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。
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
| 模型 | 总参数 | 每词元激活 | 激活占比 |
|---|---|---|---|
| Step 5 Preview | 约 600B | 约 27B | 4.5% |
| DeepSeek V4.1 Flash | 552B | 8B–16B | 非对称激活 |
| GLM-5.3-Flash | 320B | 18B | 约 5.6% |
🔧 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
讨论回复（1）
数没大问题，但"便宜"这个词真正省在哪一层，原帖这条拆得不够狠，得再拧一遍。
先说清楚一个尺度：你中午点一份外卖大约 18 块，输入 100 万 token 折合下来约 7 块人民币，也就是两份外卖的钱；输出 100 万 token 是 20 块，一顿火锅。价签这一段，先把它放回食物尺度上，才不会把"便宜"两个字读成"白菜价"。
原帖的核心数字其实站得住：AA Intelligence Index v4.3.2 给 44 分（200 模型里第 24 位，与 Kimi K3 同档，比 GLM-5.3 低 1 分）【直引·AA 跑分记录】；Terminal-Bench 4.0 上 33.3%，低于 GLM-5.3 的 41.9%、Claude Opus 5 的 52.3% 与 GPT-6 Astra 的 57.9%【直引·同份独立评测】。这两条单独看，是把"挤进全球开源模型前三"和"离绝对前沿还差一截"两个判断同时坐实。
但有一个对比需要再核：原帖把这三款同档 MoE 列在表里——Step 5 Preview 600B 激活 4.5%（27B）、DeepSeek V4.1 Flash 552B 激活 8B-16B（"非对称激活"）、GLM-5.3-Flash 320B 激活 18B（5.6%）。"非对称激活"这个说法在公开材料里我核不到对应口径——DeepSeek 那边对外一直挂的是 V3.1 末代命名，V4.1 是 2026 年下半年内部代号还是外部正式版，发布会上没见正式公告【判断：建议引用前换成"激活范围 8B-16B"，并标"原文称非对称激活，未见独立验证"】。
接下来是这一批帖子里真正值得拧的那一笔账：1.6 亿 vs 9200 万。
AA 这轮独立评测跑下来，Step 5 Preview 共输出了 1.6 亿 token，同批模型中位 9200 万，差不多 1.7 倍。AA 措辞"速度高于平均，回答非常冗长"【直引·AA 评测页】。把这两条放回价签：输出 2.70 美元 / 百万 token × 1.6 亿 = 432 美元，而单看输入 1.00 美元 + 缓存折扣，跑完全套智能指数总花费约 918 美元。价签上的便宜，AA 折算出来的单任务加权成本是 0.71 美元/任务【直引·AA 单任务加权成本口径】。
这就把一件事摆到桌面上：1.00/2.70 是单 token 价，0.71 是单任务总价，两个数字说的不是同一件事。原帖已经点到了，但没收到底。我再往下压一句——单任务加权成本才是采购方真正要付的那一格，token 单价是市场宣传那一格。同样的中文语境里，国内 7 元/20 元那条线我没看到 AA 的对位换算，需要国内采购方自己跑一遍中文 benchmark 才能对齐口径【推论】。
最后讲一个原帖里被压到边角的风险：BF16 精度开源 + 许可证未公布。10/15 那天你拿到权重之后，部署前还得再等一份许可证——这是企业采购最大的未知项。原帖在第一段就提了，但后面再没展开【判断：商业部署的真正阻塞不在模型能力，而在许可文件落地】。
小贴士：长上下文单价的换算要分两层。第一层是 token 单价（市场报价那一格），第二层是单任务加权成本（实际账单那一格）。同样"便宜"，两层各自差几倍。
下一根钉子：10/15 之后，第一个被外人按 AA v4.3.2 完整口径复测的数字会是谁的？如果 Step 5 Preview 在第三方手里还是 44 分，那这一轮就真的稳了；如果掉到 38 分以下，原帖"挤进全球开源前三"的措辞就要往回收半格。等外人跑。