Step 5 Preview эми VEGAда жеткиликтүү
StepFun агенттер аткарган иштерге арналган жаңы флагмандык модели Step 5 Preview'ди чыгарды. Ал жалпы 600B параметри жана ар бир токенге 27B активдүү параметри бар сейрек Mixture-of-Experts архитектурасында иштейт, 1M токендик контекст терезесин колдойт жана сүрөттөрдү киргизүүгө мүмкүндүк берет. Artificial Analysis Intelligence Index рейтингинде ал 44 упай алды. StepFun компаниясынын айтымында, тапшырмага кеткен чыгымы интеллект деңгээли окшош моделдердикинен кыйла төмөн.
Модель платформабызда жеткиликтүү болду. Step 5 Preview vega.chat сайтындагы моделдер тизмесинде жана vibe coding менен агенттерге арналган api.vega.chat API'ибизде бар. StepFun модель салмактарын ачык түрдө 15-октябрда чыгарат.
Код жазуу
StepFun программалык камсыздоону иштеп чыгуу иш жүзүндө кандай жүрөрүн чагылдыруу үчүн StepCodeBench аттуу өз баалоо системасын түздү. Ал 553 өз алдынча репозиторийди, тапшырмалардын 9 категориясын, колдонмолордун 20 тармагын жана 33 программалоо тилин камтыйт. Step 5 Preview бул жерде avg@4 боюнча 49.0% алды. Бул алардын таблицасындагы ачык салмактуу моделдердин ичиндеги эң жогорку көрсөткүч; модель мүчүлүштүктөрдү оңдоо, функцияларды өзгөртүү жана кодду рефакторинг кылуу жагынан өзгөчө күчтүү. Ички жана тышкы адистердин баалоосунда катышуучулардын болжол менен 70%ы модель орточодон жогору татаалдыктагы код жазуу тапшырмаларын өз алдынча чече алат деп эсептеген.
Мындай кеңири мүмкүнчүлүктөр программалык камсыздоодон тышкары да иштейт. Иштеп чыгуу боюнча документация жана колдонуучунун уруксаты берилсе, Step 5 Preview программаланчу жабдык менен түз иштей алат: иштеп чыгуу жана мүчүлүштүктөрдү оңдоо циклинин алкагында камераларды, COM портторун, скриншотторду жана чычкандын симуляцияланган киргизүүсүн колдонот.
Узак мөөнөттүү аткаруу
StepFun үзгүлтүксүз иштөөнү өлчөнө турган натыйжалары бар эки шартта сынады:
- MLA GPU ядросун оптималдаштыруу. Модель NVIDIA H100 GPU'сунда MLA ядросун нөлдөн баштап оптималдаштырууга 24 саат бөлдү (баштын өлчөмү 512, өндүрүштүк форма: batch 1, 64 баш, 8,192 токен). Ал өзгөртүүлөрдү киргизип, ядрону иштетип, өткөрүү жөндөмдүүлүгүн өлчөп, көрсөткүчтөрдү начарлаткан варианттардан баш тартты. 4 аракеттин эң жакшы натыйжасында болжол менен 22 сааттан кийин алдыга жана артка эсептөөдө 508 TFLOPS көрсөткүчүнө жетти; бул Claude Opus 5тин 493 көрсөткүчүнөн жогору.
- Автоматташтырылган пост-тренинг. Дагы бир 24 сааттык сыноодо Step 5 Preview автоматташтырылган пост-тренинг цикли аркылуу AIME24 боюнча Qwen3-30B-A3B базалык моделин жакшыртып, API аннотация куралын кантип колдонорун жана маалыматтарды кантип кайра карап чыгарын өзү чечти. Натыйжадагы модель расмий тестте 60%га жетип, 53.3%дан өстү. Аннотация үчүн азыраак токен колдонуп, Claude Opus 5тин көрсөткүчүнө теңелди.
Дагы бир кызыктай байкоо бар. Оюнга атайын ыңгайлаштырылбаганына карабастан, Step 5 Preview Pokémon Red оюнун 3,000ден ашык кезек жана 6 миллион токен бою ойноп келет. 3,082-кезекке келгенде Cut жөндөмүн ачып, үч спортзал белгисин алып, Lt. Surge'ду жеңген; демек, негизги окуянын болжол менен үчтөн бирине жеткен. Негизги окуяны адам ойносо, болжол менен 26 саат кетет.
Билим менен иштөө жана каржы
25 жыл ичиндеги 1,000 жерди камтыган климаттык изилдөөдө модель бир агенттик аракеттин ичинде интернеттен 950 жолу маалымат алып, 11 өзгөрмө боюнча ай сайынгы 300,000 жазууну бириктирди. Андан соң бул маалымат топтомун колдонуп, күн энергиясынын сезондуулугундагы аймактык айырмачылыктарды талдады. Дизелдик үстөк акы боюнча текшерүүдө ал 11,057 саптан турган 17 барактуу аналитикалык китепче түздү. Анда ар башка сериялардын маалыматтарын салыштырып шайкеш келтирүү, формулалар жана тренд моделдери бар; текшерүүчү алардын баарын баштапкы маалыматтарга чейин аңдып текшере алат.
Каржы тармагына өзгөчө көңүл бурулду. StepFun модель каржы боюнча актуалдуу маалыматты таап, текшере аларын; маалыматтар менен негиздүү божомолдордон кайра өндүрүүгө боло турган баалоолорду түзөрүн; далил чогултуудан баштап даяр отчетко чейинки толук изилдөө процессин аткарарын текшерген үч ички бенчмарк түздү. Ошондой эле модель инвестицияга байланыштуу алты сценарийди камтыган, адистер түзгөн 220 суроо жана баалоонун 11,543 критерийинен турган тышкы FrontierFinance бенчмаркы боюнча бааланды.
Бенчмарктар
Step 5 Preview "High" аракет деңгээлинде иштетилди; салыштырылган моделдер "Max" деңгээлинде иштетилди. † белгиси коюлган бенчмарктар — ички бенчмарктар.
| Бенчмарк | 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‡ боюнча Step 5 Preview менен GLM-5.3 текст гана камтылган бөлүктө бааланды, ал эми башка моделдер толук маалымат топтомунда иштетилди. Ошондуктан бул натыйжаларды түз салыштырууга болбойт. Таблицадагы жалпы көрүнүш StepFun жарыясындагы "Парето чек арасы" деген түшүнүккө шайкеш келет: модель чартта көп учурда биринчи орунга чыкпайт, бирок ар бир тапшырмага кеткен чыгымы төмөн болуп, алдыңкы моделдерге жакын натыйжа көрсөтөт.
VEGAда сынап көрүңүз
vega.chat сайтына кирип, моделдер тизмесинен Step 5 Preview'ди тандап, биринчи тапшырмаңызды жөнөтүңүз. Эгер агенттер же код жардамчылары менен иштесеңиз, api.vega.chat аркылуу туташыңыз. Интерактивдүү демонстрациялары, анын ичинде Pokémon оюну боюнча кайталоо жана 3D колдонмолор камтылган толук жарыя stepfun.com сайтында.