StepFun Step 5 Preview: Stor kontekst, API-pris og forskellen på Flash-modellerne

Step 5 Preview er StepFuns bud på en model til opgaver, hvor en AI-agent skal arbejde med meget materiale og gennemføre flere trin. StepFun anbefaler den især til softwareudvikling, professionelt vidensarbejde og agentopgaver. Hvis opgaven primært handler om hurtig multimodal behandling eller ren tekst, peger selskabet i stedet på sine mindre Flash-modeller. 1

Hvad får man med Step 5 Preview?

Modellen tager tekst, billeder og video som input og har et kontekstvindue på en million tokens. Det er mængden af input, modellen kan have med i én sammenhæng – ikke et løfte om, at den husker alle detaljer korrekt eller kan fuldføre enhver lang opgave uden fejl. 13

Step 5 Preview beskrives som en sparse mixture-of-experts-model, eller MoE: Den har 600 milliarder parametre i alt, men omtrent 27 milliarder er aktive pr. token. StepFun fremhæver længerevarende arbejde på tværs af softwaremiljøer og opgaver inden for blandt andet finans. Det er modellens tilsigtede anvendelser, ikke dokumenterede garantier for den enkelte arbejdsgang. 5116

Kan den bruges nu – og hvornår kommer åbne modelvægte?

StepFun opfører step-5-preview som en model, der kan vælges via selskabets API. Ifølge omtale er udgivelsen af åbne modelvægte planlagt til 15. oktober 2026. Pr. 25. september er det en fremtidig dato, ikke en gennemført officiel udgivelse. 332

Der findes allerede tredjepartsarkiver på Hugging Face, som hævder at tilbyde BF16-modelvægte. De opslag dokumenterer dog ikke i sig selv, at StepFun har udgivet et officielt checkpoint. 511

Pris og målt hastighed

Artificial Analysis giver Step 5 Preview 44 point på sit Intelligence Index. Tjenesten angiver en pris på 1,00 USD pr. million inputtokens og 2,70 USD pr. million outputtokens. Den har desuden målt cirka 83 outputtokens i sekundet via StepFuns API. Hastigheden gælder målingens testforhold og er ikke en fast hastighed for alle forespørgsler. 21

Hvilken model skal man vælge frem for Flash?

StepFuns egen anbefaling skelner efter opgaven: Step 3.5 Flash til rene tekstopgaver, Step 3.7 Flash til hurtig multimodal ræsonnement og Step 5 Preview til opgaver med større kontekst og flere agenttrin. 1

Step 3.7 Flash kan forstå billeder og video, har tre niveauer for ræsonnementindsats og et kontekstvindue på 256.000 tokens. Dens sparse MoE-arkitektur har 198 milliarder parametre i alt og cirka 11 milliarder aktive pr. token. Tallene er lavere end Step 5 Previews 600/27 milliarder parametre og en million tokens, men parameterantal alene afgør ikke, hvilken model der passer bedst til en konkret opgave. 25

Hvad ved vi om teknikken bag?

Et tredjepartsopslag tilskriver det lange kontekstvindue en teknik kaldet Sparse GQA. En anden omtale beskriver træning med on-policy forstærkningslæring over lange forløb og nævner blandt andet tilpasning mellem træning og inferens ved MoE-routing, MTP-3 spekulativ afkodning, FP8 MoE og aflastning af KV-cache. Ifølge samme omtale rapporterer StepFun en mere end tredoblet samlet hastighed for forstærkningslæring over lange forløb. Det er viderebragte tekniske oplysninger og en rapporteret gevinst – ikke uafhængigt fastslåede resultater i den tilgængelige primære dokumentation. 537

Materialet dokumenterer heller ikke en bestemt rolle for Step 5 Preview i at generere verificerbare opgaver. Det viser ikke, hvor meget hver enkelt opmærksomheds- eller træningsteknik isoleret set forbedrer ræsonnement eller brug af værktøjer. 137