600B 稀疏 MoE 激活 27B，提升开源旗舰产品的性价比

Step 5 Preview，最新的旗舰基础模型，现已正式可用。其目标明确：一个专为现实世界智能体（Agentic）任务设计的主模型。它解决了人工智能领域长期存在的“帕累托问题”，即能力、效率和成本往往相互冲突。历史上，某一领域的进步通常需要牺牲其他领域。然而，推进帕累托前沿并非消除权衡，而是通过创新设计扩展整个边界。

此次迭代采用了稀疏混合专家（MoE）架构。Step 5 Preview 包含 6000 亿参数，每次推理仅激活 270 亿参数。它原生支持高达一百万 token 的上下文窗口，并能同时处理文本和视觉输入。在 Artificial Analysis 智能指数中得分 44 分，位列全球前三大开源模型。值得注意的是，其单任务成本仅为 Claude Opus5 的八分之一，这意味着在相同预算下可提供更强的智能，或以更低的价格提供卓越的能力。在 ALE-CLI（Agents' Last Exam 的子集）、金融投资研究基准 FrontierFinance 以及跨领域深度研究评估 DRACO 上，它仅落后于 GPT-6Astra 或 Claude Opus5，将其他开源模型甩在身后。GDPval-AA v2 纳入了截至 9 月 19 日的最新数据，而 DeepSWE v1.1 则使用 SWE-agent 工具集（temperature=1.0，top_p=0.95）进行评估。

在软件开发领域，Step 创建了 StepCodeBench，涵盖 553 个独立代码仓库、九种任务类型、20 个应用领域和 33 种编程语言。Step 5 Preview 展现出强大的整体成功率和跨场景稳定性，能有效处理修复漏洞、功能开发、重构和环境配置等现实世界任务。在一个演示中，它处理了大量 ESP32 文档，将 ESP32-S3 开发板转化为带有蓝牙按钮和语音输入的 Vibe Coding 键盘。它自主打开 COM 串口，调整摄像头，捕获设备图像，模拟鼠标移动，并根据实时错误迭代调试代码，历时超过三小时完成任务。

长时间运行任务凸显了其真正价值。在第一个实验中，给定 24 小时和一块 H100 GPU，它从零开始优化了一个 MLA GPU 内核（头维度 512，批大小 1，64 个注意力头，8192 个 token）。Step 5 Preview 独立修改代码，执行内核并测量吞吐量。当遇到有效但降低速度的解决方案时，它将其丢弃并从最佳版本继续。经过约 22 小时，它达到了 508 TFLOPS 的峰值性能，超过了 Claude Opus5 的 493 TFLOPS。第二个实验也持续了 24 小时，使其能够通过自动化后训练提升 Qwen3-30B-A3B 基础模型在 AIME24 上的性能。该模型确定了如何利用标注 API 并调整数据，最终将准确率从 53.3% 提升至 60%，在达到 Opus5 水平的同时使用了更少的标注 token。

在前端和视觉应用方面，它超越了编写网页；它可以调用 Blender 构建并迭代修改 3D 资产，然后将它们集成到 Three.js 中用于交互式应用和游戏。它甚至从 1922 年的《广九铁路旅行指南》中提取信息，创建了行程查询、费用计算和路线播放系统。这将历史资料转化为交互式产品，其中包含沿着历史线路运行的小火车。

金融领域作为综合能力的测试。Step 开发了三个专注于公司研究的内部评估：FinStepBench-LiveSearch 测试随着需求演变检索和验证财务信息的能力；CorporateValuation 评估将数据和假设转化为可重现估值的能力；DeepResearch 评估从证据收集到完整研究报告的全过程。外部基准 FrontierFinance 涵盖六个投资场景，包含 220 个专家问题和 11,543 个评分标准。Step 5 Preview 在所有四个基准测试中均表现出色。

从 Step3.5Flash 和 Step3.7Flash 到 Step5Preview，Step 始终专注于一个原则：下一阶段的增长不仅仅是增加更多的计算资源（Compute），而是更有效地利用计算资源。随着今天的全量发布，完整的模型权重将于 10 月 15 日开放。这个重新定义“能力-成本-效率”平衡的开源旗舰模型，现已准备好供开发者将其作为智能体任务的主要工具。