阶跃星辰发布的 Step 5 Preview，定位是「面向真实世界 Agentic 任务的旗舰基座模型」。规格上，它采用稀疏 MoE 架构，总参数量 600B，每个 token 激活 27B，支持 1M token 上下文窗口和视觉输入。
这套配置的关键在激活比例：27B 除以 600B 大约是 4.5% 的稀疏度，意味着单次推理的算力开销远小于 600B 这个数字所暗示的量级，而模型容量仍然处在 600B 档位。这正是它能同时往「智能水平」和「任务成本」两条线上走的物理基础。
官方给出的目标是「推动帕累托前沿」——帕累托前沿不等于所有指标都第一，而是在智能与成本的权衡平面上，无法在不牺牲另一项的前提下改进其中一项。它给出的人工智能分析智能指数是 44 分，并强调在相近智能水平下任务成本明显更低。所以评估它的正确方式，是把「单位任务成本对应多少智能」当作主指标。
下面把它公布的九个基准逐行摊开，对照表里的对手统一取各家 Max 档，Step 5 Preview 取 High 档。
一、软件工程与 Coding：逼近第一梯队，但没翻过去
| 基准 | Step 5 Preview | GLM-5.3 | Kimi K3 | GPT-6 Astra | Claude Opus 5 |
|---|---|---|---|---|---|
| DeepSWE v1.1 | 67.7 | 66.9 | 67.5 | 74.1 | 74.0 |
| StepCodeBench | 49.0 | 40.2 | 43.9 | 61.0 | 63.9 |
| ProgramBench | 80.5 | 72.0 | 77.8 | 85.4 | 82.3 |
| Terminal-Bench v4 | 33.3 | 41.9 | 12.6 | 57.9 | 52.3 |
读这张表要点出三件事。
第一，DeepSWE v1.1 上它已经贴住了第二梯队的天花板。67.7 对 Kimi K3 的 67.5、GLM-5.3 的 66.9，差距在噪声范围内；但离 GPT-6 Astra 的 74.1 和 Claude Opus 5 的 74.0 还有 6 分多的落差。
第二，ProgramBench 是它表现最均衡的一项。80.5 排在 Claude Opus 5 的 82.3 之后但高于 GLM-5.3 的 72.0，说明在「能不能交付一个可运行程序」这类端到端任务上，它的稳定性不错。
第三，Terminal-Bench v4 是明显短板。33.3 对比 GLM-5.3 的 41.9 和 GPT-6 Astra 的 57.9，差距不是一点。终端操作要求模型在无图形界面下持续做对一连串小决策，这恰好考验长程一致性和对失败反馈的处理，而官方也承认，在最具挑战、运行时间更长的任务上还有提升空间。
值得一提的是 StepCodeBench 这个自研基准的构建方式：覆盖 553 个独立代码仓库、9 类任务（功能修改、Bug 修复、重构、文档生成、性能调优、CI/CD 运维等）、20 个应用领域和 33 种编程语言，评测设计参考了产业需求与专家工作流轨迹，指标是 avg@4。它在其中拿到 49.0，官方称在低、中等难度任务上结果接近 Claude Opus 5。自研基准天然对自己有利，把这条当作参考而非定论更稳妥。
二、金融：真正反超的一项
| 基准 | Step 5 Preview | GLM-5.3 | Kimi K3 | GPT-6 Astra | Claude Opus 5 |
|---|---|---|---|---|---|
| FrontierFinance | 66.4 | 64.1 | 62.6 | 55.0 | 69.7 |
| DRACO | 83.3 | 82.3 | 78.5 | 76.8 | 87.6 |
| GDPval-AA v2 | 1571 | 1634 | 1548 | 1580 | 1735 |
| ALE-CLI | 29.5 | 28.6 | 27.6 | 33.3 | 28.6 |
FrontierFinance 上 66.4 反超 GPT-6 Astra 的 55.0，这是整张表里最有说服力的一处「以小博大」。该基准覆盖 6 类投资场景、220 道专家设计的问题和 11,543 项评估标准，用细粒度 rubric 打分，专门考察复杂金融回答的质量。
官方还给了三项自研金融评测，考察点很具体：实时信息检索能否随需求变化检索并验证及时可靠的来源、企业估值能否把数据和合理假设转成内部一致的预测并复现、完整研究流程能否产出有充分依据的报告。三项都强调来源可追溯、假设明确、关键计算可复现——这正好是金融分析区别于普通问答的地方，也是模型最容易含糊过去的环节。
通用 Agent 上它表现中规中矩：GDPval-AA v2 拿到 1571，落在 GLM-5.3 的 1634 与 Claude Opus 5 的 1735 之间；ALE-CLI 29.5 略高于 GLM-5.3 与 Claude Opus 5，仍低于 GPT-6 Astra。
三、长程执行：三个值得看的案例
长任务真正难的，不是「跑得久」，而是模型能不能持续记住前面的结果、理解新反馈，并据此判断下一步。官方给的三个案例各有侧重。
GPU Kernel 优化：给模型 24 小时，在单张 H100 上从零优化一个 MLA Kernel（Head Dimension 512、Batch Size 1、64 Heads、8,192 Tokens）。模型自行实现、运行、再根据吞吐结果继续修改，遇到跑通但不如当前最佳的版本就放弃。每个模型独立跑 4 次取最优，Step 5 Preview 在约 22 小时后达到前向与反向合计 508 TFLOPS，是本次对比中的最高结果。
后训练数据流程自动化：同样 24 小时，要求它通过自动化后训练提升一个 Qwen3-30B-A3B 基础模型在 AIME24 上的表现。模型可以调用接入生产数据的标注器 API 并自行决定如何使用。最终在 AIME24 官方测试集上达到 60%，相比后训练前的 53.3% 有明显提升，官方称与 Claude Opus 5 持平但消耗的标注 token 更少。
Pokémon Red：这个案例和写代码无关，考验的是持续推进一个很远的目标。在未做任何专项优化的情况下，它已持续完成 3000 个以上回合，累计交互接近 600 万 token，截至公布时解锁了「居合斩」并在第 3,082 步击败枯叶道馆馆主马志士，拿到第三枚徽章，主线进度约三分之一。人类完成主线通常约需 26 小时。
四、可用性与选型建议
Step 5 Preview 现已可通过其产品与 API 使用，模型将于 10 月 15 日正式开源。这意味着现阶段你只能走 API 通道，自建部署和本地微调都还排不上。
选型上给三条具体建议。如果你的场景集中在金融分析、专业文档交付、需要人工复核的结构化产物（比如那份 17 个 Sheet、数据与结论可追溯的分析工作簿），它是当前值得优先试的选项，这一块它的数字确实硬。如果核心负载是终端自动化、CI/CD 运维或长时间无人值守的编码任务，先别急，Terminal-Bench v4 上的 33.3 说明这里有实质差距。如果是在成本敏感的高并发场景下替换现有模型，那它主打的效率叙事值得单独压测——但请用你自己的任务集测，而不是拿公开榜单换算。
最后提醒一句读榜的纪律：标了内部自研符号的项目要打折看，不同评测设置下的数字不能横向比，对手取 Max 档而它取 High 档的错位则意味着某些差距可能被高估。把这些前提记住，这张表才是有用的。