Step 5 Preview İndi VEGA-da İstifadəyə Verilib
StepFun agent yönümlü işlər üçün yeni flaqman modeli Step 5 Preview-i təqdim etdi. Model 600B ümumi parametrə və hər token üçün 27B aktiv parametrə malik seyrək Mixture-of-Experts arxitekturası üzərində işləyir, 1M tokenlik kontekst pəncərəsini dəstəkləyir və şəkil girişini qəbul edir. Artificial Analysis Intelligence Index-də 44 bal toplayıb; StepFun bildirir ki, onun tapşırıq başına xərci oxşar intellekt səviyyəsinə malik modellərlə müqayisədə xeyli aşağıdır.
Model artıq platformamızda istifadəyə verilib. Step 5 Preview vega.chat-da model seçicisində və vibe kodlaşdırması və agentlər üçün API-miz olan api.vega.chat-da mövcuddur. StepFun modeli açıq çəkilərlə oktyabrın 15-də təqdim edəcək.
Kodlaşdırma
StepFun proqram mühəndisliyinin praktikada necə həyata keçirildiyini əks etdirmək üçün öz qiymətləndirməsini — StepCodeBench-i hazırlayıb. Bu qiymətləndirmə 553 müstəqil repozitoriyanı, 9 tapşırıq kateqoriyasını, 20 tətbiq sahəsini və 33 proqramlaşdırma dilini əhatə edir. Step 5 Preview burada 49.0% avg@4 nəticəsi göstərir — onların cədvəlində açıq çəkili modellər arasında ən yaxşı nəticə — və xüsusilə səhvlərin düzəldilməsi, funksiyaların dəyişdirilməsi və refaktorinqdə güclüdür. Daxili və xarici ekspertlərin rəylərində iştirakçıların təxminən 70%-i modelin orta-yüksək mürəkkəblikli kodlaşdırma tapşırıqlarını avtonom şəkildə həll edə bildiyini bildirib.
Bu geniş imkanlar proqram təminatından da kənara çıxır. İnkişaf sənədləri və istifadəçi icazəsi olduqda, Step 5 Preview proqramlaşdırıla bilən avadanlıqla birbaşa işləyə bilir; kameralar, COM portları, ekran görüntüləri və simulyasiya olunmuş siçan daxiletməsi inkişaf və sazlama dövrünün bir hissəsi kimi istifadə olunur.
Uzunmüddətli icra
StepFun ölçülə bilən geribildirim olan iki şəraitdə davamlı işi sınaqdan keçirib:
- MLA GPU nüvəsinin optimallaşdırılması. Modelə NVIDIA H100-də (başlıq ölçüsü 512, istehsalat forması: batch 1, 64 başlıq, 8,192 token) MLA nüvəsini sıfırdan optimallaşdırmaq üçün 24 saat vaxt verilib. Model dəyişikliklər edib, nüvəni işə salıb, ötürmə qabiliyyətini ölçüb və nəticəni pisləşdirən variantları kənara qoyub. 4 sınaq arasındakı ən yaxşı nəticəsi təxminən 22 saatdan sonra irəli və geri keçidlər üçün 508 TFLOPS olub; bu, Claude Opus 5-in 493 nəticəsini üstələyib.
- Avtomatlaşdırılmış sonrakı təlim. Daha bir 24 saatlıq sınaqda Step 5 Preview avtomatlaşdırılmış sonrakı təlim dövrü vasitəsilə AIME24 üzrə Qwen3-30B-A3B baza modelini təkmilləşdirib, API annotatorundan necə istifadə edəcəyinə və məlumatları necə yenidən işləyəcəyinə özü qərar verib. Nəticədə əldə edilən model rəsmi testdə 60% nəticə göstərib; bu, əvvəlki 53.3%-dən yüksəkdir və daha az annotator tokeni ilə Claude Opus 5-in nəticəsinə bərabərdir.
Daha qəribə bir göstərici də var. Heç bir oyuna xas sazlama aparılmadan Step 5 Preview Pokémon Red oyununu 3,000-dən çox növbə və 6 milyon token boyunca oynayıb. 3,082-ci növbədə Cut bacarığını açıb, üç Gym Badge qazanıb və Lt. Surge-ü məğlub edib; bununla əsas hekayənin təxminən üçdə birini keçib. Əsas hekayəni insanın oynaması təxminən 26 saat çəkir.
Bilik işi və maliyyə
25 il ərzində 1,000 məkanı əhatə edən iqlim araşdırmasında model bir agent əməliyyatı ilə 950 veb sorğusunu əlaqələndirib və 11 dəyişən üzrə aylıq 300,000 qeydi bir araya gətirib, sonra isə həmin məlumat dəstindən günəş mövsümiliyindəki regional fərqləri təhlil etmək üçün istifadə edib. Dizel əlavəsi üzrə araşdırmada isə mənbə məlumatlarına qədər izlənə bilən 17 vərəqli analitik iş kitabı hazırlayıb. Buraya 11,057 sətir, seriyalararası tutuşdurma, düsturlar və trend modelləri daxildir.
Maliyyəyə xüsusi diqqət ayrılıb. StepFun modelin aktual maliyyə məlumatlarını tapıb yoxlaya bilməsini, məlumatları və əsaslandırıla bilən fərziyyələri təkrarlana bilən qiymətləndirmələrə çevirə bilməsini, habelə sübutların toplanmasından yekun hesabata qədər tam tədqiqat prosesini həyata keçirə bilməsini yoxlayan üç daxili test dəsti hazırlayıb. Model həmçinin 220 ekspert tərəfindən hazırlanmış sual və 11,543 qiymətləndirmə meyarı vasitəsilə altı investisiya istifadə ssenarisini əhatə edən xarici FrontierFinance test dəstində də qiymətləndirilib.
Qiymətləndirmələr
Step 5 Preview “High” səy səviyyəsində işləyib; müqayisə edilən modellər isə “Max” səviyyəsində işləyib. † işarəsi ilə qeyd olunan qiymətləndirmələr daxili testlərdir.
| Benchmark | 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% | — (text only) | 81.0% | 87.0% | — | 85.0% |
HLE w/ tools‡ qiymətləndirməsində Step 5 Preview və GLM-5.3 yalnız mətn alt dəsti üzrə, digər modellər isə bütün məlumat dəsti üzrə qiymətləndirilib; buna görə nəticələri birbaşa müqayisə etmək olmaz. Cədvəldəki ümumi mənzərə StepFun-un elanındakı “Pareto sərhədi” təsvirinə uyğundur: model nadir hallarda cədvəldə birinci yeri tutur, lakin tapşırıq başına daha aşağı xərclə liderlərə yaxın nəticələr göstərir.
VEGA-da sınayın
vega.chat-ı açın, model siyahısından Step 5 Preview-i seçin və ilk tapşırığınızı göndərin. Agentlər və ya kod köməkçiləri ilə işləyirsinizsə, api.vega.chat vasitəsilə qoşulun. İnteraktiv nümayişlər, o cümlədən Pokémon oyun təkrarı və 3D tətbiqlər olan tam elan stepfun.com ünvanındadır.