Step 5 Preview акнун дар VEGA дастрас аст
StepFun Step 5 Preview-ро, модели нави пешсафи худ барои кори агентӣ, баровард. Он дар меъмории парокандаи Mixture-of-Experts кор мекунад, ки дорои 600B параметри умумӣ ва 27B параметри фаъол барои ҳар токен аст, равзанаи контексти 1M-токениро дастгирӣ мекунад ва тасвирро ҳамчун вуруд қабул менамояд. Дар Artificial Analysis Intelligence Index он 44 хол гирифтааст ва StepFun мегӯяд, ки арзиши иҷрои ҳар вазифааш нисбат ба моделҳои дорои сатҳи зеҳнии муқоисашаванда ба таври назаррас камтар аст.
Модел аллакай дар платформаи мо фаъол аст. Step 5 Preview дар vega.chat дар рӯйхати интихобии моделҳо ва дар api.vega.chat, API-и мо барои vibe coding ва агентҳо, дастрас аст. StepFun моделро бо вазнҳои кушода 15 октябр мебарорад.
Коднависӣ
StepFun арзёбии худро бо номи StepCodeBench сохт, то муҳандисии нармафзорро ҳамон тавре инъикос кунад, ки дар амал анҷом дода мешавад. Он 553 анбори мустақил, 9 категорияи вазифаҳо, 20 соҳаи татбиқ ва 33 забони барномасозиро дар бар мегирад. Step 5 Preview дар он ҷо ба ҳисоби миёна 49.0% avg@4 мегирад — натиҷаи беҳтарин миёни моделҳои дорои вазнҳои кушода дар ҷадвали онҳо — ва махсусан дар ислоҳи хатоҳо, тағйири хусусиятҳо ва рефакторинг қавӣ аст. Дар арзёбиҳои коршиносони дохилӣ ва беруна, тақрибан 70% иштирокчиён моделро қодир ба ҳалли мустақилонаи вазифаҳои рамзнависии дорои мураккабии нисбатан баланд донистанд.
Ин фарогирӣ аз нармафзор ҳам фаротар меравад. Бо дарёфти ҳуҷҷатҳои таҳия ва иҷозати корбар, Step 5 Preview метавонад мустақиман бо сахтафзори барномарезишаванда кор кунад ва камераҳо, портҳои COM, скриншотҳо ва вуруди тақлидшудаи мушро дар раванди таҳия ва ислоҳи хатоҳо истифода барад.
Иҷрои вазифаҳои дарозмуддат
StepFun кори пайвастаро дар ду муҳите санҷид, ки натиҷаҳои ченшаванда доранд:
- Оптимизатсияи ядрои GPU-и MLA. Модел 24 соат вақт дошт, то ядрои MLA-ро аз сифр дар NVIDIA H100 оптимизатсия кунад (андозаи head 512, шакли истеҳсолӣ бо batch 1, 64 head ва 8,192 токен). Он тағйиротро татбиқ кард, ядроҳоро иҷро намуд, суръати корро чен кард ва вариантҳоеро, ки натиҷаро бадтар мекарданд, канор гузошт. Беҳтарин натиҷаи он дар 4 иҷро, пас аз тақрибан 22 соат, барои forward ва backward ба 508 TFLOPS расид — болотар аз Claude Opus 5 бо 493.
- Пасомӯзиши автоматӣ. Дар иҷрои дигари 24-соата, Step 5 Preview модели асосии Qwen3-30B-A3B-ро дар AIME24 тавассути даври автоматии пасомӯзиш беҳтар кард ва тасмим гирифт, ки аннотатори API-ро чӣ гуна истифода барад ва маълумотро чӣ гуна бознигарӣ кунад. Модели натиҷавӣ дар санҷиши расмӣ ба 60% расид, дар ҳоле ки натиҷаи аввалия 53.3% буд; он бо токенҳои камтари аннотатсия ба натиҷаи Claude Opus 5 баробар шуд.
Ҳамчунин як натиҷаи ғайриодӣ ҳаст. Бе ягон танзими махсус барои бозӣ, Step 5 Preview беш аз 3,000 навбат ва 6 миллион токен Pokémon Red-ро бозӣ кардааст. То навбати 3,082 он Cut-ро боз карда, се нишонҳои толори варзиширо ба даст оварда ва Lt. Surge-ро мағлуб карда буд — яъне тақрибан сеяки роҳи ҳикояи асосиро тай карда буд. Барои гузаштани ҳикояи асосӣ тақрибан 26 соати бозии инсонӣ лозим мешавад.
Корҳои зеҳнӣ ва молия
Дар таҳқиқоти иқлимӣ, ки 1,000 маконро дар тӯли 25 сол фаро мегирифт, модел дар як амали агенти ягона 950 дархости вебиро ҳамоҳанг кард ва 300,000 сабти моҳонаро аз рӯи 11 тағйирёбанда ҷамъ овард, сипас маҷмӯи маълумотро барои таҳлили фарқиятҳои минтақавии мавсимияти энергияи офтобӣ истифода бурд. Ҳангоми баррасии иловапулии дизелӣ он китоби кории таҳлилии дорои 17 варақ ва 11,057 сатрро таҳия кард, ки мувофиқсозии силсилаҳои маълумот, формулаҳо ва моделҳои тамоюлро дар бар мегирифт ва баррасигар метавонист онҳоро то маълумоти манбаъ пайгирӣ кунад.
Ба молия диққати махсус дода шуд. StepFun се санҷиши дохилӣ сохт, ки месанҷанд, оё модел метавонад маълумоти молиявии саривақтиро дарёфт ва тасдиқ кунад, маълумот ва фарзияҳои асоснокро ба арзёбиҳои такроршаванда табдил диҳад ва тамоми раванди таҳқиқотро аз ҷамъоварии далелҳо то омода кардани гузориши ниҳоӣ анҷом диҳад. Он ҳамчунин моделро дар FrontierFinance, санҷиши беруние, ки шаш ҳолати истифодаи сармоягузориро тавассути 220 саволи таҳиякардаи коршиносон ва 11,543 меъёри арзёбӣ фаро мегирад, арзёбӣ кард.
Санҷишҳои муқоисавӣ
Step 5 Preview дар танзимоти талоши "High" кор кард; моделҳои муқоисавӣ дар танзимоти "Max" кор карданд. Санҷишҳое, ки бо † ишора шудаанд, дохилӣ мебошанд.
| Санҷиш | 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% | — (танҳо матн) | 81.0% | 87.0% | — | 85.0% |
Дар HLE w/ tools‡, Step 5 Preview ва GLM-5.3 дар зермаҷмӯи танҳо-матн арзёбӣ шуданд, дар ҳоле ки моделҳои дигар дар маҷмӯи пурраи маълумот санҷида шуданд, бинобар ин натиҷаҳо мустақиман муқоисашаванда нестанд. Намунаи умумии ҷадвал бо тавсифи "сарҳади Парето" дар эълони StepFun мувофиқ аст: модел кам рӯйхати натиҷаҳоро ба таври қатъӣ пеш мебарад, аммо бо арзиши камтари иҷрои ҳар вазифа ба пешсафон наздик мемонад.
Дар VEGA санҷида бинед
Ба vega.chat дароед, дар рӯйхати моделҳо Step 5 Preview-ро интихоб кунед ва аввалин вазифаи худро фиристед. Агар бо агентҳо ё ёварҳои рамзнависӣ кор кунед, тавассути api.vega.chat пайваст шавед. Эълони пурра бо намоишҳои интерактивӣ, аз ҷумла сабти бозии Pokémon ва барномаҳои 3D, дар stepfun.com ҷойгир аст.