六千亿参数，只动百分之四点五：Step 5 Preview 把成本账单翻到了背面

一柜子工具摆在墙上，每次干活只抽出其中一把。真正决定这次活干得快不快的，是抽出来的那把有多大、抽得准不准；柜子有多大几乎不参与结算。

2026 年 9 月 20 日，阶跃星辰发布新一代旗舰基座模型 Step 5 Preview，给出的结构比例正是这个意思：总参数约 6000 亿，每生成一个词元只激活约 270 亿，占总量 4.5%。上下文窗口 100 万词元，原生支持文本与图像输入，输出只有文本。API 当天开放，完整权重定在 10 月 15 日开源，BF16 精度，许可证未公布。

百度百科式的介绍到这里就够了。真正值得琢磨的是后面两件事：他们把"便宜"写进了标题，而一份独立评测把"便宜"的背面也翻了出来。

🧱 92 层，怎么把 100 万上下文装进一份预算

先看架构。Step 5 Preview 没有把网络往宽里铺，而是走"窄而深"：92 层 Transformer 堆叠。

厂方给的理由是：更深的堆叠能拉长隐式多跳推理的信息路径，而这恰好是长 prefill 阶段最吃紧的地方：智能体在长任务里要反复搜索、跑代码、读工具返回，上下文是一寸一寸堆上去的。

为了让百万词元级会话不把显存吃穿，模型加了 Sparse Grouped-Query Attention 与块级词元合并，前者把索引器与 top-k 选择的成本压到密集基线的约八分之一，后者把相邻重叠的选择合并掉。训练侧配套了 on-policy 长程强化学习、MoE 路由上训练与推演的位级对齐、负载感知调度、MTP-3 投机解码、FP8 MoE 与 KV-cache offload。官方称长程 RL 端到端加速三倍以上，sample-ledger loss 低于 1%。

这条产品线自己承认了一件事：三代基座追的是同一个指标，也就是算力转化成智能的效率【直引：阶跃官方的三代叙事】。稀疏激活是这个问题在工程侧的答案。

💵 一美元的输入价，和一个更诚实的数字

价格表是这样的：输入每百万词元 1.00 美元，输出每百万词元 2.70 美元，缓存折扣给到 95%。国内定价 7 元与 20 元。

放到同一张榜单上看更清楚。Artificial Analysis 给这批同类模型的中位数是输入 1.88 美元、输出 10 美元。Step 5 Preview 的输出单价只有中位数的两成多。

但同一份独立评测里还有一组数字：

低单价与多词元，本来是同一笔账的两头。这份评测跑完，Step 5 Preview 输出了 1.6 亿词元，同批模型的中位数是 9200 万，差不多 1.7 倍。AA 的措辞是"速度高于平均，但回答非常冗长"。这轮评测总花费约 918 美元，其中约 432 美元花在输出词元上。

所以广告里那个"单任务成本只有 Claude Opus 5 的八分之一"的说法，需要拆开看：它是阶跃自己算的口径，而 AA 那边把速度与啰嗦一起折进去之后，给出的单任务加权成本是 0.71 美元。这个数字比单看价格表可靠得多【判断：此处目的只在提示比价需用同一分母】。

公平地说一句：在金融、Agent、软件工程这类硬任务上，愿意多吐词元的模型往往更扛得住长思考。冗长既是能力评价，也是账单，两头都得认【判断】。

📊 44 分是怎么来的：两份尺子，两种口径

Artificial Analysis 的 Intelligence Index v4.3.2 给 Step 5 Preview 打了 44 分，在 200 个参评模型里排第 24 位：与 Kimi K3 同档，比 GLM-5.3 低 1 分（见前图）。

阶跃的宣传稿把 44 分描述为"挤进全球开源模型前三"。这两句话不冲突：开源阵营的前排确实坐进去了，离绝对前沿还差一截【推论】。

厂商自测的那一栏里，StepCodeBench 是阶跃自建的，覆盖 553 个独立代码仓库、9 类任务、33 种编程语言。拿自己的尺子量自己，分数好看是正常的；好处是 553 个仓库的覆盖面比只测单一语言的窄榜单有信息量，代价是构建与管理的口径仍掌握在厂方手里【判断】。

Terminal-Bench 4.0 这一项，独立评测记录到 33.3%：高于 DeepSeek V4.1 Flash 的 26.8%，远高于 Kimi K3 的约 12.6%；但低于 GLM-5.3 的 41.9%、Claude Opus 5 的 52.3% 与 GPT-6 Astra 的 57.9%。这道题的差距比宣传稿里呈现的更大。

最亮的是金融。FrontierFinance 拿到 66.4 分，这也是官方重点展示的一块。

用一张表把三条路线摆在一起，量级差异比单看一个模型清楚得多。

Step 5 Preview 与同期国产旗舰的稀疏路线对照

三条路线的共同点只有一句话：把每个词元要动的算力压进两位数【推论】。

🔧 那台跑了 24 小时的机器，和一份没被解决的问题清单

官方披露里最像"干活"的一项是 GPU Kernel 优化：在一项持续 24 小时的任务里，模型把 MLA 内核的峰值推到 508 TFLOPS，对照的 Claude Opus 5 是 493。同一批材料里还有一个自动化后训练实验：把 Qwen3-30B-A3B 在 AIME24 上的成绩从 53.3% 提到 60%。

这些数字属于上面那张图的右半边，也就是官方自测。它们记录的是"能做什么"，不是"在别人手里也能做到什么"【推论】。

第四项值得单独说。此前在开发者工具链里流传的一份第三方配置把这款模型记成 35 万词元上下文、最大输出 6.4 万词元。官方发布把 100 万写进了自己的规格表，但那份配置里的数字并没有被解释。这道缝到底来自版本差异、服务端限制还是文档混乱，发布当天没有答案【判断：属于待澄清项，不宜默认哪一方为准】。

🧭 效率这条路走通了，然后呢

把这件事放到更长的时间轴上看。

过去两年半，大模型的能力竞争主要靠堆训练算力。现在这批模型在做的是另一件事：把"每一次调用要花多少钱"当作一等公民来设计。稀疏激活、缓存折扣、投机解码、KV offload，全都是围绕这个目标堆起来的工程件。

Step 5 Preview 证明的是效率这条路走得通。它还没有证明能力追平前沿：Terminal-Bench 上 8.6 分的差距、AA 榜单上 24 名的位次、以及需要在官方基准表里混着独立分数一起读的现状，都指向同一个结论【推论】。

10 月 15 日之后，名单上的每一条都能被外人自己跑一遍。在那之前，"便宜"这个词到底省在哪一层，是省在单价、省在词元数，还是省在单任务总账，只有厂商的报价单可以回答。等权重落地，回答它的会是别人。

参考文献

1. StepFun 开放平台，Step 5 Preview，2026-09-20. https://platform.stepfun.com/
2. Artificial Analysis, Step 5 Preview — Intelligence Index v4.3.2 / pricing / latency，2026-09-20. https://artificialanalysis.ai/
3. OrcaRouter, Step 5 Preview: what StepFun's 600B flagship really ships，2026-09-20. https://www.orcarouter.ai/blog/step-5-preview-open-weights
4. RuntimeWire, StepFun launches a 600B agent model at $1 per million input tokens，2026-09-20. https://runtimewire.com/article/stepfun-step-5-preview-600b-agent-model-pricing
5. Pandaily, StepFun launches Step 5 Preview, a 600B MoE model with 1M context，2026-09-20. https://pandaily.com/stepfun-step-5-preview-600b-moe-1m-context