Step 5 Preview：1M Context、44 分與低價 API，真的推進 Pareto Frontier？（2026）

2026 年 9 月 20 日，StepFun 透過官方 X公布官網介紹〈Step 5 Preview: Advancing the Pareto Frontier〉，把 Step 5 Preview 定位成面向 agentic work 的新旗艦模型：StepFun 公布它採稀疏 MoE 架構，共 600B 參數、每個 token 啟用 27B，支援 1M token 輸入與視覺理解，API 已可使用。

我的結論先放前面：Step 5 Preview 真正值得注意的不是「旗艦」兩個字，而是 Artificial Analysis 測得 44 分、每秒輸出 99.8 token，官方 API 定價又只有每百萬輸入 token 1 美元、輸出 2.70 美元。這組價格效能確實有吸引力；但 1M context 的品質、官方 agent demo 的可重現性，以及 10 月 15 日才承諾釋出的 open weights，都還不能用一張發表圖直接下定論。

這次發布也迅速引起工程師社群注意。截至 2026 年 9 月 21 日 06:17（台北時間），Hacker News 討論串有 127 points、33 則留言；熱度同時帶來對低價的興趣與對 demo 證據的檢查。以下先忠實還原 StepFun 的主張，再用第三方測量拆解成本、速度與長上下文，最後給出採用前該怎麼測的判斷框架。

Step 5 Preview 的核心主張：把智慧與成本一起往外推

The Pareto frontier marks the best trade-offs between intelligence and cost. Progress begins when that boundary shifts outward.

中文：Pareto frontier 代表智慧與成本之間最好的取捨；當這條邊界向外移動，進步才真正發生。

StepFun，〈Step 5 Preview: Advancing the Pareto Frontier〉

這句話比「又一個更大的模型」更接近發布的核心。StepFun 想證明的不是 Step 5 在每一項能力都第一，而是它能在相近智慧水準下，把 API 成本、輸出速度與可承接的任務長度推到更有用的位置。為此，官方把發布內容分成三條主線：軟體工程、專業知識工作，以及讓模型參與模型研發本身。

官方規格	Step 5 Preview	讀法
模型架構	稀疏 MoE；600B 總參數、每 token 啟用 27B	這是 StepFun 公布的規格，公開頁面尚未提供足以完整重現路由與訓練的技術報告
輸入／輸出	最大輸入 1M token；最大輸出 64K token	容量上限不等於在所有長度都維持同等準確度
模態	文字、圖片、影片輸入；文字輸出	發布頁主打 vision，較完整的影片支援來自 API 文件
API 能力	tool calling、streaming、JSON mode/schema、prompt caching	搜尋、執行程式與外部工具仍由整合應用提供
官方 API 定價（美元）	每百萬 token：輸入 1 美元、快取命中 0.05 美元、輸出 2.70 美元	輸出計費包含 reasoning token 與最終回答

上述功能與上限可在官方模型文件核對，價格則以模型專屬定價表為準。這裡最容易忽略的一點是：低 token 單價只決定帳單的一部分，模型輸出多少、跑幾個工具回合、失敗後重試幾次，才決定任務最後花多少錢。

44 分、99.8 tokens/s：低價是真的，但不是全部

Artificial Analysis 的獨立模型頁在 2026 年 9 月 21 日顯示，Step 5 Preview 的 Intelligence Index v4.3.2 是 44 分，輸出速度為 99.8 tokens/s，time to first answer token 約 23.01 秒；其 Intelligence Index 每項任務的加權平均成本為 0.71 美元。這組數字支持 StepFun 的價格效能方向，但不等於已證明它是所有工作負載的總冠軍。

Artificial Analysis 快照（2026-09-21 06:17，台北時間）	Index	每項任務成本	輸出速度	標示 context
Step 5 Preview	44	0.71 美元	99.8 tok/s	1M
Kimi K3 max	44	2.00 美元	39 tok/s	約 1.05M
Grok 4.6 high	44	1.86 美元	60 tok/s	500K
GLM-5.3 max	45	2.01 美元	72 tok/s	1M
DeepSeek V4.1 Flash max	39	0.27 美元	207 tok/s	1M

在這組同頁可核對的模型裡，Step 5 Preview 呈現出明顯的價格效能取捨：同為 44 分的 Kimi K3 max 與 Grok 4.6 high 更慢、每項任務更貴；GLM-5.3 max 高約 1 分，但任務成本接近三倍；DeepSeek V4.1 Flash max 更便宜、更快，分數則低約 5 分。這是特定評測與當前供應商端點下的 Pareto 位置，不是對每個模型、每種 workload 的普遍定理。

還有一個反直覺細節：Artificial Analysis 的完整 Index 測試中，Step 5 Preview 產生約 1.56 億個輸出 token，頁面顯示的同類模型中位數約 9,200 萬；加權後每項任務約輸出 6.4 萬 token。也就是說，2.70 美元的輸出牌價很低，但模型偏長的 reasoning 與回答可能吃掉部分優勢。真正該算的是：

每次成功任務成本＝所有輸入、reasoning、回答、工具與重試成本，除以真正通過驗收的任務數。

1M context 是容量，品質證據不能直接外推到 1M

StepFun 文件把最大輸入列為 1M token，這對大型程式庫、跨年報表與長時間 agent 很重要；但「放得進去」與「在最遠位置仍能正確推理」是兩個問題。Artificial Analysis 的 AA-LCR v1.1測得 Step 5 Preview 為 88.3%，只略低於 Kimi K3 的 88.7%，是相當強的第三方訊號；然而該測試輸入涵蓋 10K 至 100K token，不能拿 88.3% 直接宣稱 1M 端到端品質也已被驗證。

這個差異會直接影響產品設計。若 agent 只是在 1M 視窗裡塞滿原始紀錄，模型可能花更多 token 找線索，卻沒有更高的成功率；較穩健的做法仍是分層檢索、摘要、引用定位與長度分桶測試，再觀察答案是否能指出正確證據位置。想進一步建立自己的測試集，可參考 AlphaLab 的模型 shadow eval 與回歸診斷。

Agent demo 很有野心，也留下可驗證性缺口

StepFun 發布頁用大量長任務展示 Step 5 Preview：從修改程式、製作互動網站，到 24 小時最佳化 H100 kernel、整理 17 張試算表，再到玩 Pokémon 超過 3,000 回合。官方也公布 DeepSWE 67.7、Terminal-Bench v4 33.3、DRACO 83.3 等成績。這些材料說明 StepFun 想解決的任務形狀，卻不是同等強度的證據：部分 benchmark 是 StepFun 自建，部分 demo 沒有公開完整 prompt、trace、程式庫與逐步驗收結果。

最具體的爭議出現在 Room Planner 影片。StepFun 官方影片畫面可見工作區已存在專案、README 與資產，推理文字也直接判斷「已有現成專案」；片中另出現一次 OpenAI API error (403)。Hacker News 留言因此質疑這不是從空白環境開始的完整生成紀錄。

合理結論要停在證據邊界內：這支影片無法證明畫面裡那次 session 從零建成成品，屬於不完整、不可稽核的 demo；它也沒有證明作品造假或由 OpenAI 模型完成。StepFun 官方開發文件本來就示範以 OpenAI SDK 連到 StepFun 的相容端點，因此錯誤名稱可以來自客戶端協定層。真正需要補的是可下載的乾淨起始狀態、完整 trace、commit 與可重跑驗收，而不是從一行錯誤訊息猜模型身分。

Open weights 是 10 月 15 日的承諾，不是目前狀態

Open weights on Oct 15.

中文：10 月 15 日開放權重。

StepFun 官方 X，2026 年 9 月 20 日

這個時間點應被當成未來承諾，而不是已完成的發布。截至 2026 年 9 月 21 日，Artificial Analysis 仍把 Step 5 Preview 標示為 proprietary；StepFun 這則公告也沒有交代 license、商用與衍生模型條款。即使 10 月 15 日如期提供權重，600B 總參數的模型也不會因 API 便宜就突然容易自架：儲存、記憶體、路由、量化、KV cache 與 1M 序列的基礎設施，仍是另一套成本問題。

因此，想追蹤「權重可下載」與「可合法、可負擔地部署」之間的差距，可以先看 AlphaLab 的本地 LLM VRAM 與硬體估算指南；兩者從來不是同一個判斷。

AlphaLab 判讀：Step 5 推進了採購曲線，還沒完成信任曲線

一、價格效能不是空話，但只在量測條件內成立

44 分、99.8 tokens/s 與 0.71 美元／任務來自發布方以外的測量，足以讓 Step 5 Preview 進入 agent API 的候選清單。這組數字也足以讓成本敏感、願意用自有驗收集做路由的團隊把它列入候選；是否適合高輸出量工作負載，仍要把約 6.4 萬輸出 token／任務的偏長輸出算進去。截至 2026 年 9 月 21 日，官方模型文件只列出 step-5-preview 這個未帶日期或版本後綴的 model ID；Artificial Analysis 的 provider 頁當時也只收錄 StepFun 自家端點。這代表版本鎖定與多供應商備援仍缺少公開證據，今天測得的分數、速度與行為不宜被視為永久合約。

二、1M 的價值在降低切割壓力，不是免除資訊架構

大視窗能讓模型看到更多原始材料，但它不會自動解決證據衝突、舊資訊污染、注意力分散與權限過寬。真正可靠的長任務系統，仍需要檢索、引用、狀態管理、工具邊界與可觀測性。若讀者想比較另一個 1M context、超大型 MoE 的案例，可延伸看騰訊 HY 4 Preview 的規格與證據拆解。

三、demo 的缺口應降低信心，不應取代判斷

Room Planner 的既有專案確實讓「從零完成」的暗示失去證據力；但從這裡跳到「模型沒能力」同樣超出證據。最好的回應不是替廠商辯護或直接定罪，而是把 demo 降級成線索，把可重跑 benchmark、真實工作樣本與失敗紀錄升級成決策依據。

我同意的部分：StepFun 把 44 分的獨立評測結果放進明顯較低的 API 價格帶，這會迫使模型採購從品牌排名轉向成功任務成本；1M 輸入與 64K 輸出也提供了有價值的系統設計空間。

我存疑的部分：官方長任務與內部 benchmark 的重現材料不足，1M 品質尚不能由 100K 測試外推，open weights 的 license 與可部署性也要等正式發布後才能評估。這些不是否定模型，而是把「已量到的優勢」與「尚待驗證的承諾」分開。

團隊現在該怎麼測 Step 5 Preview？

1. 先挑 20 至 50 個真實任務。納入長程式修改、多文件核對、工具呼叫與需要回滾的失敗案例，不用發布 demo 當測試集。
2. 固定 agent harness。相同 prompt、工具、權限、timeout、重試與驗收規則下，對照現行模型與 Step 5 Preview；否則比較到的是系統差異。
3. 按 context 長度分桶。至少分成短、10K–100K、100K 以上，記錄引用命中、遺漏、矛盾與位置偏差，不只看是否能送入 API。
4. 計算成功任務成本。同時保留總 token、reasoning token、工具回合、牆鐘時間、人工修正與失敗重試，避免低單價掩蓋長輸出。
5. 把 preview 當可回滾的路由候選。先小流量 shadow test，再依任務類型逐步放量；正式權重、license 與模型版本出現後，再另外評估自架。

如果你正建立多模型路由，可把 Step 5 Preview 放進「高 context、成本敏感」那一格，再用AI 模型路由與評測實戰把任務難度、成功率與成本接起來。真正的勝負不在一張榜，而在同一批工作能否更穩定、快速且便宜地通過驗收。