AI news

刚刚,阶跃Step 5 Preview发布!一举杀进全球开源前三

By 新智元2 viewsSource: 新智元
刚刚,阶跃Step 5 Preview发布!一举杀进全球开源前三

阶跃星辰发布新一代旗舰基座模型Step 5 Preview,以44分的AA智能指数成绩跻身全球开源模型前三,采用600B总参数/27B激活的稀疏MoE架构并原生支持1M上下文,在代码生成、长程Agent、深度研究与金融尽调等场景表现突出。

The full text has not been translated yet. The Chinese original is shown below.

9月份,是一个神仙打架、周周洗牌的修罗场。

全球头部 AI 实验室密集发布新一代旗舰,国内厂商同步提速迭代。

在这场每周都有「重磅」的混战中,有一家模型厂没有选择跟着节奏「小步快跑」——

它攒了一个大的,然后一把摊在桌上。

这家公司就是阶跃星辰。9 月 20 日,他们发布了新一代旗舰基座模型 Step 5 Preview。

它在告诉整个行业:我回来了。

创造新的前沿

在 Artificial Analysis Intelligence Index(AA 智能指数)中,Step 5 Preview 取得了 44 分。

文章配图

拉一张横向对照表:Claude Fable 5.1 领跑全球(53 分),GPT-6 Astra 紧追其后(52.8)。

Step 5 Preview 的 44 分,把阶跃送进了全球开源模型前三。

而且这个位置的「性价比」很扎眼:每百万 token 输入 1 美元、输出 2.7 美元,跑完一道 AA 智能指数任务平均只要 0.71 美元。

文章配图

在 AA 官方的「智能指数 vs 单任务成本」图上,Step 5 Preview 创造了新的帕累托前沿——

同样的智能水平,没有比它更便宜的;同样的价格,没有比它更聪明的。

文章配图

这个成绩的含金量,在今年 9 月变得更高了。

AA 智能指数在月初刚升级到 v4.2:两项新评测加入、GPQA Diamond 被淘汰(太容易了)、私有测试集权重翻倍到 40%。

靠背题刷分的时代过去了,模型必须在从未见过的任务上展现真正的推理力。

而 Step 5 Preview 还有一个不容忽视的标签:开源。

在当前 AA 榜单前列,绝大多数是闭源模型。Kimi K3 以开源权重身份杀入全球前五已被视为里程碑,Step 5 Preview 是又一个挤进核心竞争区的开源选手。

这意味着中国开源模型的能力天花板,仍在加速上移。

Benchmark 是入场券

能干活儿才是成绩单

Step 5 Preview 对准的场景很明确:Coding、软件工程、专业知识和金融场景——

所有需要「长上下文、多轮工具调用和持续执行」的复杂任务。

它原生支持 1M 上下文。一整个代码仓库、一整个数据室,都能装进一次对话里。

这些场景有一个共同特征:不是回答一个聪明的问题,而是让模型像一个靠谱的员工一样接手一个项目。

拆解任务、调用工具、根据中间反馈修正方案,最后交出一份能用的结果。

说到这里,我们拿到了内测资格,也就是前段时间被调侃在模型名称上大幅领先的 water18,设计了几个贴近真实工作场景的实测方向,来看看 Step 5 Preview 到底能走多远。

一句话,一个能玩的 3D 飞行游戏

来测一下代码能力。

给它的题目是:单文件 HTML、只准借 three.js 一支画笔,做一个街机风格的低多边形 3D 飞行小游戏,要能玩、要好看。

文章配图

Step 5 Preview 用了 20 多分钟,写了一个上千行的 HTML 文件,打开就能飞。

文章配图

画面好看。天空和海水不是贴图,是它自己写的着色器:海面真的在起伏,阳光在浪尖上闪,远处融进雾里。

操作顺手。一按左就拐弯,松手自动回正,加速时视野拉开、转弯时镜头跟着甩——速度感全在手上。撞到海面弹一下、抖一下,不会死,节奏不断。

会自己加东西。提示词只说「金色光环」,Step 5 Preview 给每个光环加了一道直冲天际的光柱,几百米外就知道往哪飞,追环立刻有了节奏。

穿环粒子爆开、+100 飘字、Boost 冷却条、90 秒结算记最高分,一样不少。

这就是「生产级」:写出来的东西不用改,直接能玩。

长程 Agent——12 份合同、120 个判断,一个都没漏

这是一道「体力活」:12 份中英文合同,对照法务部 10 条标准逐条审,再算续约日期、写修订函、给采购部总结。

文章配图

人做这件事,最容易出问题的不是前三份,是第八份以后开始走神。

Step 5 Preview 交了三个文件,我们逐格对答案。

文章配图

一个没漏。120 个判断全部落格,26 处违规全中。

它额外标出的 12 处,我们回头看标准原文,它是对的——比如责任上限写着「以年度金额为限」,看起来合规,但标准还要求数据泄露、重大过失不设上限,这一层它没放过。

第 12 份合同审得和第 1 份一样细。

藏在附件里的坑,没躲过它。两份合同正文干净,违规只写在附件里,它照样抓出来。

日期不是算出来的,是想出来的。一份合同今天已经错过退出窗口,它标红并给出还能补救的最后一天;另一份年底才到期、按题目不该出现,但通知期 10 月 2 日就关,它主动单列出来。

三个文件互相咬合。修订函里给供应商的最后期限,就是续约清单里算出的最晚通知日;给采购部的 142 字总结,三件最急的事和前面的日历一一对应。

能做完,能做对,最后一份和第一份一样认真。这就是长程 Agent 的意思。

Deep Research——9 份互相打架的材料,它先立规矩再翻案

我们给 Step 5 Preview 九份关于同一家公司的材料。

融资额、估值、营收、交付量、员工数,没一个数字是统一的。

文章配图

文章配图

它先定规矩,再动手。审计报告 > 公司更正声明 > 一手核实 > 官方新闻稿 > BP > 数据平台 > 匿名帖,七级优先级,外加「口径优先于数值」「时点对齐」等六条辅助规则。

七个事实项全部答对,35 处引用精确到文件和行号。

规则和直觉打架时,它站规则。CEO 本人在专访里说估值 32 亿,两份官方材料互相印证;它仍按规则取 30 亿,因为更正声明更晚,且内部邮件解释了 32 亿是怎么算出来的。

还发现了我们没发现的问题。新闻稿说「同比增长 210%」,它反推出去年上半年只有 0.49 亿——意味着 69% 的营收压在下半年,没有任何材料能解释。

这被它翻出来列为「最脆弱的一处」。

读完、想清、按规矩判、把推理过程摊开——这才是 Deep Research。

金融尽调——六份表,它当了一回真正的投资经理

最后,我们给 Step 5 Preview 一个 B 轮公司的数据室:利润表、发票台账、银行流水、股权表、供应商名录、创始人 deck。

任务是替投委会写一份尽调备忘录,外加一份带公式的勾稽底稿。

文章配图

文章配图

数字一分不差。收入 1.52 亿、回款 8,344 万、应收 6,856 万、净亏 934 万——全部和真值精确到元。

底稿 9 个 sheet、1,030 个活公式,每个数都能从原表一路点回去。

核出 6 条不符。增速不是 3 倍是 2.1 倍,毛利率不是 45% 是 38%,客户不是 47 家是 33 家,最大客户占比不是「不到 20%」而是 40%。

最关键的是「经营现金流转正」:它把 500 万股东借款和 120 万政府补贴从流入里剔出去,算出上半年实际净流出 1,384 万——就算把这两笔都算上,还是负的。

三跳连出一笔关联交易。银行流水里每月 53 万付给一家咨询公司,供应商名录写着法人叫李静,deck 团队介绍里有一句「周明配偶李静负责行政外包」。三份材料各自看都正常,连起来就是 CEO 配偶年收 640 万咨询费,没有披露。

还挖出了我们没埋的。12 个月毛利率恒定在 38% 和 34% 两个值上没有一丝波动,它判断「疑似成本按收入倒算」;说明它不是在对答案,是真的在审。

最后给的是「有条件继续」,附 5 个先决条件和 5 份要索取的材料。

会算、会串、会怀疑、会给建议——一个专业工作流该有的,它一样没少。

这一关不是我们随手挑的。

金融是阶跃给 Step 5 Preview 划的重点考场:它牵着宏观、政策、行业和公司,最考模型的综合能力。

阶跃自建了三项 FinStepBench 评测,分别考实时检索、估值建模和完整研究流程;外部再用 FrontierFinance——220 道专家题、11,543 项评分标准、六类投资场景。

四项测试跑下来,Step 5 Preview 的表现均取得不错水平。

上面那份尽调备忘录,只是这个能力的一次现场演示。

一条反直觉的技术路线

Step 5 Preview 采用稀疏 MoE 架构,总参数 600B,激活参数仅 27B,原生支持文本与视觉输入,上下文长度 1M。

在当下这个「万亿参数」遍地走的时代,Step 5 Preview 的参数规模并不是最大的。

但阶跃的技术判断很清楚:模型的「大」不是目的,是手段。

具体怎么做?阶跃和我们透露了几项关键设计:

Narrow but Deep:让信息在长 Prefill 中传播得更多。

背后的直觉是:复杂 Agent 任务里存在大量多跳依赖,频繁的工具调用又会带来很长的 Prefill。

由于 Prefill 阶段的信息需要沿时间和网络深度逐层传递,网络深度不足,可能限制隐式多跳推理的完成。

因此,Step 5 Preview 采用「窄而深」的架构,直接将 Transformer 深度增加至 92 层,为长 Prefill 中的信息传播提供更长路径。

更深也更难训。92 层的网络会撞上数值爆炸、梯度尖峰这些老问题,阶跃对 Hidden State、RMSNorm 和梯度做了专门优化,才让它稳定训下来。

多层面稀疏设计:Sparse MoE ++ Sparse GQA。

除了 MoE 本身的专家稀疏激活,Step 5 Preview 引入了Sparse GQA。

当模型处理一个百万 token 的超长上下文时,不需要让每一个 token 都与所有 token 做注意力计算。

Sparse GQA 通过稀疏索引,只挑相关的历史信息进入计算——让模型学会「只看该看的地方」,大幅降低长上下文的计算开销。

从算法稀疏到系统效率的打通。这是最容易被忽视、却最影响实际体验的一环。

算法上的稀疏,并不天然等于系统上的更快。

稀疏计算对 GPU 的索引和数据搬运模式提出了不同要求,可能把理论上的节省吃掉。

为此,Step 5 Preview 进一步通过 Block-wise Token Merging,将 Indexer 与 Top-k Selection 的成本降低 8×;同时合并相邻 Token 高度重叠的 Top-k 结果,改善碎片化计算造成的 GPU 利用率问题,改善碎片化计算造成的 GPU 利用率问题。

面向 Agent 的训练体系。在 Step 5 Preview 的数据生产体系中,Agent 不只负责生成样本,还参与知识探索、任务设计、难度与多样性控制,以及整个流程的动态编排。

系统同时加入 Anti-hacking 检查,避免模型利用任务或评测漏洞「看起来成功」,却没有真正解决问题。

整个流程也有明确分工:专家提供原则和关键判断,Agent 负责动态编排,确定性操作交给代码和工具。

基于这套体系,最终构建出百万级、可验证的高难任务环境,覆盖科学推理、软件工程、机器学习研发和专业工作。

最后,随着 Agent 任务不断变长,强化学习也需要适应更长的任务时域。

Step 5 Preview 从训推一致性、训练效率和长轨迹学习三个方面进行优化。

并且在算法侧,进一步把 Context Compaction 和更细粒度的奖励分配纳入训练,让 Agent 能够在有限上下文中持续推进更长任务。

把这四个选择叠在一起看,你会发现一条清晰的技术主线:在智能、成本、速度和模型规模之间,寻找一条最优的帕累托前沿——

不追求单一维度的极端值,而是追求综合最优。

从 Flash 到旗舰:一条关于「效率」的技术脉络

这条路线不是 Step 5 Preview 才开始的。

回溯阶跃过去三代基座模型,「效率优先」是一条贯穿始终的技术主线。

Step 3.5 Flash: 196B 总参、11B 激活的稀疏 MoE,定位 Agent 大脑。发布后迅速被极氪 8X 搭载,成为驱动吉利「超级 Eva」整车智能体的核心模型。

Step 3.7 Flash: 198B 总参、约 11B 激活,加入原生视觉能力。发布两天内冲到 OpenRouter Trending 全球第二,随后拿下 HuggingFace 多模态热榜第一、ClawEval 多模态榜全球第一。

Step 5 Preview: 600B 总参、27B 激活,同样的 MoE 基因,同样的效率优先思路——激活比例甚至比 Flash 系列还低——但能力等级跃升到旗舰水平,上下文从 256K 拉到 1M。

三步走下来,阶跃证明了一件事:「高效率」和「高智能」不是对立的。Flash 级别的效率设计,可以一路延伸到旗舰级别的能力上限。

文章配图

一年前行业还在争论「做大做强 vs 做小做便宜」,似乎旗舰和效率是两条平行线。

但 2026 年正在改写这个叙事。DeepSeek 用极致稀疏打出了极致性价比,千问用 Flash 系列服务了海量开发者,而阶跃用 Flash 到旗舰的连续演进,证明效率路线的纵深——

它不止能做「便宜好用的小模型」,也能做「又强又高效的大模型」。

大模型竞争的下一章,正在从「规模 Scaling」走向「能力 × 效率」的综合竞争。这恰恰是阶跃过去一年多持续押注的方向。

一个「体系级」选手的重新入场

真正让阶跃值得重新审视的,是它完成的一次体系级升级——三张牌几乎同时亮出来。

第一张牌:前沿基座。Step 5 Preview 用 44 分的 AA 智能指数、全球开源前三的位置,重新确认了阶跃的旗舰模型研发能力。

第二张牌:全模态矩阵。就在 Step 5 Preview 发布前几天,阶跃推出了 StepAudio 3 系列:五款语音模型一次性到位。

其中 StepAudio 3 Realtime 以 98.9% 综合得分拿下 Artificial Analysis 语音交互榜全球第一,语音推理准确率 99.7% 同样全球第一;ASR 的词错误率仅 1.7%,并列全球第一。

加上更早发布的 Step Edge 端侧模型系列、StepGUI 界面操作模型、Step1X 图像编辑模型,阶跃的全栈布局愈加完整。

第三张牌:终端量产。这是阶跃最独特、也最容易被低估的一张牌。

模型手机装机量超过 4200 万台,日均服务近 2000 万人次,覆盖超 50% 的头部中国手机品牌。

在汽车端,与吉利的合作已深入整车智能体层面。

7 月 WAIC 上发布的 STEPX Neo:搭载智能体原生操作系统 Step AOS 的大模型原生手机,通过了国家标准 L3 级测试(目前最高级别),斩获 WAIC 2026「镇馆之宝」。

4200 万台装机量和日均 2000 万次调用意味着,阶跃的模型在真实噪声、复杂环境、低算力、低延迟、高并发条件下,持续经受着检验。

这是纯 API 模型公司很难拥有的数据飞轮——真实世界的反馈会反过来驱动模型迭代。

而阶跃的差异化,就在这里:「AI + 终端」这条几乎没有同行在走的路。

Coding Agent 的爆火已经证明了 Agent 商业化的可行性。

但下一个更大的战场可能是 Personal Agent。

它的消费场景远比写代码广阔,涉及十几亿消费者的日常生活,要处理大量意图模糊、链路冗长、高度个性化的任务。

在这个战场上,AI 原生硬件是最关键的入口。

阶跃用 STEPX Neo 和「模型 + 系统 + 终端」的三位一体闭环,提前卡了位。

拉长时间看,全球大模型竞争仍在高速演进期。

一年前,说中国开源模型能进 AA 全球前五,很少有人信。但 Kimi K3 做到了。

半年前,说中国模型在 OpenRouter 上的调用量会超过美国,听起来也不太可能。但截至 2026 年 9 月,中国模型整体份额超 45%,美国约 43%。格局已被改写。

Step 5 Preview 的发布,是这种高速演进又一个注脚。

它让市场重新认识到:大模型竞争已是一场涵盖基础模型能力、全模态体系、终端落地、商业闭环的系统性竞赛。

Step 5 Preview 不只是刷新了一项成绩,更把阶跃推入了生产级 Agent 模型的核心竞争区间。

在「效率」这条路上,阶跃走得足够远、足够深,以至于这条路本身变成了一种竞争优势。

文章来自于微信公众号 “新智元”,作者 “新智元”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)