Step 5 Preview endi VEGA’da ishga tushirildi

StepFun agentlar yordamida ishlash uchun mo‘ljallangan yangi flagman modeli Step 5 Preview’ni chiqardi. U jami 600B parametrli, har bir token uchun 27B faol parametrga ega siyrak Mixture-of-Experts arxitekturasida ishlaydi, 1M tokenli kontekst oynasini qo‘llab-quvvatlaydi va tasvirlarni qabul qiladi. Artificial Analysis Intelligence Index’da u 44 ball to‘pladi. StepFun’ning aytishicha, uning har bir vazifa uchun xarajati aql darajasi o‘xshash modellarnikidan ancha past.

Model platformamizda allaqachon ishga tushirilgan. Step 5 Preview vega.chat’da model tanlash menyusida, shuningdek, vibe coding va agentlar uchun API’imiz — api.vega.chat’da mavjud. StepFun modelning ochiq vaznlarini 15-oktabrda chiqaradi.

Kod yozish

StepFun dasturiy ta’minot muhandisligi amaliyotda qanday kechishini aks ettirish uchun o‘zining StepCodeBench baholash mezonini yaratdi. U 553 ta mustaqil repozitoriy, 9 ta vazifa toifasi, 20 ta ilova sohasi va 33 ta dasturlash tilini qamrab oladi. Step 5 Preview bu mezonda avg@4 bo‘yicha 49.0% natija ko‘rsatdi — ularning jadvalidagi ochiq vaznli modellar orasida eng yaxshi ko‘rsatkich. Model, ayniqsa, xatolarni tuzatish, funksiyalarni o‘zgartirish va refaktoringda kuchli. Ichki va tashqi ekspertlar ishtirokidagi sharhlarda qatnashchilarning qariyb 70 foizi model o‘rtacha yuqori murakkablikdagi kod yozish vazifalarini mustaqil hal qila oladi, deb baholadi.

Bunday keng qamrov dasturiy ta’minotdan tashqariga ham yoyiladi. Ishlab chiqish hujjatlari va foydalanuvchi ruxsati berilganda, Step 5 Preview dasturlashtiriladigan qurilmalar bilan bevosita ishlay oladi: ishlab chiqish va nosozliklarni tuzatish jarayonida kameralar, COM portlar, skrinshotlar hamda sichqoncha kiritishining simulyatsiyasidan foydalanadi.

Uzoq muddatli vazifalarni bajarish

StepFun barqaror ishni o‘lchanadigan natijalar bilan tekshirish uchun ikki xil sharoitda sinov o‘tkazdi:

• MLA GPU yadrosini optimallashtirish. Modelga NVIDIA H100’da (head dimension 512, batch 1, 64 ta head va 8,192 ta tokenli ishlab chiqarish shakli) MLA yadrosini noldan optimallashtirish uchun 24 soat berildi. U o‘zgarishlarni amalga oshirdi, yadroni ishga tushirdi, o‘tkazuvchanlikni o‘lchadi va natijani yomonlashtirgan variantlardan voz kechdi. To‘rtta urinishning eng yaxshisida u taxminan 22 soatdan keyin oldinga va orqaga hisoblashda 508 TFLOPS’ga erishdi; bu Claude Opus 5’ning 493 natijasidan yuqori.


• Avtomatlashtirilgan post-trening. Yana bir 24 soatlik sinovda Step 5 Preview avtomatlashtirilgan post-trening sikli orqali AIME24 bo‘yicha Qwen3-30B-A3B asosiy modelini yaxshiladi. U API annotatoridan qanday foydalanish va ma’lumotlarni qanday qayta ko‘rib chiqishni o‘zi hal qildi. Natijadagi model rasmiy testda 60% natijaga erishdi, bu avvalgi 53.3% ko‘rsatkichdan yuqori bo‘lib, annotator tokenlari kamroq sarflangani holda Claude Opus 5 bilan tenglashdi.

Yana bir g‘aroyib natija ham bor. Hech qanday o‘yinga xos sozlashsiz, Step 5 Preview Pokémon Red’ni 3,000 dan ortiq yurish va 6 million token davomida o‘ynab kelmoqda. 3,082-yurishga kelib u Cut’ni ochdi, uchta Gym Badge qo‘lga kiritdi va Lt. Surge’ni mag‘lub etdi; shu tariqa asosiy hikoyaning taxminan uchdan bir qismini bosib o‘tdi. Asosiy hikoyani odam o‘ynab tugatishi taxminan 26 soat oladi.

Bilimga asoslangan ishlar va moliya

25 yil davomida 1,000 ta hududni qamrab olgan iqlim tadqiqotida model bitta agent harakati bilan internetdan 950 ta ma’lumot so‘rovini muvofiqlashtirdi va 11 ta o‘zgaruvchi bo‘yicha 300,000 ta oylik yozuvni jamladi. Keyin bu ma’lumotlar to‘plamidan quyosh mavsumiyligidagi mintaqaviy farqlarni tahlil qilishda foydalandi. Dizel ustamasi bo‘yicha tekshiruvda esa u 11,057 qator, 17 varaq, qatorlararo solishtirish, formulalar va tendensiya modellaridan iborat tahliliy ish kitobini tayyorladi. Tekshiruvchi undagi ma’lumotlarni manba ma’lumotlarigacha kuzatib borishi mumkin.

Moliyaga alohida e’tibor qaratildi. StepFun modelning o‘z vaqtida taqdim etilgan moliyaviy ma’lumotlarni topib, tekshira olishi; ma’lumotlar va asosli taxminlar yordamida takror ishlab chiqarish mumkin bo‘lgan qiymat baholarini tuzishi; shuningdek, dalillarni yig‘ishdan tayyor hisobotgacha bo‘lgan to‘liq tadqiqot jarayonini yakunlay olishini tekshiradigan uchta ichki mezon yaratdi. Bundan tashqari, model FrontierFinance tashqi mezonida ham baholandi. Bu mezon 220 ta ekspert tuzgan savol va 11,543 ta baholash mezoni orqali investitsiyalarning oltita yo‘nalishini qamrab oladi.

Mezonlar

Step 5 Preview “High” hisoblash darajasida ishladi; taqqoslash modellari esa “Max” darajasida ishladi. † belgisi qo‘yilgan mezonlar ichki hisoblanadi.

Mezon	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%	— (faqat matn)	81.0%	87.0%	—	85.0%

HLE w/ tools‡ mezonida Step 5 Preview va GLM-5.3 faqat matndan iborat quyi to‘plamda, qolgan modellar esa to‘liq ma’lumotlar to‘plamida baholangan. Shu sababli natijalarni bevosita taqqoslab bo‘lmaydi. Jadvaldagi umumiy manzara StepFun e’lonidagi “Pareto chegarasi” ta’rifiga mos keladi: model kamdan-kam hollarda jadvalda mutlaq yetakchiga aylanadi, lekin har bir vazifa uchun arzonroq xarajat bilan yetakchilarga yaqin natija ko‘rsatadi.

VEGA’da sinab ko‘ring

vega.chat’ni oching, modellar ro‘yxatidan Step 5 Preview’ni tanlang va ilk vazifangizni yuboring. Agentlar yoki kod yozish yordamchilari bilan ishlasangiz, api.vega.chat orqali ulaning. Interaktiv namoyishlar, jumladan Pokémon o‘yini takrori va 3D ilovalar ham bor to‘liq e’lonni stepfun.com sahifasida ko‘rishingiz mumkin.