600B MoE disperso activa 27B, mejorando la rentabilidad del buque insignia de código abierto

El Paso 5 Preview, el último modelo de base insignia, ya está disponible oficialmente. Su propósito es claro: un modelo principal diseñado para tareas Agentic del mundo real. Aborda el largo tiempo "problema de Pareto" en la IA, donde la capacidad, la eficiencia y el costo a menudo entran en conflicto. Históricamente, el progreso en un área requería sacrificar otra. Sin embargo, avanzar la frontera de Pareto no se trata de eliminar compensaciones, sino de expandir toda la frontera mediante un diseño innovador.

Esta iteración utiliza una arquitectura dispersa de Mezcla de Expertos (MoE). El Paso 5 Preview contiene 600 mil millones de parámetros, con solo 27 mil millones activados por inferencia. Admite nativamente una ventana de contexto de hasta un millón de tokens y procesa entradas tanto de texto como visuales. Al obtener 44 puntos en el Índice de Inteligencia de Artificial Analysis, se clasifica entre los tres mejores modelos de código abierto globales. Cabe destacar que su costo por tarea única es solo una octava parte del de Claude Opus5, ofreciendo ya sea una inteligencia mejorada dentro del mismo presupuesto o capacidades superiores a un precio menor. En ALE-CLI, un subconjunto de la Última Examen de los Agentes, así como en el punto de referencia de investigación de inversión financiera FrontierFinance y la evaluación de investigación profunda transversal DRACO, solo queda atrás de GPT-6Astra o Claude Opus5, dejando atrás a otros modelos de código abierto. GDPval-AA v2 incorpora los últimos datos hasta el 19 de septiembre, mientras que DeepSWE v1.1 fue evaluado utilizando el arnés SWE-agent con temperatura=1.0 y top_p=0.95.

En el desarrollo de software, Step creó StepCodeBench, que abarca 553 repositorios de código independientes, nueve tipos de tareas, 20 dominios de aplicación y 33 lenguajes de programación. El Paso 5 Preview demuestra tasas de éxito generales sólidas y estabilidad transversal a escenarios, manejando eficazmente tareas del mundo real como corrección de errores, desarrollo de funciones, refactorización y configuración de entornos. En una demostración, procesó documentación extensa de ESP32 para transformar una placa de desarrollo ESP32-S3 en un teclado de Vibe Coding con botones Bluetooth y entrada de voz. Abrió autónomamente puertos serie COM, ajustó cámaras, capturó imágenes del dispositivo, simuló movimientos del ratón y depuró código iterativamente basándose en errores en tiempo real, completando la tarea durante más de tres horas.

Las tareas de larga duración destacan su verdadero valor. En el primer experimento, dadas 24 horas y una GPU H100, optimizó un kernel de GPU MLA desde cero (dimensión de cabeza 512, tamaño de lote 1, 64 cabezas de atención, 8192 tokens). El Paso 5 Preview modificó el código de forma independiente, ejecutó el kernel y midió el rendimiento. Al encontrar una solución que funcionaba pero reducía la velocidad, la descartó y continuó desde la mejor versión. Después de aproximadamente 22 horas, alcanzó un rendimiento máximo de 508 TFLOPS, superando los 493 TFLOPS de Claude Opus5. El segundo experimento también abarcó 24 horas, permitiéndole mejorar el rendimiento de un modelo base Qwen3-30B-A3B en AIME24 mediante entrenamiento posterior automatizado. El modelo determinó cómo utilizar la API anotada y ajustar los datos, aumentando finalmente la precisión del 53,3 % al 60 %, igualando a Opus5 mientras utilizaba menos tokens anotados.

En cuanto a aplicaciones front-end y visuales, va más allá de escribir páginas web; puede invocar Blender para construir y modificar iterativamente activos 3D, luego integrarlos en Three.js para aplicaciones interactivas y juegos. Incluso extrajo información de una guía de viaje ferroviaria "Guangjiu" de 1922, creando un sistema de consulta de viajes, cálculo de costos y reproducción de rutas. Esto convirtió materiales históricos en un producto interactivo, con un pequeño tren que recorre la línea histórica.

Las finanzas sirven como una prueba integral de capacidades. Step desarrolló tres evaluaciones internas centradas en la investigación de empresas: FinStepBench-LiveSearch prueba la capacidad de recuperar y verificar información financiera a medida que evolucionan los requisitos; CorporateValuation evalúa convertir datos y supuestos en valoraciones reproducibles; y DeepResearch evalúa todo el proceso desde la recopilación de pruebas hasta un informe de investigación completo. Los puntos de referencia externos como FrontierFinance cubren seis escenarios de inversión con 220 preguntas de expertos y 11.543 criterios de puntuación. El Paso 5 Preview ofreció resultados sólidos en los cuatro puntos de referencia.

Desde Step3.5Flash y Step3.7Flash hasta Step5Preview, Step se ha centrado consistentemente en un principio: la próxima fase de escalado no se trata simplemente de agregar más Compute, sino de utilizar el Compute de manera más eficiente. Tras el lanzamiento completo de hoy, los pesos completos del modelo estarán disponibles el 15 de octubre. Este modelo insignia de código abierto, que redefine el equilibrio de "capacidad-coste-eficiencia", ya está listo para que los desarrolladores lo adopten como su herramienta principal para tareas Agentic.