Step 5 Preview er laget for langvarige agentoppgaver

En stor kontekstgrense er nyttig hvis en KI-agent skal arbeide med omfattende materiale over flere steg. Step 5 Preview er StepFuns modell for slike oppgaver: Den tar imot tekst, bilder og video og har plass til opptil én million token i konteksten. StepFun anbefaler den særlig til programvareutvikling, faglig kunnskapsarbeid og agentoppgaver med flere trinn. Det er likevel forskjell på å kunne ta imot mye materiale og å bruke alt pålitelig gjennom en lang arbeidsøkt. 13

Tilgjengelig nå – åpne vekter er fortsatt en plan

Step 5 Preview er oppført for bruk gjennom StepFuns API. Ifølge omtale er åpne modellvekter planlagt publisert 15. oktober 2026. Per 25. september er det en framtidig dato, ikke en gjennomført offisiell utgivelse. Enkelte Hugging Face-kontoer hevder allerede å tilby BF16-vekter, men oppføringene dokumenterer ikke i seg selv at StepFun har publisert et offisielt kontrollpunkt. 332511

Arkitektur og bruksområde

Step 5 Preview beskrives som en sparsom mixture-of-experts-modell (MoE): Den har 600 milliarder parametere totalt, mens omtrent 27 milliarder aktiveres per token. Kontekstgrensen er én million token, og modellen støtter tekst, bilde og video som inndata. Størrelsen gjør den aktuell når en oppgave omfatter mye kildemateriale, men grensen alene er ikke bevis for at modellen husker detaljer eller fullfører en lang oppgave pålitelig. 15

StepFun trekker fram programvareutvikling, faglig kunnskapsarbeid og agenter som må utføre flere handlinger. Selskapets kunngjøring framhever også arbeid over tid i programvaremiljøer og finansrelaterte oppgaver. Dette er tiltenkte styrker, ikke garantier for resultater i enhver brukssituasjon. 116

Hva vet vi om teknikkene bak?

En tredjepartsoppføring knytter den lange konteksten til Sparse GQA. En annen omtale beskriver forsterkningslæring på langvarige oppgaver og nevner blant annet samsvar mellom trening og bruk ved MoE-ruting, MTP-3 spekulativ dekoding, FP8 MoE og avlasting av KV-cache. Den gjengir også en påstand fra StepFun om mer enn tredoblet hastighet fra start til slutt for denne typen forsterkningslæring. De tekniske detaljene og gevinsten er rapporterte påstander, ikke uavhengig bekreftede resultater i den tilgjengelige primærdokumentasjonen. 537

Kildematerialet dokumenterer heller ikke en bestemt rolle for Step 5 Preview i å generere verifiserbare oppgaver. Det viser ikke hvor mye hver enkelt teknikk eventuelt forbedrer resonnering eller bruk av verktøy. 137

Pris og målt hastighet

Artificial Analysis gir Step 5 Preview 44 poeng på sin Intelligence Index. Tjenesten oppgir 1,00 dollar per million input-token og 2,70 dollar per million output-token, og måler rundt 83 genererte token per sekund via StepFuns API. Hastigheten gjelder testforholdene deres; den er ikke en fast ytelse for alle forespørsler eller leverandører. 21

Når passer Flash-modellene bedre?

StepFun anbefaler Step 3.5 Flash til rene tekstoppgaver og Step 3.7 Flash til rask multimodal resonnering. Step 3.7 Flash kan forstå bilder og video, har tre nivåer for hvor mye modellen skal resonnere, og en kontekstgrense på 256 000 token. MoE-modellen har 198 milliarder parametere totalt, med rundt 11 milliarder aktive per token – lavere tall enn Step 5 Previews 600/27 milliarder og én million token. 125

Valget handler dermed først og fremst om arbeidsoppgaven: Step 5 Preview er rettet mot større informasjonsmengder og langvarige agentforløp, mens StepFun anbefaler Flash-modellene når rask multimodal behandling eller ren tekst er viktigere. Parametertallene alene avgjør ikke hvilken modell som passer best. 1