StepFun Step 5 Preview: Was das Modell für KI-Agenten bietet

Wer einen KI-Agenten durch eine umfangreiche Codebasis oder viele Dokumente arbeiten lassen will, stößt schnell auf zwei Fragen: Wie viel Material passt in eine Anfrage – und bleibt das Modell über mehrere Arbeitsschritte hinweg zuverlässig? Für solche Aufgaben positioniert StepFun Step 5 Preview. Das Modell nimmt Text, Bilder und Videos entgegen und bietet ein Kontextfenster von einer Million Token. Die Größe des Fensters allein beweist allerdings nicht, dass es Informationen über die gesamte Länge verlässlich abruft oder eine lange Aufgabe erfolgreich abschließt. 13

Verfügbarkeit und offene Modellgewichte

Step 5 Preview ist in StepFuns Dokumentation für die Nutzung über die API aufgeführt. Medienberichte nennen den 15. Oktober 2026 als geplanten Termin für die Veröffentlichung offener Modellgewichte. Stand 25. September 2026 liegt dieser Termin noch in der Zukunft; eine bereits erfolgte offizielle Freigabe lässt sich daraus nicht ableiten. Auf Hugging Face finden sich zwar Angebote Dritter, die BF16-Gewichte für sich beanspruchen. Diese Einträge belegen für sich genommen aber keinen offiziellen Checkpoint von StepFun. 332511

Architektur und Einsatzgebiet

Beschrieben wird Step 5 Preview als sparsames Mixture-of-Experts-Modell (MoE): Es umfasst insgesamt 600 Milliarden Parameter, von denen pro verarbeitetem Token ungefähr 27 Milliarden aktiv sind. Das Kontextfenster fasst bis zu eine Million Token; als Eingaben unterstützt das Modell Text, Bilder und Videos. Ein großes Kontextfenster schafft Platz für umfangreiches Ausgangsmaterial, ist aber kein Qualitätsnachweis für jede denkbare Aufgabe. 15

StepFun empfiehlt das Modell für Softwareentwicklung, professionelle Wissensarbeit und mehrstufige KI-Agenten – also Systeme, die eine Aufgabe in mehreren Schritten bearbeiten. In seiner Ankündigung hebt das Unternehmen zudem länger andauernde Arbeit in Softwareumgebungen und Aufgaben mit Finanzbezug hervor. Das sind vorgesehene Stärken, keine Garantie für jeden praktischen Einsatz. 116

Was über Training und Effizienz bekannt ist – und was nicht

Ein Modell-Eintrag eines Drittanbieters führt das lange Kontextfenster auf Sparse GQA zurück, eine Variante des Aufmerksamkeitsmechanismus. Ein weiterer Bericht nennt On-Policy Reinforcement Learning für längerfristige Aufgaben sowie die Abstimmung des MoE-Routings zwischen Training und Inferenz, MTP-3 für spekulative Dekodierung, FP8 MoE und die Auslagerung des KV-Caches. Dem Bericht zufolge schreibt StepFun diesen Maßnahmen eine mehr als dreifache Beschleunigung des gesamten Ablaufs beim Training für längerfristige Aufgaben zu. In den verfügbaren Primärunterlagen sind diese technischen Details und der Geschwindigkeitsgewinn jedoch nicht unabhängig belegt. 537

Auch eine konkrete Rolle von Step 5 Preview beim Erzeugen überprüfbarer Aufgaben ist durch das vorliegende Material nicht nachgewiesen. Ebenso wenig lässt sich daraus beziffern, welchen Anteil einzelne Trainings- oder Aufmerksamkeitstechniken an besseren Ergebnissen beim Schlussfolgern oder beim Einsatz von Werkzeugen hätten. 137

Preis und gemessene Ausgabegeschwindigkeit

Der unabhängige Modellvergleich Artificial Analysis bewertet Step 5 Preview mit 44 Punkten in seinem Intelligence Index. Er nennt 1,00 US-Dollar je Million Eingabe-Token und 2,70 US-Dollar je Million Ausgabe-Token. Bei Tests über StepFuns API wurden rund 83 Ausgabe-Token pro Sekunde gemessen. Das ist ein Wert unter den dortigen Testbedingungen, keine feste Geschwindigkeit für jede Anfrage oder jeden Anbieter. 21

Wann ist ein Flash-Modell die bessere Wahl?

StepFun empfiehlt Step 3.5 Flash für reine Textaufgaben und Step 3.7 Flash für schnelle multimodale Verarbeitung. Step 3.7 Flash versteht auch Bilder und Videos, bietet drei Stufen für den Denkaufwand und ein Kontextfenster von 256.000 Token. Sein sparsames MoE-Modell hat 198 Milliarden Parameter insgesamt, davon etwa 11 Milliarden aktive Parameter pro Token. Step 5 Preview liegt mit 600 beziehungsweise 27 Milliarden Parametern und einer Million Token Kontext darüber. 125

Für die Auswahl zählt deshalb vor allem die Aufgabe: Step 5 Preview ist auf viel Ausgangsmaterial und länger laufende Agentenabläufe ausgerichtet. Für schnelle multimodale Anwendungen beziehungsweise reine Textarbeit verweist StepFun auf Step 3.7 Flash und Step 3.5 Flash. Aus der Parameterzahl allein lässt sich nicht ableiten, welches Modell im konkreten Fall die bessere Wahl ist. 1