO | 83.3 | 82.3 | 78.5 | 76.8 | 87.6 |
| GPQA Diamond | 93.5 | 91.7 | 93.5 | 96.1 | 93.2 |
| CyberGym | 84.7 | 84.5 | 80.0 | — | — |
| MMMU-Pro | 76.0 | — (纯文本) | 81.0 | 87.0 | 85.0 |
† 标记为官方内部自研基准。
画像一眼就出来了：**在 Kimi K3 和 GLM-5.3 这条线上打平甚至局部超出，但离 GPT-6 Astra / Claude Opus 5 还有明显距离。**尤其是 Terminal-Bench v4 只有 33.3，落后 GLM-5.3 的 41.9、Opus 5 的 52.3，连 Astra 的一半都不到——终端里反复试错这类"最烧钱"的活，是它最弱的一块。
我挺欣赏它把 Terminal-Bench v4 这一栏原样放上去的。 这个分数是它的痛点，也是最影响实际账单的地方：一个便宜但要多试三四轮才能干完的模型，和一个贵但一轮搞定的模型，哪个省钱是要算的，不是看单价就能得出的。
StepCodeBench 是它自己造的尺子，所以那 49.0 得打折看。 覆盖 553 个独立代码仓库、9 类任务、20 个应用领域、33 种编程语言（从 Python、Rust 一直排到 Solidity、Zig、Assembly），评测设计参考产业需求和专家工作流轨迹。**尺子本身很专业，问题是量自己的尺子，天然该打个问号。**真要看软件工程能力，我更信 DeepSWE v1.1 的 67.7（第三方基准，SWE-agent harness）。
长程执行是它真正想卖的东西，而且给了可复现的实验。 三个案例，一个比一个离谱：
- 24 小时优化 MLA GPU Kernel：单张 H100，Head Dim 512 / Batch 1 / 64 Heads / 8192 Tokens，让它从零写并反复改。规则是"能跑但不如当前最优就放弃，从更优解往下搜"。约 22 小时后达到前向+反向合计 508 TFLOPS，是本次对比里的最高值（对比组含 Claude Opus 5）。
- 24 小时优化后训练数据流程：给它一个接生产数据的 API annotator，让它自己决定怎么调后训练数据，把 Qwen3-30B-A3B 在 AIME24 上从 53.3% 提到 60%——与 Claude Opus 5 持平，但消耗的 annotator tokens 更少。
- Bonus：宝可梦红。不做任何专项优化的情况下，连续 3000+ Turns、累计近 600 万 Token，解锁「居合斩」，第 3082 步击败枯叶道馆馆主马志士拿到第三枚徽章，主线进度约三分之一（人类通关主线约需 26 小时）。
600 万 token 打游戏打到第三枚徽章，这件事听起来像玩梗，但它测的其实是 Agent 最难的能力：在很远的目标上持续记住前面的结果、管理资源、处理互相依赖的子任务，并在原计划走不通时改道。 这三个能力，和你让它"重构一个三十万行的老项目"是同一批能力。
金融是这次单独拎出来重点讲的领域，而且分数确实能打。 FrontierFinance（第三方，6 类投资场景、220 道专家题、11,543 项评估标准）66.4 分，超过 GLM-5.3 的 64.1、DeepSeek V4.1 Flash 的 63.0、Kimi K3 的 62.6，仅次于 Claude Opus 5 的 69.7。官方另建了三项自研金融评测 FinStepBench（LiveSearch 74.5 / CorporateValuation 60.6 / DeepResearch 55.8），考核重点不是"算对没有"，而是来源能否追溯、假设是否明确、计算能否复现——这个取向我个人非常认同，金融分析里一个不能复现的正确数字，价值约等于零。
多模态是原生的，但文档类偏弱。 支持文本+图片+视频输入，单次最多 60 张图，视频走 URL / Base64 /
stepfile://，MP4 单文件 <128MB、建议时长 <5 分钟。MMMU-Pro 76.0 不算突出，而 GDP.pdf 只有 14.8%（Opus 5 21.6%、Kimi K3 22.0%）——长文档 PDF 理解是明确短板，这个数在官方表里也是垫底级别的。推理强度可调，
max_tokens默认不限制。 支持low/medium/high三档（Chat Completions 用reasoning_effort，Messages API 用output_config.effort），max_tokens默认为INF，让模型自己决定输出多少。注意最后这条："默认不限制输出长度" + "输出 20 元/百万" 组合起来，是有故事的。 有第三方实测发现它跑完整套 Intelligence Index 用了 1.6 亿输出 token，而全部模型的中位数是 9200 万——**这模型有点话痨。**单价便宜和总账便宜是两回事，上线前务必用你自己的 workload 压一遍。
用在哪儿
金融研究与估值。 这是官方最用力的一块，也是最像"能落地"的一块。官方 demo 里有一项柴油附加费分析：模型产出一个包含 17 个 Sheet 的分析工作簿，覆盖原始数据、跨序列核对、区域面板、公式和趋势模型，而且底层数据、计算过程和最终结论之间的链条被完整保留——覆盖范围、数据重叠、区域价格变化都能往下追，可以直接用于合同和采购复核。"能追溯"这三个字，是金融 AI 从玩具变工具的分界线。
大规模资料研究。 一项覆盖 1,000 个地点、25 年跨度的气候研究，模型在一次 Agent Action 内完成 950 次 Web Fetch，整理出横跨 11 个变量、30 万条月度记录的数据集，并分析出欧洲和大洋洲样本的季节峰值月份落在一年中相反的时段。这类"人干要三周、且极易出错"的活，是 1M 上下文 + 长程执行的正经用途。
长程软件工程与硬件调试。 官方给了个挺野的案例：在拿到开发文档和用户授权后，模型直接调用相机、COM 端口、截图和模拟鼠标输入，连续工作 3 小时以上做设备侧开发调试，根据设备反馈不断写、跑、改代码。这个场景以前基本只能靠人蹲在现场。
3D 与交互式前端。 不只会写前端代码，还能调用 Blender 创建并反复调整 3D 资产，再接进基于 Three.js 的交互应用和游戏。官方放了 Room Planner（一张卧室照片 → 可编辑 3D 空间 → 第一人称参观）、3D Flappy Bird、清明上河图等一组 demo。约 70% 的评测者认为它能自主完成中高复杂度的 Coding 任务（官方内部评测口径）。
成本敏感的长上下文批处理。 1M 上下文 + 缓存命中 0.35 元/百万，对反复读取同一份长上下文的工作负载（长文档问答、代码库检索、批量分析）性价比很突出。这也是它最稳的生态位。
不适合的也要说：终端里反复试错的 Agent 循环（Terminal-Bench v4 只有 33.3），长 PDF 文档理解（GDP.pdf 14.8%），以及任何你现在就打算自托管的方案——权重还没放。
初体验
三步走，五分钟内能跑通。
第一步：到 StepFun 开放平台 创建 API Key。
第二步：直接用 OpenAI SDK，base_url 换成 https://api.stepfun.com/v1。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_STEP_API_KEY",
base_url="https://api.stepfun.com/v1",
)
resp = client.chat.completions.create(
model="step-5-preview",
messages=[
{"role": "user", "content": "读一下这份年报，列出三处口径不一致的地方，并给出来源位置。"}
],
reasoning_effort="high", # low / medium / high
max_tokens=32768,
)
print(resp.choices[0].message.content)第三步：想直接看效果不想写代码，去 Studio 在浏览器里试；用 Claude Code 的话官方也给了接入文档。
四个坑，提前说：
一是最大输出是 64k，不是 1M。1M 指的是上下文窗口。长输出要自己分片。
二是它是 Preview，不是 GA。官方名字里就带着 Preview，别直接上生产核心链路。
三是权重 10 月 15 日才开源，现在没有可以自托管的东西。这点我要多说两句：网上出现过名为 stepfun-ai/Step-5-Preview-BF16 的仓库，各家报道对它"里面到底有没有权重"说法不一，而且它没有 LICENSE、没有 model card，config 里的架构类名还写着 step4 和 MMGPTStepRoboticsForCausalLM——一个从没公开发过的代号。**在官方正式发布之前，别把它当成"已经开源了"。**任何"10 月中旬前自托管 Step 5"的计划，目前背后是没有可靠产物的。
四是前面提过的话痨问题。单价便宜不等于总账便宜，第三方实测它的输出 token 用量明显高于中位数。上线前用你自己的 workload 跑一遍真实账单，别只看单价。
进阶
如果这篇文章你只记住一件事，我希望是这个判断：
2026 年旗舰模型的竞争坐标，已经从"谁分高"换成了"单位智能成本"。
Step 5 Preview 的 44 分不是全球第一，甚至不是国产第一。它真正的动作是：用 4.5% 的激活比例，把"接近前沿的智能"塞进一个远低于前沿的价格带里，然后告诉市场——够用且便宜，本身就是一个生态位。
当 Kimi、GLM、DeepSeek、阶跃都在 40 分这个区间挤成一团时，决定谁能被大规模调用的，就不再是那 1 分的差距，而是每一百万 token 多少钱、每一件任务总共要烧多少 token。
冷水照例要泼，而且这次要泼准：
官方那张表里，标注 † 的三项（StepCodeBench、StepCode-Bench-Daily/General、FinStepBench 系列）全是自研基准，量自己的尺子。目前由第三方独立实测的，基本只有 Artificial Analysis 的 44 分以及 GDPval-AA v2.1。而传播最广的那个 DeepSWE v1.1 67.7%，是厂商在自家 harness 上跑的——自报分数和实测分数不是同一种证据。请用不同的信任等级去看它们。
另外，Terminal-Bench v4 的 33.3 是一个真问题，不是可以忽略的细节。终端类任务恰恰是 Coding Agent 烧预算最狠的地方，一个便宜模型如果每单任务要多试三轮，省下来的单价会被轮次吃掉。"八分之一成本"这个说法的前提，是它一轮就能干完。
我的建议很具体：**如果你手上有长文档、多材料、需要交叉核对的分析类任务（财报、研报、尽调、竞品），拿它跑一批，重点看两件事——结论能不能追溯到原文位置，以及一个任务总共烧了多少输出 token。**这两件事，才是决定它值不值那个价的真指标。
再往深一层，我更推荐你去读官方发布页里那两个 24 小时实验（MLA Kernel 508 TFLOPS、AIME24 53.3%→60%）的完整过程。**同一个模型干这两件完全不同的事，靠的是同一批能力：长程记忆、反馈理解、自我放弃次优解。**这批能力现在正在从"模型能力评测项"变成"模型能不能干活的分水岭"。
更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。