Step 5 Preview अब VEGA पर उपलब्ध है

StepFun ने Step 5 Preview जारी किया है, जो एजेंट-आधारित कार्यों के लिए उसका नया फ्लैगशिप मॉडल है। यह 600B कुल पैरामीटर और प्रति टोकन 27B सक्रिय पैरामीटर वाले sparse Mixture-of-Experts आर्किटेक्चर पर चलता है, 1M-token context window को सपोर्ट करता है और इमेज इनपुट स्वीकार करता है। Artificial Analysis Intelligence Index पर इसका स्कोर 44 है, और StepFun का कहना है कि इसकी प्रति-कार्य लागत तुलनीय बुद्धिमत्ता स्तर वाले मॉडलों से काफी कम है।

यह मॉडल अब हमारे प्लेटफ़ॉर्म पर उपलब्ध है। Step 5 Preview, vega.chat पर मॉडल सूची में और api.vega.chat पर उपलब्ध है—यह vibe coding और एजेंट्स के लिए हमारा API है। StepFun 15 अक्टूबर को इस मॉडल के open weights जारी करेगा।

कोडिंग

StepFun ने सॉफ़्टवेयर इंजीनियरिंग के वास्तविक कामकाज को दर्शाने के लिए अपना मूल्यांकन StepCodeBench बनाया। इसमें 553 स्वतंत्र रिपॉज़िटरी, 9 कार्य श्रेणियाँ, 20 एप्लिकेशन डोमेन और 33 प्रोग्रामिंग भाषाएँ शामिल हैं। Step 5 Preview का वहाँ avg@4 स्कोर 49.0% है—उनकी तालिका में open-weight मॉडलों के बीच सबसे अच्छा परिणाम। बग ठीक करने, सुविधाओं में बदलाव करने और रीफ़ैक्टरिंग में इसकी विशेष क्षमता है। आंतरिक और बाहरी विशेषज्ञों की समीक्षाओं में, लगभग 70% प्रतिभागियों ने मॉडल को मध्यम से काफ़ी उच्च जटिलता वाले कोडिंग कार्यों को स्वायत्त रूप से हल करने में सक्षम माना।

यह व्यापक क्षमता सॉफ़्टवेयर से आगे भी लागू होती है। विकास संबंधी दस्तावेज़ और उपयोगकर्ता की अनुमति मिलने पर, Step 5 Preview प्रोग्राम करने योग्य हार्डवेयर के साथ सीधे काम कर सकता है। विकास और डीबगिंग की प्रक्रिया में यह कैमरे, COM पोर्ट, स्क्रीनशॉट और माउस इनपुट के सिमुलेशन का उपयोग करता है।

लंबे समय तक काम करना

StepFun ने मापने योग्य फ़ीडबैक वाली दो स्थितियों में लगातार काम करने की क्षमता का परीक्षण किया:

• MLA GPU kernel optimization. मॉडल को NVIDIA H100 पर शुरू से MLA kernel को ऑप्टिमाइज़ करने के लिए 24 घंटे दिए गए (head dimension 512, batch 1, 64 heads और 8,192 tokens का प्रोडक्शन शेप)। इसने बदलाव लागू किए, kernel चलाया, थ्रूपुट मापा और प्रदर्शन घटाने वाले विकल्पों को हटाया। 4 रन में इसका सर्वश्रेष्ठ प्रदर्शन लगभग 22 घंटे बाद forward और backward के लिए 508 TFLOPS तक पहुँचा, जो Claude Opus 5 के 493 से अधिक था।


• Automated post-training. एक अन्य 24 घंटे के रन में, Step 5 Preview ने स्वचालित पोस्ट-ट्रेनिंग प्रक्रिया के ज़रिए AIME24 पर Qwen3-30B-A3B बेस मॉडल को बेहतर बनाया। इस दौरान इसने तय किया कि API annotator का इस्तेमाल कैसे करना है और डेटा में बदलाव कैसे करने हैं। नतीजे में मॉडल आधिकारिक टेस्ट में 60% तक पहुँचा, जो पहले 53.3% था। कम annotator tokens का उपयोग करके इसने Claude Opus 5 के बराबर प्रदर्शन किया।

एक और अनोखा आँकड़ा भी है। गेम के लिए किसी खास तरह की ट्यूनिंग के बिना, Step 5 Preview 3,000 से अधिक टर्न और 6 million tokens तक Pokémon Red खेलता रहा है। 3,082वें टर्न तक इसने Cut अनलॉक कर लिया था, तीन Gym Badges हासिल किए थे और Lt. Surge को हरा दिया था—यानी यह मुख्य कहानी का लगभग एक-तिहाई हिस्सा पूरा कर चुका था। अनुमान है कि मुख्य कहानी को खेलने में इंसान को 26 घंटे लगते हैं।

ज्ञान-आधारित कार्य और वित्त

25 वर्षों में 1,000 स्थानों को कवर करने वाले एक जलवायु अध्ययन के लिए, मॉडल ने एक ही एजेंट कार्रवाई में वेब से 950 डेटा अनुरोधों का समन्वय किया और 11 वेरिएबल्स के 300,000 मासिक रिकॉर्ड इकट्ठा किए। इसके बाद इसने उस डेटासेट से सौर मौसमी बदलावों में क्षेत्रीय अंतर का विश्लेषण किया। डीज़ल अधिभार की समीक्षा में इसने 11,057 पंक्तियों वाली 17-शीट की विश्लेषणात्मक वर्कबुक तैयार की, जिसमें अलग-अलग सीरीज़ का मिलान, फ़ॉर्मूले और ट्रेंड मॉडल शामिल थे। समीक्षक इनके स्रोत डेटा तक पहुँच सकते हैं।

वित्त पर विशेष ध्यान दिया गया। StepFun ने तीन आंतरिक बेंचमार्क बनाए, जो जाँचते हैं कि कोई मॉडल समयानुकूल वित्तीय जानकारी खोज और सत्यापित कर सकता है या नहीं, डेटा और तर्कसंगत मान्यताओं के आधार पर दोहराए जा सकने वाले मूल्यांकन तैयार कर सकता है या नहीं, और सबूत जुटाने से लेकर अंतिम रिपोर्ट बनाने तक पूरी शोध प्रक्रिया पूरी कर सकता है या नहीं। इसने FrontierFinance पर भी मॉडल का मूल्यांकन किया—यह एक बाहरी बेंचमार्क है, जिसमें निवेश के छह उपयोग मामलों को कवर करने वाले विशेषज्ञों द्वारा लिखे 220 प्रश्न और मूल्यांकन के 11,543 मानदंड शामिल हैं।

बेंचमार्क

Step 5 Preview को "High" प्रयास सेटिंग पर चलाया गया; तुलना वाले मॉडल "Max" पर चलाए गए। † से चिह्नित बेंचमार्क आंतरिक हैं।

बेंचमार्क	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%	— (केवल टेक्स्ट)	81.0%	87.0%	—	85.0%

HLE w/ tools‡ के लिए, Step 5 Preview और GLM-5.3 का मूल्यांकन केवल टेक्स्ट वाले सबसेट पर किया गया, जबकि दूसरे मॉडल पूरे डेटासेट पर चलाए गए। इसलिए इन नतीजों की सीधे तुलना नहीं की जा सकती। तालिका में दिखता रुझान StepFun की घोषणा में दिए गए "Pareto frontier" के वर्णन से मेल खाता है: यह मॉडल बहुत कम मौकों पर सीधे सबसे ऊपर आता है, लेकिन प्रति कार्य कम लागत पर अग्रणी मॉडलों के काफ़ी करीब रहता है।

VEGA पर आज़माएँ

vega.chat खोलें, मॉडल सूची में Step 5 Preview चुनें और अपना पहला कार्य भेजें। अगर आप एजेंट्स या कोड असिस्टेंट के साथ काम करते हैं, तो api.vega.chat के ज़रिए कनेक्ट करें। इंटरैक्टिव डेमो सहित पूरी घोषणा—जिसमें Pokémon का रीप्ले और 3D ऐप्स शामिल हैं—stepfun.com पर उपलब्ध है।