Step 5 Preview уже доступен на VEGA
StepFun выпустила Step 5 Preview — свою новую флагманскую модель для агентных задач. Она работает на разреженной архитектуре Mixture-of-Experts с 600B параметров всего и 27B активных на токен, поддерживает контекстное окно на 1M токенов и принимает изображения на вход. В Artificial Analysis Intelligence Index модель набирает 44, и StepFun заявляет, что её стоимость на задачу существенно ниже, чем у моделей со сопоставимым уровнем интеллекта.
Модель уже работает на нашей платформе. Step 5 Preview доступна в списке моделей на vega.chat, а также на api.vega.chat — нашем API для вайб-кодинга и агентов. StepFun выпустит модель с открытыми весами 15 октября.
Программирование
StepFun разработала собственный тест, StepCodeBench, чтобы отразить инженерию программного обеспечения в том виде, в каком она происходит на практике. Он охватывает 553 независимых репозитория, 9 категорий задач, 20 предметных областей и 33 языка программирования. Step 5 Preview набирает там в среднем 49.0% avg@4 — лучший результат среди моделей с открытыми весами в их таблице, с особой силой в исправлении ошибок, доработке функций и рефакторинге. В обзорах внутренних и внешних экспертов около 70% участников признали модель способной автономно решать задачи программирования умеренно высокой сложности.
Такой же широкий охват распространяется и за пределы софта. При наличии документации по разработке и авторизации пользователя Step 5 Preview может напрямую работать с программируемым оборудованием, используя камеры, COM-порты, скриншоты и эмуляцию ввода мыши в рамках цикла разработки и отладки.
Долгосрочное выполнение
StepFun тестировала длительную работу в двух сценариях с измеримой обратной связью:
- Оптимизация GPU-ядер MLA. Модели было отдано 24 часа на оптимизацию ядра MLA с нуля на NVIDIA H100 (head dimension 512, продакшн-форма: batch 1, 64 головы, 8192 токена). Она вносила изменения, запускала ядро, измеряла пропускную способность и отбрасывала кандидатов с деградацией. Лучший из 4 прогонов достиг 508 TFLOPS на прямом и обратном проходе примерно через 22 часа, обойдя Claude Opus 5 с его 493.
- Автоматический пост-тренинг. В другом 24-часовом прогоне Step 5 Preview улучшила базовую модель Qwen3-30B-A3B на AIME24 через автоматический цикл пост-тренинга, решая, как использовать API-аннотатор и как пересматривать данные. Получившаяся модель достигла 60% на официальном тесте против исходных 53.3%, сравнявшись с Claude Opus 5 при меньшем количестве токенов аннотатора.
Есть и более необычный показатель. Без какой-либо специализированной настройки под игры Step 5 Preview играет в Pokémon Red уже более 3000 ходов и 6 миллионов токенов. К 3082-му ходу она получила Cut, заработала три значка Gym и победила Lt. Surge, пройдя примерно треть основного сюжета. На основной сюжет по оценкам уходит 26 часов человеческой игры.
Аналитическая работа и финансы
Для климатического исследования, охватывающего 1000 локаций за 25 лет, модель скоординировала 950 веб-запросов в одном агентном действии и собрала 300 000 месячных записей по 11 переменным, а затем использовала этот набор данных для анализа региональных различий в сезонности солнечной радиации. В обзоре дизельного доплатного тарифа она создала аналитическую рабочую книгу из 17 листов с 11 057 строками, сверкой между рядами, формулами и трендовыми моделями, которые рецензент может проследить до исходных данных.
Финансам уделили особое внимание. StepFun построила три внутренних бенчмарка, проверяющих, может ли модель извлекать и верифицировать актуальную финансовую информацию, превращать данные и обоснованные допущения в воспроизводимые оценки и проводить полный исследовательский процесс от сбора доказательств до готового отчёта. Также модель протестировали на FrontierFinance — внешнем бенчмарке, охватывающем шесть инвестиционных сценариев через 220 экспертных вопросов и 11 543 критериев оценки.
Бенчмарки
Step 5 Preview запускалась с настройкой усилий "High"; сравнительные модели — с "Max". Бенчмарки, отмеченные †, являются внутренними.
| Бенчмарк | Step 5 Preview | GLM-5.3 | Kimi K3 | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5 |
|---|---|---|---|---|---|---|
| GPQA Diamond | 93.5% | 91.7% | 93.5% | 96.1% | 93.7% | 93.2% |
| AA-LCR v1.1 | 88.3% | 79.7% | 88.7% | 80.7% | 85.3% | 79.3% |
| DeepSWE v1.1 | 67.7% | 66.9% | 67.5% | 74.1% | 67.4% | 74.0% |
| Terminal-Bench v2.1 | 85.0% | 83.9% | 85.0% | 88.4% | 91.4% | 89.1% |
| CyberGym | 84.7% | 84.5% | 80.0% | — | — | — |
| StepCodeBench† | 49.0% | 40.2% | 43.9% | 61.0% | — | 63.9% |
| GDPval-AA v2.1 | 1566 | 1645 | 1524 | 1542 | 1735 | 1708 |
| BrowseComp | 88.7% | — | 91.2% | 91.5% | — | 90.2% |
| HLE w/ tools‡ | 59.4% | 62.5% | 56.0% | 57.2% | 65.0% | 63.6% |
| FinStepBench-LiveSearch† | 74.5% | 73.3% | 70.9% | 74.5% | — | 76.2% |
| FinStepBench-FinanceDR† | 55.8% | 53.3% | 48.9% | 45.0% | — | 59.1% |
| FrontierFinance | 66.4% | 64.1% | 62.6% | 55.0% | — | 69.7% |
| MMMU-Pro | 76.0% | — (только текст) | 81.0% | 87.0% | — | 85.0% |
По HLE w/ tools‡ Step 5 Preview и GLM-5.3 оценивались на текстовом подмножестве, тогда как остальные модели работали на полном наборе данных, поэтому эти результаты напрямую несопоставимы. Общая картина в таблице согласуется с формулировкой о "парето-фронтире" в анонсе StepFun: модель rarely возглавляет таблицу, но держится рядом с лидерами при более низкой стоимости на задачу.
Попробуйте на VEGA
Откройте vega.chat, выберите Step 5 Preview в списке моделей и отправьте первую задачу. Если вы строите на агентах или код-ассистентах, подключайтесь через api.vega.chat. Полный анонс с интерактивными демо, включая реплей Pokémon и 3D-приложения, доступен на stepfun.com.