Step 5 Previewは長時間のエージェント作業向け。Flashモデルとどう使い分ける？

大量の資料を読み込み、ツールを使いながら作業を進める――StepFunがStep 5 Previewの用途として挙げるのは、そうした複数段階にわたる仕事だ。ソフトウェア開発や専門知識を要する業務向けに推奨しており、入力はテキスト、画像、動画に対応する。コンテキストウィンドウは100万トークン。一方、速度を優先するマルチモーダル処理にはStep 3.7 Flash、テキストのみの用途にはStep 3.5 Flashを勧めている。13

現在の提供状況とオープンウェイト

Step 5 PreviewはStepFunのAPIで選択できるモデルとして案内されている。モデルの重みを公開する「オープンウェイト」については、2026年10月15日に公開予定と報じられた。これは同年9月25日時点では将来の予定であり、公開済みという意味ではない。332

Hugging Faceには、BF16形式の重みを提供すると称する第三者のリポジトリもある。ただし、その掲載だけでStepFunによる公式チェックポイントの公開を確認することはできない。511

100万トークンとMoE構成の意味

Step 5 Previewは、必要な部分を入力ごとに使い分ける**疎なMixture-of-Experts（MoE）**モデルと説明されている。総パラメーター数は6000億、1トークンの処理で使われるのは約270億。100万トークンのコンテキストは大量の資料を扱う仕事で有用な仕様だが、その上限まで情報を入れたときの正確な参照や、長い作業全体の完遂を保証する数字ではない。15

StepFunは、複数のソフトウェア環境にまたがる継続的な作業や金融関連の業務も強みとして打ち出している。これらは想定用途や同社の訴求であり、あらゆる運用条件での成果を保証するものではない。116

高速化・学習手法はどこまで確認できるか

第三者のモデル掲載ページは、長いコンテキストを支える仕組みとしてSparse GQAを挙げる。別の報道は、長期間の作業を対象とするオンポリシー強化学習に加え、MoEの経路選択における学習時と推論時の整合、MTP-3による投機的デコーディング、FP8 MoE、KVキャッシュのオフロードを紹介している。同報道によれば、StepFunは長期間の作業を対象とする強化学習の処理全体で3倍超の高速化を主張している。これは学習に関する報告値であり、APIでの回答生成が3倍速いという意味ではない。技術の詳細と効果は、参照できる一次資料だけで独立に確認された結果として扱うべきではない。537

また、Step 5 Previewが「検証可能なタスクを生成する」役割を持つという具体的な主張や、個々の技術が推論・ツール利用をどれだけ改善したかを示す根拠は、提示された資料からは確認できない。137

料金と外部評価

Artificial AnalysisによるStep 5 PreviewのIntelligence Indexは44点。掲載料金は入力100万トークン当たり1.00米ドル、出力100万トークン当たり2.70米ドルだ。同サイトはStepFunのAPIを使った測定で、出力速度を毎秒約83トークンとしている。速度は測定条件に基づく値で、すべての入力や提供環境で一定とは限らない。21

Step 3.5 Flash、Step 3.7 Flashとの選び分け

StepFunの推奨は明確だ。テキストのみならStep 3.5 Flash、速度重視のマルチモーダル推論ならStep 3.7 Flash。Step 3.7 Flashは画像・動画の理解に対応し、推論の強度を3段階から選べる。コンテキストは25万6000トークン、MoEの総パラメーター数は1980億で、1トークン当たり約110億を使用する。Step 5 Previewの100万トークン、6000億／約270億と比べると、仕様上は小規模だ。125

選択の軸はパラメーター数だけではない。大量の情報を参照しながら長い工程を進めるならStep 5 Previewを検討し、速いマルチモーダル処理やテキスト中心の処理なら、それぞれStepFunが推奨するFlashモデルを選ぶのが基本になる。1