开源Top2！实测阶跃Step 5 Preview，真有点猛啊…

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

谁能想到，全球旗舰模型混战打到现在，局势依旧充满变数。

昨天，阶跃星辰毫无预兆地端出了最新一代旗舰基座模型——Step 5 Preview。

MoE架构，600B总参数、激活参数仅27B，1M上下文。

Agent能力大幅提升，在Artificial Analysis的最新评测中，Step 5 Preview取得44分，直接冲到全球开源Top 2。

要知道，其他拿到这一分数的大模型，大多都是万亿参数级别。

所以相比起来，阶跃这个新模型定价蛮便宜。

百万输入：1美元

百万输出：2.7美元

可以说很有竞争力了，单个任务成本仅为Opus 5的12.5%。

下面这张图更加直观。

AA榜单中，Step 5 Preview位于Intelligence Index与单任务成本权衡的「帕累托前沿」。

说实话，看到这个消息时我有点意外。

阶跃挺久没出现在这么靠前的位置了，之前两代模型都聚焦在Flash这个档位。

但Benchmark这东西嘛，现在大家也都懂。

榜单上你追我赶，今天刷掉一个，明天又冒出来一个。真到要用的时候，模型到底行不行，完全是另外一码事。

所以我干了一件比较费钱的事：

烧了无数Token，并行跑了无数个3D资产、3D游戏……

然后，我发现——

这模型好像还真可以啊。。。

一手实测

最近Astra操控软件不是很火吗？

所以API一接上，我直接给Step 5 Preview上强度，让它操作Blender，给我建一个后室出来。

说实话，最开始我没指望它真能交付出什么东西。

结果等它自己折腾了一个多小时，我打开文件夹，再点开渲染好的MP4，直接看愣了。

不er，这啥啊，你搁哪个网站下载的视频？？

建模本身就不说了，离谱的是，它居然自己给视频加了一堆后期。

VHS录像质感、镜头噪点、昏黄灯光，人物走路的时候甚至还有脚步声。

给我看得有点毛骨悚然了，感觉转角会跳出一个《痴迷》女主。。。

所以咱还是做点老少皆宜的demo吧。

第二个任务，我让它照着1999年的《LEGO Racers》，直接搓一个乐高赛车游戏。

这次也挺完整。

赛道、赛车、人机车手、实时排名都有，甚至连发动机音效都给配上了。

也是给我玩得不亦乐乎。

唯一的问题是，这赛道修得也太窄了。。。

也可能主要还是因为我车技菜，经常一脚油门直接创路障上，有时候甚至连人机都跑不过。

不过吧，家人们，玩完两个3D Demo，我是真有点顶不住了。

你要知道，我是晕3D的。前面两个任务搓完，差点没搁工位上吐出来。。。

最后再奉上一个《花屋》建模，接下来咱还是做点简单的2D任务吧。

先做了个霓虹跑酷小游戏。有意思的是，我专门用了和阶跃上一代官网Demo类似的Prompt。

结果差距还是挺明显的。

道路两旁加了高楼，视觉层次更完整，Game Over之后整个边框还会跟着变红，很多Prompt里没写的小细节，它自己补上了。

然后我又让它做了个写作网站。

这里必须单独表扬一句。

终于不往东坡肉里塞番茄炒蛋了。

泪目。

这审美真可以啊，而且覆盖面特别全，基本能直接拿来用了。

不过，有时候还是会出现模块溢出这种小Bug，依然得review，依然得改。

前面几个Demo也是这样。

第一轮经常有些小细节不到位，离Astra那种「我咧个，这是AI做的？」的瘫软程度，肯定还有差距。

但还是能拿来干活的。

通常指出两三轮问题，它自己修一遍，就能到可用状态。

那么问题来了。

明明前面两代还都是Flash，怎么到Step 5 Preview，Agent能力突然猛了这么多？

把算力花在刀刃上

过去几年，大模型行业最简单粗暴的信仰一直是Scaling。

更多参数，更多数据，更多算力。

确实很猛，Fable直接给Agent堆超模了，涌现出不少新技能点。

但问题也很明显——

贵啊。。。

所以，Step 5 Preview当然也在Scaling，但它没有把「越大越好」当成唯一目标。

团队选择了一种叫Narrow but Deep的网络设计。

直译过来就是：

窄，但深。

92层的Transformer，在控制激活规模的同时，让信息经过更多层连续变换。

这对Agent尤其重要。

复杂任务里，经常会有大量multi-hop依赖，前面搜到的信息，要经过很多步之后才能真正派上用场。

网络更深，相当于给这些信息留下了更长的传播和推理路径。

但Agent还有另一个麻烦——

Context。

几十轮工具调用之后，上下文能轻松滚到上百万Token。如果每一层都把前面所有内容重新扫一遍，计算量很快就会爆炸。

所以团队做的第二件事，就是稀疏化。

Sparse MoE、Hybrid Sparse、Sparse GQA……本质上都是在解决上下文的问题。

当然，算法层面写个Sparse，不代表GPU真的就会少干活。

索引、访存、调度这些问题处理不好，好不容易省下来的算力，全部会浪费掉。

这还稀疏个啥，稀疏不了一点。

所以Step 5 Preview在硬件上也下了不少功夫，通过底层算子和数据访问优化，让理论上的Sparse尽量真正变成实际吞吐。

有了这套软硬件基座，后面要做的事就比较清晰了，围绕Agent训一遍模型，让它能连续干活。

简单来说，如果以前模型的基本单位是「回答」，那现在就变成了「Loop」。

规划、执行、调用工具、看结果、发现不对、继续修。

然后再Loop。

最终，通过Long-horizon RL、Context Compaction等方法，团队让Step 5 Preview在几十轮工具调用之后，还能记得自己到底要干嘛。

到这里，Step 5 Preview的思路就比较完整了。

踩在「性能×成本」的甜蜜点上，把有限的计算预算尽量花在真正影响Agent能力的地方。

这也算是阶跃一直以来最擅长的事情。

从Step 3.5 Flash，到Step 3.7 Flash，再到今天的Step 5 Preview，路线其实没怎么变——

尽可能让Frontier级能力，大家用得起。

阶跃，回来了

大模型竞赛打到今天，依旧天上一天地上一年，战场始终瞬息万变，唯一不变的共识是：

Frontier，远没有到终局。

毕竟，仅仅过去一年里，头部模型的王座就不知道换多少次了。。。

新的模型、新的技术路线不断把能力边界往前推，曾经足以建立巨大壁垒的领先优势，很多时候几个月就会被追平。

Stanford 2026 AI Index里有个数据很有意思。

截至2026年3月，Anthropic、xAI、Google和OpenAI四家公司最顶尖的模型，在Arena上的差距已经压缩到了25个Elo以内。

你要知道，GPT刚发的时候，这个差距可远没有这么小。

大模型竞争正在进入全新阶段：

一方面，Frontier的门槛越来越高；另一方面，Frontier内部又越来越拥挤。

单纯追逐某一个Benchmark、某一次榜单第一，已经很难定义一家模型公司的长期位置。

今天一个模型需要回答的问题，是更复杂的：

能力有没有什么差异化？

成本能不能压下来？

Benchmark上的智能，又能不能真正迁移到复杂、开放、长程的真实任务里？

现在各家其实都已经开始疯狂点自己的技能树了。

K3专攻前端开发，将网页设计做到极致。

V4 Flash打爆性价比，给Flash级模型干成白菜价。

Astra同样如此，Coding其实没提升多少，但把Computer use的心智站住了。

大家都在寻找自己的那根长板。

这次，阶跃也给出了他们的答案。

向上，发布旗舰基座，杀回全球第一梯队。

向下，优化效率和成本，让Agent真正进入大众生活。

大时代啊朋友们。

说实话，这才是AI行业最有意思的地方，要是真靠Scaling解决一切，跟制造业有啥区别啊。

我一直觉得，模型层更像是一片参差不齐的竹林。

点亮任何一个技能点，都意味着Trade-off。

更强的推理、更长的Context、更低的延迟、更少的激活、更强的多模态、更好的Agent能力……

至少在相当长的一段时间里，很难有一家模型把所有方向全部点满。

所以技术路线也不会这么快收敛。

只要能找到合适的切口，总会有新模型、新公司的市场生态位。

关于AGI的这场马拉松，远没有跑到最后一公里。

阶跃，回来了。