先看证据
开放的是权重，门槛仍是机房
StepFun发布了Step 5 Preview的开放权重版本，面向软件工程、专业知识工作和金融等智能体任务。FP8和BF16检查点已上架Hugging Face与ModelScope；公司此前在9月20日开放API，权重则于10月14日跟进。模型总参数为6000亿，每个token激活约270亿，最大上下文长度为100万token。
这组数字容易产生一种错觉：每次推理只用约4.5%的参数，部署应该也相对轻便。但“激活参数少”描述的是单个token计算时参与工作的参数量，不是整套权重的存储需求，更不等于普通服务器能承载模型。材料给出的最低配置是FP8需要4张B300或8张H200，BF16需要8张B300或16张H200；FP8检查点本身约650.32GB。开放权重让团队获得自托管选项，却没有消除数据中心级硬件门槛。
稀疏路由与长上下文如何配合
Step 5 Preview并非让每一层都对整段历史做同样的注意力计算。它采用92层的深而窄设计，把3层门控滑动窗口注意力与1层全局稀疏注意力按3:1交错。局部层集中处理邻近内容；全局层则通过Sparse GQA从长历史中挑选信息，而不是逐一计算所有token之间的关系。材料称，全局注意力层会为每个查询选择4096个历史token，并以8个token为一组打分。
这套设计试图同时处理两种成本：长文本需要远距离信息，完整注意力又会带来高昂的计算负担。模型还配有MTP-3预测头，StepFun报告其端到端速度提升约30%。这不是“百万上下文免费可用”的保证：实际收益仍取决于任务是否需要远距离检索、推理时硬件与服务栈如何配置，以及速度提升能否在目标工作负载中兑现。架构提供了降低部分成本的路径，不能替代对延迟和吞吐的实测评估。
分数说明它擅长什么，也说明不了什么
公开结果呈现的不是一条整齐的能力曲线。Artificial Analysis给出的AA-LCR长上下文推理成绩为88.3%，而Terminal-Bench 4.0为33.3%；后者低于GLM-5.3的41.9%。StepFun报告DeepSWE v1.1得分67.7，接近同一比较表中的Kimi K3（67.5）和GLM-5.3（66.9）。在FrontierFinance上，StepFun报告66.4%，高于表中的GLM-5.3（64.1）与Kimi K3（62.6），但低于Claude Opus 5的69.7%。这些对照更像任务剖面，而不是一个可以概括模型优劣的总排名。
评测口径也限制了结论。DeepSWE、Terminal-Bench和FrontierFinance的比较数据由StepFun报告，材料说明Step 5 Preview使用High推理设置，而图表中的竞品使用Max effort，因此并非严格同条件比较。独立评测中，模型在AA-LCR为88.3%，Humanity’s Last Exam为46.5%，但SRE Bench只有0.4%，Harvey’s Legal Agent Benchmark为9.2%。这些差异提醒团队：长上下文优势不自动转化为命令行操作、运维或法律工作能力， benchmark分数也不能替代对工具调用失败、结果验证和任务完成率的检查。
自托管决策应从工作负载开始
对技术负责人来说，Step 5 Preview的实际价值取决于工作负载与部署条件能否同时匹配。若任务要在大型代码库或长文档中跨文件、跨章节整合信息，百万上下文与稀疏注意力值得进入试验候选；若关键指标是稳定执行终端操作，Terminal-Bench的结果则构成明确的验证理由，而不是可以忽略的边角分数。金融成绩也只说明特定基准上的表现，不能直接代替团队对自有数据与流程的测试。
部署评估还要把权重格式、GPU占用、推理延迟、并发能力和许可条件放在一起看。材料确认模型采用StepFun Model License 1.0，却没有提供足以判断具体商用限制的条款解读；不能仅凭“开放权重”推断使用方式不受限制。较稳妥的判断是：先用目标任务检查长上下文是否带来可测的质量收益，再以真实服务配置测算成本与吞吐，并单独核对许可证和失败处理要求。若收益无法覆盖硬件与运维代价，开放权重本身并不足以构成迁移理由。