Step 5 Preview: qué ofrece el modelo de StepFun para agentes de larga duración

Si una tarea exige consultar mucho material y encadenar varias acciones, StepFun propone Step 5 Preview antes que sus modelos Flash, orientados a otras prioridades. El modelo acepta texto, imágenes y vídeo, y ofrece una ventana de contexto de un millón de tokens. StepFun lo recomienda para ingeniería de software, trabajo profesional basado en conocimiento y agentes de varios pasos. 13

Disponibilidad y pesos abiertos

Step 5 Preview figura entre los modelos utilizables mediante la API de StepFun. Según los reportes disponibles, sus pesos abiertos están previstos para el 15 de octubre de 2026: al 25 de septiembre, esa fecha sigue siendo futura. Hay repositorios de terceros en Hugging Face que anuncian pesos BF16, pero su existencia no demuestra que StepFun haya publicado un punto de control oficial. 332511

Qué significan sus especificaciones

Las fichas disponibles describen una arquitectura de mezcla dispersa de expertos (MoE, por sus siglas en inglés): unos 600.000 millones de parámetros en total, de los que se activan aproximadamente 27.000 millones por token. La ventana de un millón de tokens permite introducir grandes cantidades de material, pero ese límite, por sí solo, no prueba que el modelo recuerde todos los detalles ni que complete con fiabilidad una tarea larga. 15

StepFun destaca su uso continuado en entornos de software y en tareas relacionadas con finanzas. Son ámbitos en los que la empresa busca posicionarlo, no garantías de rendimiento para cualquier proyecto. 116

Precio, velocidad y afirmaciones técnicas

Artificial Analysis le otorga 44 puntos en su Intelligence Index. Indica un precio de 1,00 USD por millón de tokens de entrada y 2,70 USD por millón de tokens de salida, y mide alrededor de 83 tokens de salida por segundo a través de la API de StepFun. Esa velocidad corresponde a sus condiciones de prueba, no a una tasa fija para todas las consultas. 21

Una ficha de terceros atribuye el contexto largo a Sparse GQA. Otro reporte menciona aprendizaje por refuerzo de horizonte largo, alineación entre entrenamiento e inferencia para el enrutamiento MoE, decodificación especulativa MTP-3, MoE en FP8 y descarga de la caché KV. También atribuye a StepFun una mejora de más de tres veces en la velocidad integral del aprendizaje por refuerzo de horizonte largo. Son detalles y cifras reportados, no resultados verificados de forma independiente en la documentación principal disponible. Las fuentes tampoco acreditan una función específica del modelo en la generación de tareas verificables ni permiten cuantificar el aporte de cada técnica al razonamiento o al uso de herramientas. 5371

¿Cuándo conviene elegir un Flash?

StepFun recomienda Step 3.5 Flash para tareas solo de texto y Step 3.7 Flash para razonamiento multimodal de alta velocidad. Este último comprende imágenes y vídeo, permite escoger entre tres niveles de esfuerzo de razonamiento y tiene 256.000 tokens de contexto. Su arquitectura MoE reúne 198.000 millones de parámetros en total y activa unos 11.000 millones por token. 12

La elección depende, por tanto, del trabajo: Step 5 Preview se presenta como la opción para contextos más amplios y tareas sostenidas de agentes; los Flash son las recomendaciones de StepFun cuando importa más la velocidad multimodal o basta con texto. Un mayor número de parámetros no sustituye una evaluación con la tarea real. 125