Step 5 Preview 弃争绝对跑分，用 27B 激活重绘成本红线

2026年9月20日

大模型StepFun开源Agent

数据源：HN + web research

2026 年 9 月 19 日，阶跃星辰发布了 Step 5 Preview。模型总参数达到 600B，每 token 激活 27B。在基准榜单上，它没有全方位压倒 Claude Opus 5 和 GPT-6 Astra。在特定项目中，它甚至有显著的弱项。但这家公司把同等智能下的单任务成本压了下来。官方同时承诺在 10 月 15 日开放权重。前沿能力与可部署成本之间的那条帕累托前沿，正被往外推。

绝对能力不争第一，盯准 27B 激活成本

代码基准 DeepSWE v1.1 测试中，Step 5 Preview 拿到 67.7 分。这个成绩与 Kimi K3 几乎持平，落后于 GPT-6 Astra。自建的 StepCodeBench 涵盖了大量仓库与语言环境。它在此项取得 49.0 分，领先于 Kimi K3，但仍落后于 Claude Opus 5 的 63.9 分。

**当模型能够覆盖大部分日常工程需求时，绝对能力差距不如单次调用成本优势更关键。**基于 Mixture-of-Experts 稀疏架构，单次激活仅需 27B 参数。系统支持 1M token 的超长上下文，并原生具备视觉能力。智能体任务通常需要高频调用。用更少的计算资源完成多轮推理，比在实验室刷出榜单第一更具实用价值。

图：Artificial Analysis Intelligence Index 与单任务成本的关系图。来源：阶跃星辰官方

单卡 24 小时优化内核，逼出 508 TFLOPS

模型在面对开放的长程任务时，展现出了高性价比的探索能力。官方将模型放入单张 NVIDIA H100 显卡环境，让它从零开始优化一个 MLA GPU kernel。系统允许其不断试错并丢弃变差的代码版本。约 22 小时后，该 kernel 达到了 508 TFLOPS 的吞吐量。这个指标稍微超过了 Claude Opus 5 的 493 TFLOPS。

**智能体工作流需要庞大的并发试错容量，27B 激活让这种重度探索成为可负担的常规操作。**数据显示，约有七成的内外部专家认可其实力。他们认为模型能自主解决中等偏高复杂度的编码任务。

图：24 小时推理优化吞吐曲线，Step 5 Preview 反复刷新最好成绩到 508 TFLOPS。来源：阶跃星辰官方

自动化后训练追平 Claude，消耗更少标注

长程优化能力也延伸到了模型训练本身。另一项任务中，Step 5 Preview 被用来改进 Qwen3 在 AIME24 上的表现。它经历 24 小时自动化后训练，将目标准确率从 53.3% 提升到了 60%。

这个成绩与 Claude Opus 5 耗时相当且结果持平。但 Step 5 Preview 在训练中消耗了更少的标注 token。让 AI 优化 AI 的自举过程对吞吐量要求苛刻，降低每一层的激活参数是跑通这个循环的物理前提。

另一个游戏测试中，Step 5 Preview 连续运行《Pokémon Red》3000 多回合，消耗 600 万 token 进行交互。无针对性优化的前提下，它在第 3082 回合击败了馆主并拿到三枚徽章。这约等于完成了主线三分之一的进度。动辄数百万 token 的探索，对模型的推理稳定性与成本提出了双重考验。

终端跑分翻车，但在长程实战拿分

这款模型存在明确的偏科现象。Terminal-Bench v4 测试中它仅得到 33.3%。这大幅落后于 GPT-6 Astra 与 Claude Opus 5。在 GDP.pdf 中得分仅有 14.8%。HLE 与 GDPval-AA v2 的成绩，也同样劣于主流的前沿模型。

但在垂直领域实战中，表现呈现反差。金融基准 FrontierFinance 给出 66.4 分。这个数字超过了 Kimi K3 与 DeepSeek V4.1 Flash。在一个气候研究任务中，它单次完成了 950 次网页抓取。模型最终汇编了 1000 个地点长达 25 年的 30 万条记录。另一份柴油审查任务中，它输出了 17 个工作表的分析文件。把算力倾斜给长程专业知识工作，因为实用的智能体需要特定场景的可靠输出，而非处处平均。

图：StepCodeBench 前六大任务类别的雷达图。来源：阶跃星辰官方