StepFun Step 5 Preview: specifikationer, pris och skillnaden mot Flash-modellerna

StepFun riktar Step 5 Preview till uppgifter där en AI-agent behöver arbeta med mycket material och ta flera steg, exempelvis inom mjukvaruutveckling och kvalificerat kunskapsarbete. Modellen tar emot text, bilder och video och har ett kontextfönster på en miljon token. Ett stort kontextfönster säger dock inte i sig hur väl modellen minns detaljer eller slutför en lång arbetsuppgift. 13

Tillgänglighet och öppna modellvikter

Step 5 Preview finns listad för användning via StepFuns API. Enligt rapporter planerar bolaget att släppa öppna modellvikter den 15 oktober 2026. Den 25 september ligger det datumet fortfarande i framtiden. Tredjepartskonton på Hugging Face hävdar redan att de erbjuder BF16-vikter, men deras listningar räcker inte för att fastställa att StepFun har publicerat en officiell modellfil. 332511

Vad modellen är byggd för

Step 5 Preview beskrivs som en gles mixture-of-experts-modell (MoE): av totalt 600 miljarder parametrar används ungefär 27 miljarder för varje token som behandlas. Kombinationen av text-, bild- och videoinmatning och ett kontextfönster på en miljon token gör den relevant för arbetsflöden med omfattande underlag. 15

StepFun rekommenderar modellen för mjukvaruutveckling, professionellt kunskapsarbete och agenter som utför uppgifter i flera steg. Bolaget lyfter också fram långvarigt arbete i mjukvarumiljöer och finansrelaterade uppgifter. Det beskriver avsedda styrkor, inte garanterade resultat i varje användning. 116

Tekniska uppgifter – och deras begränsningar

En tredjepartslistning kopplar det långa kontextfönstret till Sparse GQA. En separat rapport beskriver förstärkningsinlärning för långvariga uppgifter samt tekniker för bland annat MoE-routing, spekulativ avkodning, FP8 och avlastning av KV-cachen. Rapporten återger också ett påstående från StepFun om mer än tre gångers hastighetsökning från start till slut vid träning med sådan förstärkningsinlärning. Det är inte ett oberoende verifierat mått på hur snabbt modellen svarar i API:et. 537

Det tillgängliga underlaget visar varken att Step 5 Preview har en särskild roll i att generera verifierbara uppgifter eller hur stor effekt en enskild teknik har på modellens resonemang och verktygsanvändning. 137

Pris och uppmätt hastighet

Artificial Analysis ger Step 5 Preview 44 poäng i Intelligence Index. Tjänsten anger 1,00 dollar per miljon inmatade token och 2,70 dollar per miljon genererade token samt mäter en utmatningshastighet på omkring 83 token per sekund via StepFuns API. Hastigheten gäller deras testförhållanden och är ingen fast nivå för alla förfrågningar. 21

När passar Flash-modellerna bättre?

StepFun rekommenderar Step 3.5 Flash för uppgifter som enbart använder text och Step 3.7 Flash för snabb multimodal bearbetning. Step 3.7 Flash kan tolka bilder och video, har tre nivåer för hur mycket modellen ska resonera och ett kontextfönster på 256 000 token. Dess glesa MoE-arkitektur omfattar 198 miljarder parametrar totalt och cirka 11 miljarder aktiva per token – mindre än Step 5 Previews 600/27 miljarder och en miljon token. 125

Valet handlar alltså främst om arbetsuppgiften: Step 5 Preview är tänkt för större underlag och längre agentflöden, medan StepFun pekar på Flash-modellerna när snabb multimodal bearbetning eller en ren textuppgift är viktigare. 1