Step 5 Preview-ն արդեն հասանելի է VEGA-ում

StepFun-ը թողարկել է Step 5 Preview-ը՝ գործակալային աշխատանքի համար նախատեսված իր նոր առաջատար մոդելը։ Այն աշխատում է նոսր Mixture-of-Experts ճարտարապետությամբ՝ ընդհանուր 600B պարամետրով և յուրաքանչյուր token-ի համար 27B ակտիվ պարամետրով, աջակցում է 1M token-ի համատեքստի պատուհանին և ընդունում է պատկերների մուտքագրում։ Artificial Analysis Intelligence Index-ում այն ստացել է 44 միավոր, իսկ StepFun-ի պնդմամբ՝ մեկ առաջադրանքի արժեքը զգալիորեն ցածր է համադրելի բանականության մակարդակ ունեցող մոդելներից։

Մոդելն արդեն հասանելի է մեր հարթակում։ Step 5 Preview-ն առկա է vega.chat-ի մոդելների ցանկում, ինչպես նաև api.vega.chat-ում՝ vibe coding-ի և գործակալների համար նախատեսված մեր API-ում։ StepFun-ը մոդելը բաց կշիռներով կթողարկի հոկտեմբերի 15-ին։

Ծրագրավորում

StepFun-ը ստեղծել է իր գնահատման համակարգը՝ StepCodeBench-ը, որպեսզի արտացոլի ծրագրային ճարտարագիտությունը գործնականում։ Այն ընդգրկում է 553 անկախ պահոց, առաջադրանքների 9 կատեգորիա, կիրառությունների 20 ոլորտ և ծրագրավորման 33 լեզու։ Step 5 Preview-ն այնտեղ ստացել է 49.0% avg@4՝ աղյուսակում ներկայացված բաց կշիռներով մոդելների լավագույն արդյունքը, հատկապես ուժեղ լինելով սխալների շտկման, գործառույթների փոփոխման և վերակառուցման հարցերում։ Ներքին և արտաքին փորձագետների գնահատականներում մասնակիցների մոտ 70%-ը մոդելը համարել է չափավոր բարձր բարդության ծրագրավորման առաջադրանքներն ինքնուրույն լուծելու ունակ։

Նույն լայն հնարավորությունները տարածվում են նաև ծրագրային ապահովման սահմաններից դուրս։ Տրամադրելով մշակման փաստաթղթեր և օգտատիրոջ թույլտվություն՝ Step 5 Preview-ն կարող է ուղղակիորեն աշխատել ծրագրավորվող սարքավորումների հետ՝ մշակման ու վրիպազերծման գործընթացում օգտագործելով տեսախցիկներ, COM պորտեր, սքրինշոթեր և մկնիկի մուտքագրման սիմուլյացիա։

Երկարատև առաջադրանքների կատարում

StepFun-ը երկարատև աշխատանքը փորձարկել է չափելի հետադարձ կապ ապահովող երկու միջավայրում․

• MLA GPU միջուկի օպտիմալացում։ Մոդելին տրվել է 24 ժամ՝ NVIDIA H100-ի վրա զրոյից MLA միջուկ օպտիմալացնելու համար (head dimension՝ 512, արտադրական չափ՝ batch 1, 64 heads, 8,192 tokens)։ Այն փոփոխություններ է կատարել, գործարկել միջուկը, չափել թողունակությունը և հրաժարվել այն տարբերակներից, որոնք վատացրել են արդյունքը։ 4 փորձարկումներից լավագույնի ժամանակ՝ մոտ 22 ժամ անց, առաջընթացի և հետընթացի համար գրանցվել է 508 TFLOPS գագաթնակետային ցուցանիշ՝ գերազանցելով Claude Opus 5-ի 493-ը։


• Ավտոմատացված հետմարզում։ Մեկ այլ՝ 24-ժամյա փորձարկման ընթացքում Step 5 Preview-ն ավտոմատացված հետմարզման գործընթացում բարելավել է Qwen3-30B-A3B բազային մոդելը AIME24-ի վրա՝ որոշելով, թե ինչպես օգտագործել API annotator-ը և ինչպես վերանայել տվյալները։ Ստացված մոդելը պաշտոնական թեստում ստացել է 60%՝ նախորդ 53.3%-ի փոխարեն, և հավասարվել է Claude Opus 5-ին՝ օգտագործելով annotator-ի ավելի քիչ token-ներ։

Կա նաև ավելի տարօրինակ տվյալ։ Առանց խաղի համար հատուկ կարգաբերման՝ Step 5 Preview-ն ավելի քան 3,000 քայլ և 6 միլիոն token է ծախսել Pokémon Red խաղալու վրա։ 3,082-րդ քայլի պահին այն արդեն բացել էր Cut-ը, ստացել մարզադահլիճի երեք նշան և հաղթել Lt. Surge-ին՝ անցնելով հիմնական սյուժեի մոտ մեկ երրորդը։ Մարդու համար հիմնական սյուժեն անցնելը գնահատվում է 26 ժամ։

Գիտելիքի աշխատանք և ֆինանսներ

25 տարվա ընթացքում 1,000 վայր ընդգրկող կլիմայական ուսումնասիրության համար մոդելը մեկ գործակալի գործողության ընթացքում կազմակերպել է համացանցից տվյալների 950 հարցում և կազմել 11 փոփոխականով 300,000 ամսական գրառում, ապա տվյալների հավաքածուն օգտագործել է արևային սեզոնայնության տարածաշրջանային տարբերությունները վերլուծելու համար։ Դիզելային վառելիքի հավելավճարի վերանայման ժամանակ այն պատրաստել է վերլուծական աշխատանքային գիրք՝ 17 թերթով, 11,057 տողով, շարքերի միջև համադրմամբ, բանաձևերով և միտումների մոդելներով, որոնք վերանայողը կարող է հետագծել մինչև սկզբնաղբյուր տվյալները։

Ֆինանսական ոլորտին առանձնահատուկ ուշադրություն է դարձվել։ StepFun-ը ստեղծել է երեք ներքին բենչմարք, որոնք ստուգում են՝ արդյոք մոդելը կարող է գտնել և ստուգել արդիական ֆինանսական տեղեկությունները, տվյալներն ու հիմնավոր ենթադրությունները վերածել վերարտադրելի գնահատումների և ամբողջ հետազոտական գործընթացն իրականացնել՝ ապացույցներ հավաքելուց մինչև վերջնական հաշվետվություն պատրաստելը։ Մոդելը գնահատվել է նաև FrontierFinance-ի՝ արտաքին բենչմարքի միջոցով, որն ընդգրկում է ներդրումային վեց կիրառություն՝ փորձագետների կազմած 220 հարցով և գնահատման 11,543 չափանիշով։

Բենչմարքներ

Step 5 Preview-ն աշխատել է «High» ջանքերի կարգավորմամբ, իսկ համեմատվող մոդելները՝ «Max»-ով։ † նշումով բենչմարքները ներքին են։

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%	— (միայն տեքստ)	81.0%	87.0%	—	85.0%

HLE w/ tools‡-ի դեպքում Step 5 Preview-ն ու GLM-5.3-ը գնահատվել են միայն տեքստային ենթաբազմության վրա, մինչդեռ մյուս մոդելներն աշխատել են ամբողջ տվյալների հավաքածուով, ուստի այդ արդյունքներն ուղղակիորեն համեմատելի չեն։ Աղյուսակի ընդհանուր պատկերը համահունչ է StepFun-ի հայտարարության «Pareto-ի սահման» ձևակերպմանը․ մոդելը հազվադեպ է միանձնյա գլխավորում աղյուսակը, բայց մեկ առաջադրանքի ավելի ցածր արժեքով մնում է առաջատարների կողքին։

Փորձեք VEGA-ում

Բացեք vega.chat-ը, մոդելների ցանկից ընտրեք Step 5 Preview-ը և ուղարկեք ձեր առաջին առաջադրանքը։ Եթե աշխատում եք գործակալների կամ կոդի օգնականների հետ, միացեք api.vega.chat-ի միջոցով։ Ամբողջական հայտարարությունը՝ ինտերակտիվ ցուցադրություններով, այդ թվում՝ Pokémon-ի վերախաղարկմամբ և 3D հավելվածներով, հասանելի է stepfun.com-ում։