600BのスパースMoEが27Bを活性化し、オープンソースのフラッグシップのコスト効率を向上

ステップ5プレビュー、最新のフラッグシップ基盤モデルが正式に公開されました。その目的は明確です：現実世界のエージェントタスクのために設計された主要モデルです。このモデルは、AIにおける長年の「パレート問題」に対処します。これは、能力、効率、コストがしばしば衝突する問題です。歴史的に、ある分野での進歩は、別の分野を犠牲にすることを意味していました。しかし、パレートフロンティアを進歩させることは、トレードオフを排除することではなく、革新的な設計を通じて境界全体を拡大することです。

このイテレーションは、スパースMixture of Experts（MoE）アーキテクチャを利用しています。ステップ5プレビューは6000億のパラメータを含みますが、推論ごとにアクティブになるのは270億だけです。100万トークンまでのコンテキストウィンドウをネイティブにサポートし、テキストと視覚入力の両方を処理します。Artificial Analysis Intelligence Indexで44点を獲得し、世界のオープンソースモデルの中でトップ3に入ります。特筆すべきは、単一タスクのコストがClaude Opus5の8分の1であることです。これにより、同じ予算内でより高い知能を実現するか、より低い価格で優れた能力を提供します。ALE-CLI（Agents' Last Examのサブセット）、金融投資研究ベンチマークFrontierFinance、およびクロスドメイン深層研究評価DRACOにおいて、GPT-6AstraやClaude Opus5に次ぐ結果を残し、他のオープンソースモデルを凌駕しています。GDPval-AA v2は9月19日までの最新データを含み、DeepSWE v1.1はSWE-agentハーンを使用してtemperature=1.0およびtop_p=0.95で評価されました。

ソフトウェア開発において、StepはStepCodeBenchを作成しました。これには553の独立したコードリポジトリ、9つのタスクタイプ、20のアプリケーションドメイン、33のプログラミング言語が含まれます。ステップ5プレビューは、全体的な成功率とクロスシナリオの安定性に優れ、バグ修正、機能開発、リファクタリング、環境設定などの現実的なタスクを効果的に処理します。あるデモンストレーションでは、膨大なESP32ドキュメントを処理し、Bluetoothボタンと音声入力を持つVibe CodingキーボードとしてESP32-S3開発ボードを変換しました。COMシリアルポートを自律的に開き、カメラを調整し、デバイスの画像をキャプチャし、マウス動作をシミュレートし、リアルタイムのエラーに基づいてコードを反復デバッグしました。このタスクは3時間以上をかけて完了しました。

長時間実行されるタスクは、その真の価値を浮き彫りにします。最初の实验では、24時間とH100 GPUを与えられ、MLA GPUカーネルをゼロから最適化しました（ヘッド次元512、バッチサイズ1、64アテンションヘッド、8192トークン）。ステップ5プレビューはコードを自律的に修正し、カーネルを実行し、スループットを測定しました。動作するが速度を低下させるソリューションに遭遇すると、それを破棄し、最良のバージョンから継続しました。約22時間後、508 TFLOPSのピークパフォーマンスを達成し、Claude Opus5の493 TFLOPSを上回りました。2番目の実験も24時間にかけて行われ、Qwen3-30B-A3BベースモデルのAIME24におけるパフォーマンスを、自動化されたポストトレーニングを通じて向上させました。モデルは注釈付きAPIの使用方法とデータの調整方法を決定し、最終的に精度を53.3%から60%に高め、Opus5と同等の結果を達成しながら、より少ない注釈トークンを使用しました。

フロントエンドおよび視覚アプリケーションに関して、このモデルはWebページの作成を超えて、Blenderを呼び出して3Dアセットを構築し、反復的に修正し、それらをThree.jsに統合してインタラクティブなアプリケーションやゲームを作成することができます。さらに、1922年の「広九鉄道旅行ガイド」から情報を抽出し、旅程クエリ、費用計算、ルート再生システムを作成しました。これにより、歴史的資料がインタラクティブな製品に変換され、歴史的な線路を走る小さな列車が特徴です。

金融は包括的な能力テストです。Stepは、企業調査に焦点を当てた3つの内部評価を開発しました。FinStepBench-LiveSearchは、要件が進化するにつれて金融情報を取得および検証する能力をテストします。CorporateValuationは、データと仮定を再現可能な評価に変換する能力を評価します。DeepResearchは、証拠収集から完全な研究レポートまでの全プロセスを評価します。FrontierFinanceのような外部ベンチマークは、220の専門家の質問と11,543のスコアリング基準を含む6つの投資シナリオをカバーしています。ステップ5プレビューは、すべての4つのベンチマークで優れた結果を示しました。

Step3.5FlashおよびStep3.7Flashからステップ5プレビューに至るまで、Stepは一貫して一つの原則に焦点を当ててきました。次のスケーリングフェーズは、単により多くのComputeを追加することではなく、Computeをより効率的に使用することです。今日のフルリリースに続き、完全なモデルウェイトは10月15日に利用可能になります。「能力-コスト-効率」のバランスを再定義するこのオープンソースフラッグシップは、開発者がエージェントタスクの主要ツールとして採用する準備が整いました。