Step 5 Preview ya está disponible en VEGA

StepFun lanzó Step 5 Preview, su nuevo modelo insignia para el trabajo agéntico. Funciona con una arquitectura dispersa de Mixture-of-Experts, con 600B de parámetros en total y 27B activos por token, admite una ventana de contexto de 1M de tokens y acepta imágenes como entrada. En el Artificial Analysis Intelligence Index obtiene una puntuación de 44, y StepFun afirma que su costo por tarea es considerablemente menor que el de modelos con un nivel de inteligencia comparable.

El modelo ya está disponible en nuestra plataforma. Step 5 Preview se encuentra en vega.chat, en el selector de modelos, y en api.vega.chat, nuestra API para vibe coding y agentes. StepFun lanzará el modelo con pesos abiertos el 15 de octubre.

Programación

StepFun creó su propia evaluación, StepCodeBench, para reflejar la ingeniería de software tal como se practica en la realidad. Abarca 553 repositorios independientes, 9 categorías de tareas, 20 ámbitos de aplicación y 33 lenguajes de programación. Step 5 Preview obtiene un promedio de 49.0% en @4, el mejor resultado entre los modelos con pesos abiertos de la tabla, y destaca especialmente en la reparación de errores, la modificación de funcionalidades y la refactorización. En las evaluaciones de expertos internos y externos, alrededor del 70% de los participantes consideró que el modelo podía resolver de forma autónoma tareas de programación de complejidad moderadamente alta.

La misma amplitud va más allá del software. Si se le proporcionan documentación de desarrollo y autorización del usuario, Step 5 Preview puede trabajar directamente con hardware programable, utilizando cámaras, puertos COM, capturas de pantalla y entradas simuladas del ratón como parte del ciclo de desarrollo y depuración.

Ejecución a largo plazo

StepFun probó el trabajo sostenido en dos entornos con resultados medibles:

• Optimización de kernels de GPU MLA. El modelo tuvo 24 horas para optimizar desde cero un kernel de MLA en una NVIDIA H100 (dimensión de cabeza 512, forma de producción de lote 1, 64 cabezas y 8.192 tokens). Implementó cambios, ejecutó el kernel, midió el rendimiento y descartó las opciones que lo reducían. Su mejor resultado de 4 ejecuciones alcanzó un máximo de 508 TFLOPS en la pasada hacia adelante y hacia atrás tras unas 22 horas, por encima de los 493 de Claude Opus 5.


• Posentrenamiento automatizado. En otra ejecución de 24 horas, Step 5 Preview mejoró un modelo base Qwen3-30B-A3B en AIME24 mediante un ciclo automatizado de posentrenamiento, decidiendo cómo usar un anotador de API y cómo revisar los datos. El modelo resultante obtuvo un 60% en la prueba oficial, frente al 53.3% inicial, igualando a Claude Opus 5 con menos tokens de anotación.

También hay un dato más insólito. Sin ningún ajuste específico para videojuegos, Step 5 Preview lleva más de 3.000 turnos y 6 millones de tokens jugando a Pokémon Red. En el turno 3.082 había conseguido Corte, obtenido tres medallas de gimnasio y derrotado a Lt. Surge, lo que lo sitúa aproximadamente a un tercio de la historia principal. Se estima que la historia principal requiere 26 horas de juego humano.

Trabajo de conocimiento y finanzas

Para un estudio climático que abarcaba 1.000 ubicaciones durante 25 años, el modelo coordinó 950 solicitudes web en una sola acción agéntica y reunió 300.000 registros mensuales con 11 variables; después utilizó el conjunto de datos para analizar las diferencias regionales en la estacionalidad solar. En una revisión de recargos por diésel, produjo un libro de trabajo analítico de 17 hojas con 11.057 filas, conciliación entre series, fórmulas y modelos de tendencias que un revisor puede rastrear hasta los datos de origen.

Las finanzas recibieron atención específica. StepFun creó tres pruebas de referencia internas para comprobar si un modelo puede obtener y verificar información financiera actualizada, convertir datos y supuestos defendibles en valoraciones reproducibles, y completar un proceso de investigación íntegro, desde la recopilación de pruebas hasta la elaboración de un informe final. También evaluó el modelo en FrontierFinance, una prueba de referencia externa que abarca seis casos de uso de inversión mediante 220 preguntas redactadas por expertos y 11.543 criterios de evaluación.

Pruebas de referencia

Step 5 Preview se ejecutó con el nivel de esfuerzo «High»; los modelos de comparación, con «Max». Las pruebas marcadas con † son internas.

Prueba de referencia	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 con herramientas‡	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%	— (solo texto)	81.0%	87.0%	—	85.0%

Para HLE con herramientas‡, Step 5 Preview y GLM-5.3 se evaluaron con el subconjunto de solo texto, mientras que los demás modelos se probaron con el conjunto de datos completo, por lo que los resultados no son directamente comparables. El patrón general de la tabla concuerda con el enfoque de «frontera de Pareto» del anuncio de StepFun: el modelo rara vez encabeza la clasificación, pero se mantiene cerca de los líderes con un costo por tarea menor.

Pruébalo en VEGA

Abre vega.chat, selecciona Step 5 Preview en la lista de modelos y envíale tu primera tarea. Si trabajas con agentes o asistentes de programación, conéctate a través de api.vega.chat. El anuncio completo, con demostraciones interactivas —incluidas la repetición de Pokémon y las aplicaciones 3D—, está en stepfun.com.