Step 5 Preview: co oferuje model StepFun do długich zadań agentowych?

Step 5 Preview to propozycja StepFun dla zadań, w których model musi korzystać z dużej ilości materiałów i wykonywać wiele kolejnych działań — na przykład podczas pracy nad oprogramowaniem lub analizy specjalistycznych informacji. Przyjmuje tekst, obrazy i wideo, a jego okno kontekstowe mieści milion tokenów. StepFun zaleca mniejsze modele Flash, gdy ważniejsza jest szybkość albo zadanie dotyczy wyłącznie tekstu. 13

Dostępność i plan publikacji wag

Model step-5-preview figuruje w dokumentacji API StepFun. Według doniesień otwarte wagi mają zostać udostępnione 15 października 2026 r. — z perspektywy 25 września to nadal plan, a nie zakończona oficjalna publikacja. Na Hugging Face są już repozytoria podmiotów trzecich deklarujące dostępność wag w formacie BF16, lecz same te wpisy nie potwierdzają wydania oficjalnego checkpointu przez StepFun. 332511

Co oznacza milion tokenów kontekstu?

Step 5 Preview jest opisywany jako rzadka architektura mixture-of-experts (MoE): ma łącznie 600 mld parametrów, z czego około 27 mld jest aktywowanych przy przetwarzaniu pojedynczego tokenu. Obsługuje wejście tekstowe, obrazy i wideo. Duże okno kontekstowe pozwala przekazać modelowi obszerny materiał, ale sama pojemność okna nie dowodzi, że niezawodnie odnajdzie potrzebne informacje ani ukończy długie zadanie. 15

StepFun poleca go do inżynierii oprogramowania, specjalistycznej pracy z wiedzą oraz agentów wykonujących zadania w wielu krokach. Firma wskazuje też na pracę w środowiskach programistycznych i zadania finansowe jako obszary, w których model ma się sprawdzać. To deklarowane zastosowania, nie gwarancja wyniku w każdym wdrożeniu. 116

Techniki i deklarowane przyspieszenie

Zewnętrzny opis modelu wiąże długi kontekst z mechanizmem Sparse GQA. Inny materiał wymienia uczenie przez wzmacnianie na długich sekwencjach działań (on-policy, long-horizon RL), dostosowanie routingu MoE między treningiem a inferencją, dekodowanie spekulacyjne MTP-3, FP8 MoE i przenoszenie pamięci podręcznej KV. Przytacza również przypisywaną StepFun deklarację ponad trzykrotnego przyspieszenia całego procesu długohoryzontowego RL. Dostępna dokumentacja producenta nie potwierdza niezależnie tych szczegółów ani skali zysku. 537

W dostarczonych materiałach nie ma też podstaw, by przypisać Step 5 Preview konkretną rolę w generowaniu zadań, których wynik można zweryfikować. Nie da się na ich podstawie określić, jaki wpływ poszczególne techniki mają na rozumowanie czy używanie narzędzi. 137

Cena, wynik testu i wybór modelu

Artificial Analysis przyznaje Step 5 Preview 44 punkty w Intelligence Index. Podaje ceny 1,00 USD za milion tokenów wejściowych i 2,70 USD za milion tokenów wyjściowych oraz prędkość około 83 tokenów wyjściowych na sekundę, zmierzoną przez API StepFun. To wynik uzyskany w określonych warunkach testowych, nie stała szybkość dla każdego zapytania. 21

Jeśli zadanie dotyczy wyłącznie tekstu, StepFun zaleca Step 3.5 Flash; do szybkiego rozumowania na podstawie różnych typów danych — Step 3.7 Flash. Ten drugi obsługuje obrazy i wideo, oferuje trzy poziomy intensywności rozumowania i okno kontekstowe 256 tys. tokenów. Jego architektura MoE ma 198 mld parametrów łącznie i około 11 mld aktywnych na token, wobec 600 mld, 27 mld i miliona tokenów kontekstu w Step 5 Preview. 125

W praktyce wybór zależy więc od zadania, a nie tylko od liczby parametrów: Step 5 Preview jest pozycjonowany do pracy na większym kontekście i dłuższych sekwencjach działań, a modele Flash — do szybszej pracy multimodalnej lub z samym tekstem. 1