塔斯娱乐资讯网

炸场!阶跃Step 5内测曝光:600B总参+1M上下文,国产开源要掀桌?

AA智能指数44分,跑题成本仅$0.71;五大实测从3D城市到AI机械臂,开源与闭源只差4.4个月?大家好,欢迎来到心眸AI笔记,我是jackli!今天是2026年9月20日,星期日,周末快乐,下面带来今日资讯。

先说懒人总结,赶时间的朋友看这几条就够了:
阶跃星辰发布新一代旗舰基座模型 Step 5 Preview,版本号直接跳过“4”。总参数 600B,激活参数 27B,上下文 1M,输入支持图片、视频。文章发布时已可通过产品和API体验,2026年10月15日正式开源完整权重。跑分方面,Step 5 Preview 在 Artificial Analysis 综合智能指数拿到 44分,与 Kimi K3、Grok 4.6 同分,比 GLM-5.3 低1分。对比三个月前 Step 3.7 Flash 在同一榜单约 19分,提升幅度很大。原作者“袋鼠帝”受邀内测,做了五个实战项目:昆明3D网站、Ta截图工具Mac版移植Windows、手机端MD+HTML阅读器“墨读”、广告小游戏复刻、虚拟机械臂+AI画画。每个项目都不是单轮问答,而是长任务交付。官方附加测试里,给 Step 5 Preview 24小时,在单张 H100 上优化 GPU Kernel。模型自主编写、运行、根据结果迭代,约 22小时后达到508 TFLOPS。每个模型跑4次取最好成绩,后期还在继续刷新。价格很关键:API 输入 7元/百万tokens,输出 20元/百万tokens,命中缓存的输入 0.35元/百万tokens,比未命中便宜 **95%**。跑完一道 Artificial Analysis 测试题平均花费 $0.71,约为 GLM-5.3 和 Kimi K3 的 **35%**,约为 Claude Opus 5 的 **12.5%**。行业信号也值得注意:METR 追踪显示,AI能独立完成的人类专家工作量从2019年 GPT-2 的 2秒,到2025年初 o3 的将近 2小时,再到2026年二三月最强批次模型的 2个整工作日,7年,最近一年多每3个月翻一倍。Mozilla 在 2026年9月15日 发布的《State of Open Source AI》报告指出,美国闭源前沿模型与中国最好的开源模型,能力差距只剩 4.4个月。a16z 在2024年的统计则显示,同等能力模型推理成本每年下降约 10倍。下面进入正文。

一、参数先摆上桌:600B总参,27B激活,1M上下文这次阶跃星辰的动作有点“悄悄跨版本”的意思。新一代旗舰基座模型叫 Step 5 Preview,不是4,直接跳到5。原作者受邀参与内测,文章里记录得很细。

先看硬参数:
参数项 数值 总参数 600B 激活参数 27B 上下文长度 1M 输入支持 图片、视频
这几个数字放在一起,意思很明确:总参够大,激活够省,上下文够长,还吃图片和视频。它不是一个只拼聊天体验的模型,更像是在为长任务、多模态、Agent 工作流做准备。
时间节点也要记住:文章发布时已经能通过产品和 API 体验,2026年10月15日正式开源完整权重。对开发者来说,这个日子值得圈一下。
二、跑分:44分,和Kimi K3、Grok 4.6同分跑分不是全部,但跑分能看出模型站在哪个梯队。
Step 5 Preview 在 Artificial Analysis 综合智能指数 拿到 44分。这个分数和 Kimi K3、Grok 4.6 同分,比 GLM-5.3 低1分。换句话说,在国产模型里,它已经和 GLM-5.3、Kimi K3 站到同一档位。
更值得注意的是纵向对比。三个月前,Step 3.7 Flash 在同一榜单大约只有 19分。从19到44,这个跨度不小。你可以说榜单有局限,但进步速度是实打实的。
三、五大实战:不是聊天,是交付原作者的内测重点不是“问一句答一句”,而是把模型扔进真实项目里,看它能不能连续干活、能不能按文档走、能不能自己验证。五个项目,各有看点。
项目1:昆明3D网站,three.js,连续跑约3小时任务是:把原作者所在城市昆明用 three.js 搬到 Web 端,包含地标建筑和日夜变化。
关键步骤:
提交真实建筑照片和地理位置信息。模型结合提交信息与自行查阅的资料,刻画具体位置和外观。严格按照 PRD 文档逐步开发,不脱离 PRD。全程连续运行约 3小时,中间没有断连。效果上,地标建筑还原度较好,日夜变化正常呈现。
如果要把 three.js 日夜变化的核心结构抽象出来,大致是这样:
import * as THREE from 'three';

const scene = new THREE.Scene();
const camera = new THREE.PerspectiveCamera(
75,
innerWidth / innerHeight,
0.1,
1000
);
const renderer = new THREE.WebGLRenderer({ antialias: true });
renderer.setSize(innerWidth, innerHeight);
document.body.appendChild(renderer.domElement);

const sun = new THREE.DirectionalLight(0xffffff, 1);
scene.add(sun);
scene.add(new THREE.AmbientLight(0x404040));

function animate(t) {
requestAnimationFrame(animate);
const angle = (t / 3000) % (Math.PI * 2);
sun.position.set(
Math.cos(angle) * 10,
Math.sin(angle) * 10,
5
);
renderer.render(scene, camera);
}

animate(0);
官方还加了一个更硬的测试:给 Step 5 Preview 24小时,在单张 H100 上优化 GPU Kernel。模型自主编写、运行、根据结果迭代改进。约 22小时后,达到 508 TFLOPS。每个模型跑4次取最好成绩,后期还在持续刷新最好成绩。
这个测试的意义在于:它不是让模型“写一段代码”,而是让模型自己进入优化循环。写、跑、看结果、改,再跑。能跑22小时,说明长任务稳定性有东西。
项目2:Ta Mac版移植Windows,多agent并行,1847行转换文档第二个项目是原作者自研的AI原生截图工具 Ta。原来只有 Mac 版,这次要移植 Windows 版。
关键步骤:
模型同时多开多个 agent 并行开发,每个 agent 运行超过 1小时。每完成一个开发阶段,自动更新文档,确保并行 agent 始终读取最新信息。生成了 1847行 的详细转换文档,包含架构、转换策略等全部细节。成果是:Windows 版已经提交到 Ta 的 GitHub 仓库。文章没有给出具体仓库链接,但提到“已提交”。
如果把这个思路抽象成多 agent 并行调度,大致像这样:
# 伪代码:多 agent 并行开发 + 阶段文档同步
for agent in agent_1 agent_2 agent_3; do
run_agent --task "$agent" --doc docs/latest.md &
done
wait

# 每完成一个阶段,更新 docs/latest.md
# 再进入下一轮并行开发,确保所有 agent 读取最新信息
多 agent 并行不稀奇,难的是文档同步。如果每个 agent 各读各的旧文档,最后拼起来就是一地碎片。这里模型每完成一个阶段就自动更新文档,等于给自己维护了一份“最新事实源”。
项目3:手机端 MD + HTML 阅读器“墨读”第三个项目是开发一款专为手机端查看 Markdown 和 HTML 文件的产品,叫“墨读”。
关键表现:
模型先给出非常详细的新老阅读器改造方案。从不猜测答案,遇到不确定的地方先进行真实验证,验证通过才输出。这一点看起来不刺激,但很重要。很多模型的问题是“不知道也敢说”,先给你一个像模像样的答案,后面再翻车。墨读项目里,模型选择先验证再输出,这是工程上更靠谱的习惯。
项目4:复刻广告小游戏,还原度约80%第四个任务是复刻刷视频时常见的广告小游戏:主角带一队士兵往前冲,穿过不同的门人数加减,最后与敌人拼人数。
关键步骤:
游戏逻辑和场景还原度约 **80%**。子弹和士兵分开渲染,没有偷懒合并。精确计算敌人和主角人数相对数量、穿门后士兵人数变化等数学逻辑。完成后自行拉临时页面运行验证,对照预期检查效果后才汇报。这个项目考验的是“游戏逻辑闭环”。穿门加人、减人、最后拼人数,数值不能乱。模型没有只写个界面就交差,而是自己拉页面跑,对照预期,再汇报。
项目5:虚拟机械臂 + AI画画,158项测试,画出月亮第五个项目最有意思:在网页中制作虚拟机械臂,接入 AI 模型,让 AI 控制机械臂画画。测试用的模型是 GLM-5.3-Flash。
关键数据:
整个项目执行了 158项测试。模型逐项比对 PRD,以基准为准,不自行加戏。项目运行超过 1小时。机械臂建模质量一般,但 AI 成功接入,并画出了月亮。这个项目说明一件事:模型不一定要一次做出完美产品,但它可以按测试项推进,逐项对齐需求。158项测试不是小数目,能跑完、能比对、能交付,比“看起来很聪明”更有价值。
四、价格:输入7元,输出20元,缓存命中0.35元模型能力是一回事,成本是另一回事。Step 5 Preview 的 API 定价如下,按每百万 tokens 计:
计费项 价格 输入 7元 输出 20元 命中缓存的输入 0.35元
命中缓存的输入比未命中便宜 **95%**。这个折扣很夸张,对高频调用、长上下文、重复提示词的场景很友好。
再看成本对比。在 Artificial Analysis 智能指数测试中,Step 5 Preview 跑完一道测试题平均花费 $0.71。这个数字约为 **GLM-5.3 和 Kimi K3 的35%**,约为 **Claude Opus 5 的12.5%**。
如果自己算一笔账,计费逻辑可以写成这样:
input_price = 7 # 元/百万 tokens
output_price = 20 # 元/百万 tokens
cache_price = 0.35 # 元/百万 tokens

def cost(input_tokens, output_tokens, cache_hit_tokens=0):
return (
input_tokens / 1_000_000 * input_price
+ output_tokens / 1_000_000 * output_price
+ cache_hit_tokens / 1_000_000 * cache_price
)

# 输入、输出各100万 tokens
print(cost(1_000_000, 1_000_000, 0)) # 27.0 元

# 100万 tokens 全部命中缓存
print(cost(0, 0, 1_000_000)) # 0.35 元
价格降到一定程度,工作流就会变。以前不敢让模型跑一小时,现在可以算算值不值。以前不敢反复调用,现在可以把它放到后台“上夜班”。
五、行业信号:开源闭源只差4.4个月,推理成本每年降10倍原作者在文章里引了几组行业数据,这些比单个模型跑分更值得琢磨。
第一组来自 METR。这家机构从 2019年 起测量“AI能独立完成的任务,换成人类专家需要多长时间”:
时间 模型 可独立完成的人类专家工作量 2019年 GPT-2 2秒 2025年初 o3 将近2小时 2026年二三月 最强批次模型 2个整工作日
从2秒到2天,只用了 7年。而且最近一年多,这个指标大约 每3个月翻一倍。这个指标衡量的不是速度,而是“能不能交付结果”。能独立干活的时间越长,Agent能接的任务就越复杂。
第二组来自 Mozilla。2026年9月15日,Mozilla 发布《State of Open Source AI》报告。报告里的关键数据是:美国闭源前沿模型与中国最好的开源模型,能力差距仅剩4.4个月。4.4个月,放在AI行业里,几乎就是一代产品的距离。
第三组来自 a16z。2024年的统计显示,同等能力的模型,推理成本每年下降约10倍。这个速度比 PC 时代的算力降价快,也比互联网泡沫时期的带宽降价快。
原作者的核心判断是:当价格降到临界点以下,就会产生变革。AI可能正在接近这个临界点。光快不够,还要在控制成本的前提下交付有质量的结果。Step 5 Preview 速度可能不快,但它可以“上夜班”——睡前跑任务,醒来收结果。
六、思考与呼吁我看完这份内测记录,最大的感受不是“44分”或者“508 TFLOPS”这些数字,而是工作流正在变。
以前我们用模型,习惯问一句、答一句。现在要看的,是它能不能连续跑3小时、22小时,能不能按 PRD 走,能不能自己验证,能不能在多 agent 并行时保持文档同步。这些东西不性感,但决定它能不能真正进生产。
国产开源模型这波追得很快。成本、长任务、验证闭环,三件事都在往前拱。10月15日 Step 5 Preview 正式开源完整权重后,值得开发者亲自拿真实任务压一压。别只看榜单,也别只看演示。跑一个你自己的项目,看它能不能“上夜班”,比什么都直接。
如果这篇内容对你有帮助,欢迎点个赞、转发给需要的朋友,再点一下“在看”。要是方便,也顺手给心眸AI笔记加个星标⭐️,下次更新文章你就能第一时间见到。谢谢你读到这里,我们下篇再见。