Step 5 Preview：600B MoE、1M 上下文，10 月 15 日开放权重

一、9 月 20 日，北京

阶跃星辰（StepFun）在 9 月 20 日于北京发布 Step 5 Preview，API 当日即上线于 platform.stepfun.com。发布与可用之间没有间隔期，这在国产模型的发布节奏里并不常见 —— 通常是「发布 → 排队 → 放量」三段式，这次直接跳过了排队。

首批可用的是 Preview 版，官方承诺的开放权重下载节点是 10 月 15 日。也就是说，从发布到权重可用，中间只隔不到一个月。

二、架构：6000 亿总参数，每 token 只激活 270 亿

厂商公布的技术规格：

项目	规格
架构	稀疏 MoE（混合专家）
总参数	6000 亿（600B）
每 token 激活参数	270 亿（27B），约占总参数的 4.5%
网络结构	92 层 narrow-deep Transformer
上下文窗口	1,000,000 token
单次最大输出	64,000 token
输入模态	文本、图像、视频

4.5% 的激活率是这份规格表里最有分量的数字。它意味着 Step 5 的推理算力开销更接近一个 27B 的稠密模型，而不是一个 600B 的模型 —— 这正是 MoE 架构存在的意义：把「参数规模带来的知识容量」和「每 token 的计算成本」解耦。

需要说清楚的是，激活率低不等于显存占用低。自部署时你仍然需要把 600B 权重全部装进显存（哪怕只激活 27B），这决定了自建的门槛由总参数量决定，而不是激活参数量。API 用户的成本则由激活量决定 —— 这两件事对不同的人意味着完全不同的结论，后面会分开讲。

三、价格：$1 输入、$2.70 输出，缓存输入打到 5%

计费项	价格	备注
输入	$1.00 / 百万 token	标准输入价
输出	$2.70 / 百万 token	标准输出价
缓存输入	$0.05 / 百万 token	相当于标准输入价的 5%

横向对比一下输出价：约为 Kimi K3（$15 / 百万输出 token）的 18%（Kimi K3 为官方 API 公开定价，2026 年 9 月核价）。这是一个非常激进的定价档位 —— 不是「比闭源旗舰便宜一点」，而是输出价只有同级别闭源模型的 18%，约合其 1/5.6。

而缓存输入 $0.05这个数字，量级上已经接近于「几乎免费」。配合 1M 上下文，它意味着：只要你的缓存前缀设计得当，超长上下文的边际成本会低到可以忽略。对需要反复读取大型代码库、长文档集、客服历史会话的场景，这是可以直接改变架构决策的成本结构。

四、能力边界：1M 上下文、6.4 万输出、三档推理努力

100 万 token 上下文，单次最多 6.4 万 token 输出。输出上限比多数模型的 8K～32K 高出一到两个数量级，对应的是「一次成稿」型任务
接受文本、图像、视频输入 —— 一个模型同时覆盖三种模态的输入，不需要拼多模型管道
三档推理努力级别，可在速度与深度之间逐级取舍：低档标为 speed、高档标为 depth，中档的命名厂商未公布。同一套权重，不同任务走不同的推理预算

三档推理努力级别是成本控制的关键抓手，也是这次发布里最容易被忽略的一项设计。它的意义在于把「深度推理」变成一个按需付费的旋钮：

低档（speed）：分类、抽取、改写、路由判断 —— 绝大多数请求根本不需要深度思考
高档（depth）：复杂推理、架构决策、疑难 debug —— 真正需要「想清楚」的少数请求
因为是同一个模型的不同档，你不需要维护两套模型路由，业务代码只需传一个参数

对比一下：如果「快模型 + 慢模型」是两个独立型号，那么路由逻辑、提示词、评测基线都要维护两套；而 effort 档位是同一模型内的连续旋钮，切换成本几乎为零。工程上这是更干净的设计。

五、基准成绩：注意口径

厂商公布的成绩如下：

基准	Step 5 Preview	对比型号	对比分数
DeepSWE v1.1	67.7%	Claude Opus 5	74.0%
Terminal-Bench v4	33.3%	GPT-6 Astra	57.9%
Artificial Analysis 智能指数	44	GLM-5.3	45（基本持平）

这里必须把话说透，否则容易被数据误导：

这些是厂商公布的成绩，不是第三方独立复现的结果
对比口径是 Step 5 的 High 档 vs 对手的 Max 档。也就是说，Step 5 用的是它的高推理档去对比对手的最高档 —— 这个对比本身是「顶配对顶配」，公平性上没问题，但你不能用这个差距来推断日常调用的表现
更重要的一点：终端基准的差距（33.3% vs 57.9%）远大于编程基准的差距（67.7% vs 74.0%）。DeepSWE 衡量的是「能不能改对代码」，Terminal-Bench 衡量的是「能不能在真实终端环境里自主完成任务」—— 后者对长程规划、工具使用、错误恢复的要求高得多。这说明 Step 5 在「写对一段代码」上接近顶级，在「长时间自主操作环境」上还有明显差距
Artificial Analysis 智能指数 44 与 GLM-5.3 的 45 基本持平，说明综合能力位在同一梯队，没有拉开身位

第三方独立评测出来的分数，很可能与厂商公布值有出入。真实选型应该自己跑一遍自己的任务集，而不是拿厂商表格当结论。

六、长程能力演示

厂商还演示了几项长程任务：

24 小时自主 GPU kernel 优化达到 508 TFLOPS
24 小时自动化训练改进循环
3000 回合宝可梦红通关

这些是厂商演示，不是可复现的基准，但它们指向一个具体能力：在超长时间跨度上保持目标不漂移。3000 回合通关这类任务，需要模型在几千次交互里持续追踪长期目标而不跑偏 —— 这正是 1M 上下文 + 6.4 万输出 + 92 层 deep 结构想要解决的问题。

对工程的现实意义：如果你的场景里有「跑几个小时甚至几天、目标复杂、需要反复试错」的任务（比如自动化训练平台、GPU 调优、复杂运维诊断），这类长程能力比单次 benchmark 高几分要有价值得多。

七、单位经济性：开放权重 + 1M 上下文 + 5% 缓存价

把三件事放在一起看：开放权重（官方承诺 10 月 15 日节点）+ 100 万 token 上下文 + 缓存输入 5% 价，这个组合对不同使用者意味着完全不同的结论。

如果你用 API：

输出价 $2.70 / 百万，是 Kimi K3 的约 18%（Kimi K3 为官方 API 公开定价，2026 年 9 月核价），属于可以把它设成默认档的价格水位
缓存输入 $0.05 基本等于免费，1M 上下文的重复前缀应该无条件全部走缓存
三档 effort 让「哪些请求值得深度推理」变成一个可以逐业务线调的参数

如果你自部署：

600B 总参数意味着硬件门槛由总参数量决定，不是激活的 27B —— 显存、跨节点通信、专家并行的复杂度都要按 600B 算
自部署的真实收益不在「省掉 API 调用费」，而在数据不出域 + 可微调 + 无并发排队 + 可控延迟。用「API 费 vs 自建成本」算回本，通常在中小流量下根本算不过来；真正划算是数据合规或高并发稳定性的场景
另外，10 月 15 日的开放权重节点本身就是一个时间点：在那之前你只能做 API 侧的评估；之后才能评估量化效果、推理吞吐、以及在你的具体硬件上的真实成本

八、选型建议：什么适合，什么不适合

适合：长文档 / 大代码库分析。1M 上下文 + 5% 缓存价，让「把整个仓库或文档集塞进去反复追问」这个模式第一次在经济上成立。这是 Step 5 最被低估的用法
适合：多模态输入的统一管道。文本、图像、视频三种输入一个模型搞定，省掉多模型串联的编排成本
适合：批量长输出任务。6.4 万 token 的单次输出上限，适合「一次生成完整方案 / 批量生成 / 深度报告」这类任务
适合：成本敏感的高频调用。$1 输入 + $2.70 输出，配合 effort 档位分级，足以支撑把它设为默认模型的成本论证
不适合：强依赖终端自主操作的长程 Agent。Terminal-Bench v4 的 33.3% 说明这是它的短板区，这类任务现阶段仍应选对手的 Max 档
不适合：追求最高单体能力上限的任务。DeepSWE 67.7% 对 74.0%、智能指数 44 对 45 —— 综合位次是同一梯队而不是第一，作为「唯一主力模型」风险偏大
不适合：没有 GPU 预算又要自部署的场景。600B 的总参数规模不是消费级或单卡工作站能承接的

务实的用法是把它放进候选池而不是当唯一主力：用 API 先跑一轮自己的业务集评测，拿到实际数据；等 10 月 15 日权重到位后，再评估自部署的吞吐与成本曲线；配合三档 effort 建立「哪些请求值得用高档」的分级路由。

九、写在最后

Step 5 Preview 值得关注的地方，不是它刷新了哪个榜单 —— 智能指数 44、Terminal-Bench 33.3%，它都不是第一。它值得关注的地方是把几件原本不同时出现的东西放到了同一个模型里：万亿级规模的开放权重路线、100 万 token 上下文、5% 的缓存输入价、以及可按调用取舍的三档推理努力。

这四件事各自都不新鲜，但组合起来改变的是成本曲线，而不仅是能力曲线。对工程团队而言，一个智能指数 44、输出价只有 Kimi K3 的 18% 的模型，比一个指数 45、输出价贵 5.6 倍（$15 ÷ $2.70 ≈ 5.56）的模型更有工程价值 —— 后者你根本不会在高频场景里用。

至于那 10 月 15 日：那是官方承诺的开放权重节点。在那之前，Step 5 是一个价格友好的 API 服务；在那之后，它才是一个可以算清单位经济性的选项。两个阶段该做的事不一样，值得分开安排。

十、数据来源与口径说明

厂商公布（规格与价格）：稀疏 MoE 架构、6000 亿总参数、每 token 激活 270 亿（约 4.5%）、92 层 narrow-deep Transformer、100 万 token 上下文、单次最大输出 6.4 万 token、文本 / 图像 / 视频输入；API 输入 $1.00、输出 $2.70、缓存输入 $0.05（相当于标准输入价的 5%）每百万 token；10 月 15 日开放权重节点；三档推理努力级别（低档 speed、高档 depth，中档命名厂商未公布）；基准表中的 DeepSWE v1.1 67.7% 对 Claude Opus 5 的 74.0%、Terminal-Bench v4 33.3% 对 GPT-6 Astra 的 57.9%（对比口径为 Step 5 的 High 档对对手的 Max 档）。对比用的 Kimi K3 输出价 $15 每百万 token，为 Kimi 官方 API 公开定价，2026 年 9 月核价
厂商演示（非可复现基准）：24 小时自主 GPU kernel 优化达到 508 TFLOPS、24 小时自动化训练改进循环、3000 回合宝可梦红通关
第三方口径：Artificial Analysis 智能指数 44，对比 GLM-5.3 的 45（基本持平）

本文未做独立基准复现，也未对厂商公布值或第三方口径做额外外推。