实测 Step 5 Preview：国产 Agent 模型开始卷“专业交付”了

最近国产模型更新得太快，大家都感觉到被轮番轰炸。

Kimi K3、GLM 5.3 强势进入第一梯队，DeepSeek 刚创造的斩杀线又被别家夺走了。

当然，国内 AI 玩家也不止这几家。

一向低调的阶跃星辰在节前炸出 Step 5 Preview，我提前几天参与了内测，体验完发现这玩意有点猛。

01 这个新模型，能力和成本到了哪一步？

先说说它是个什么样的模型？

先看几个重点参数。总参数 600B、每个 Token 激活 27B：总参数更像模型容量，激活参数更接近单次推理实际动用的计算规模。

它支持 1M tokens 上下文，适合一次放入更长的财报和项目材料；同时支持视觉输入，可以直接读图、截图和页面。

官方重点展示了三类能力：Coding、Agent 和专业知识工作。

Coding 关注真实软件工程与长程调试；Agent 关注持续调用工具、管理中间结果和推进多步任务；专业工作则强调资料核对、分析和最终交付。

现在的旗舰模型动辄以 T 计参数，Qwen3.8-Max 是 2.4T，Kimi K3 是 2.8T。

这样看，Step 5 Preview 甚至可以说是个小模型。那么这么一个“小模型”能和那些巨无霸 PK 吗？

先看第三方数据。

Artificial Analysis（AA）的综合智能指标（Intelligence Index）给 Step 5 Preview 打了44 分，已经杀入全球开源模型前三。

这个分数打平了 Kimi K3（max），但它的总参数差不多只有 K3 的五分之一啊，这不得不说有点狠了。

▲ 图：AA 智能榜单，Step 5 Preview 得分 44。

今年大家开始听到模型“斩杀线”这个词了，说明相比模型能力，大家其实更关注最终的性价比。

那么这个 Step 5 Preview 在性价比方面能打吗？

AA 估算，Step 5 Preview 完成一项智能任务平均花0.71 美元。

Kimi K3（max）和 GLM-5.3（max）约为 2 美元，Claude Opus 5（max）约为 5.86 美元。

按这张图的口径，它的单任务成本约为前两者的35%、后者的八分之一。

这么看，这玩意还真有点新“斩杀线”的意思。至于会不会有 Flash 版，还得等官方消息。

▲ 图：AA 智能与成本对比。

虽然低调，但是另一张图还是可以让我们看到阶跃这几个月的变化。

Step 3.7 Flash 是今年 5 月推出的，图上的19 分带斜纹，属于估算值；这次 Step 5 Preview 的44 分是已评测结果。

从 3.7 Flash 到现在的 Preview，不到四个月，模型的综合位置确实往前迈了一大步。

我把软件工程、终端操作、职业任务、办公文档和金融研究这五项评测放在一张图里，方便横向比较 Step 5 Preview 与其他模型的表现。

▲ 图：五项能力评测。

我更留意两项贴近专业交付的成绩：DeepSWE v1.1 得分 67.7%，略高于 Kimi K3 和 GLM-5.3；FrontierFinance 得分 66.4%，高于图中的 GPT-6 Astra、GLM-5.3 和 Kimi K3。

一个看真实软件工程，一个看投资研究，也正好贴近我接下来要用财报任务验证的能力。

▲ 图：5 月的估算值与这次实测值。

Step 3.7 Flash（5 月，估算 19）→ Step 5 Preview（9 月，实测 44）

02 四份材料，它会怎么做？

跑分归跑分，我真正关心的还是实际干活怎么样，能不能经得起测。

这里我把 Step 5 Preview 接进 WorkBuddy 做测试；界面里的water18-0910是它的调用标识。

任务是分析英伟达最新一季财报。我给它 10-Q、9 页 CFO Commentary、17 页业绩演示和 16 页电话会记录。

四份材料不是简单相加：历史数据、非 GAAP 调整、管理层指引和我让它做的情景分析，口径不能混；报告、Excel、图表和 PPT 还得用同一套数字。

提示词没有要求它写几句摘要就结束。关键几句是：

请从零开始完成一份英伟达最新财报的完整分析项目。 请先完整读取并交叉核对这些材料 同时输出一份可编辑的分析底稿或数据表，保留计算、引用和关键中间结果，方便复核。 对最终文件逐一打开、运行或渲染检查，修正明显的数字、排版、引用和可读性问题。

说实话，这个任务不仅真实，甚至有点艰巨。面对这样一个复杂的工作，这个模型表现如何？

它先定工作顺序，再读取四份材料。

它也很好地遵循了指令：没有直接抄表写报告，而是拿 10-Q 的披露数字，去对 CFO 解释和电话会表述。

遇到重新列示、GAAP 与非 GAAP 的差异，也先把口径理清。

如果换我来做，最容易急着把数字填进表里，这一步反而可能漏掉。

▲ 图：交叉核对四份财报材料。

材料对齐后，它建了一份带来源的 Excel 底稿，把历史业绩、管理层指引和自己的假设分开。

有趣的是，第一次生成有错。

独立校验时，它查出非 GAAP 调节表的符号、季度自由现金流公式、敏感性矩阵括号和股东回报口径四处问题，回到文件里逐项修正，再重新计算。

▲ 图：发现并修正四处问题。

▲ 视频：Excel 公式复核与修正。

能自己纠错，这个能力不亚于吭哧吭哧干活。

实际上，这样一个复杂的任务要用到不少本地工具，而这些工具可能还没安装，或者装起来会遇到问题。

接下来做可视化，它就遇到了这种问题。绘图依赖的安装中断，它先检查现有的 Python 环境，再尝试继续安装和生成图表。

这里耽误的时间，既有工具环境的因素，也有模型判断、切换方法的成本，不能全算成“思考慢”。

这里让我感觉它确实会自己想办法。中间我打开过权限，但具体怎么排查、怎么换路子，基本不用我一步步指挥。

工具通了之后，它陆续做出四张分析图、HTML 报告和 PPT。产出文件也不是终点：它对 Excel 做了52 项独立重算和 10 项输入联动检查，又检查报告的脚本和渲染、PPT 的排版与文件结构。

相比于把交付物一次性直接吐给我，这里它做得特别好，会自己先检测、测试、修正后再给我。

PPT 检查一度显示“图片数为 0”，它继续查到实际嵌入目录，才排除这次误报。

▲ 图：复核 PPT 图表。

整个任务从 15:54 到 17:22，约88 分钟。其中浏览器组件的下载一度卡了 20 多分钟，依赖安装也曾中断。

88 分钟是一个很长的时间，当然 WorkBuddy 环境的限制也耽误了不少。

但这反而让我对这个模型刮目相看，一个这么长程的任务，居然没跑崩，也着实不容易。

03 交回来的东西，专业度怎么样？

等了很久，交付物终于出来了。一口气给我一份详尽的 8 章 HTML 报告、5 张表的可编辑 Excel、4 张单独的分析图，以及14 页 PPT。

相比很多 Agent 的交付物，Step 5 Preview 给我最深的感受是三个词：详尽、专业、好看。

▲ 图：报告、Excel、图表与 PPT。

HTML 报告分了八章，从业绩、收入结构，一直写到利润口径、现金流、下一季指引和风险。我点开看，里面还有五张可以交互的图，不是把数字堆成一页。

收入图把近六个季度的营收、营业利润和毛利率放在一起；其他图继续拆市场平台、利润率和不同情景。关键数字旁边留了来源，我想追一个结论，还能往回查。

▲ 图：近六季收入与利润。

▲ 图：报告里的四张分析图。

报告里还有一张利润口径调节表，我觉得比再看一张增长图更有用。

这个季度的 GAAP 净利润是 596.88 亿美元，非 GAAP 净利润是 539.54 亿美元；中间有 77.71 亿美元股权证券收益，属于非现金项目。只看净利润同比大涨，很容易漏掉这层区别。

▲ 图：报告拆解 GAAP 与非 GAAP 净利润的差异。

Excel 更能看出它有没有把分析做实。

我点开原文件，一共五张表：经营看板汇总收入、利润和现金流；历史数据排了六个季度，数字旁边还写着来源；业务结构继续往下拆。

情景分析把管理层指引和它自己的假设分开，12 个黄色输入可以改。最后一张“口径与来源”，专门交代非 GAAP、分部重述、自由现金流这些容易算错的地方。这份底稿我能接着改，也能顺着来源回查。

▲ 图：Excel 原文件的五张工作表。

PPT 也让我意外，相比很多 AI 做出来的“班味”PPT，这里的还真的让我眼前一亮。

就像一份很专业的自制 PPT，它的逻辑很清晰，而且整体审美，我真的觉得很专业又美观、而且主要是还不花哨。

▲ 图：PPT 逐页生成与检查。

相比那些一堆文字的 PPT，这里真的做到了图文并茂，而且把核心内容都提炼出来了。比如，第 4 页展示一个季度赚了多少钱，这可能是很多人最关心的话题。

▲ 图：PPT 第 4 页，一个季度赚了多少。

还有关于增长：它为什么会增长？第 5、6 页连续用图和图表来展现，非常好。

▲ 图：PPT 第 5、6 页。

还有那一页，要盯的三件事。以及最后那页的判断，我觉得非常到位。所以整份 PPT 我觉得完全可以一字不改拿去讲。

▲ 图：PPT 风险页与结尾页。

下面是全部 14 页，能更直观看到整套 PPT 的节奏。

▲ 图：14 页 PPT 缩览。

我也把成品里的主要数字重新对了一遍。营收、利润、现金流和几个关键业务数据，都能与英伟达的原始材料对上。

当然，少数口径和图表细节可能还需要在正式使用前核稿，但没有出现“整套报告看着漂亮，核心数据却是错的”那种情况。

金融方向还有一项可作参照的FrontierFinance。它用投资研究场景中的专家问题，评估检索、分析和结论。

Step 5 Preview 在图中的五款模型中排第二，仅低于 Claude Opus 5；比 GLM-5.3 和 Kimi K3 分别高 2.3、3.8 个百分点。这是公开评测，不是我这次财报任务的评分。

04 跑分之外，我更想看完整交付

现在行业里天天谈参数、强化学习、Agent 能力和价格。

对我来说，真正有用的还是它能不能在真实场景里干活，并能自主地把一件活从头到尾干完，不需要我太多干预。

在我这几轮测试中，我可以比较肯定一点：Step 5 Preview 确实做到了这一点。

这次让我印象最深的，是它能把核对数据、搭 Excel 底稿、写报告、做图和检查成品接成一条线。中间有工具装不上，也有公式算错，但它没有把半成品交给我，而是继续找原因、修完再交。

这还只是一轮财报分析，不能说明它做所有任务都一样稳。但至少面对这件足够复杂的工作，我看到的已经不只是一个会回答问题的模型，而是一个能自己把工作往前推、最后拿出完整成品的 Agent。

官方对金融能力的评价重点，也不只是答案是否正确，还包括来源能否追溯、事实和假设能否分开、关键计算能否复现。这个标准，正好也是我这次测试最在意的地方。

这次测试前后花了 88 分钟，看到它能持续推进、遇到问题再修，我对它做长程任务的能力印象很深。官方披露的另一个案例，时间尺度还要长得多。

官方还披露了一个长程任务案例：Step 5 Preview 在一张 NVIDIA H100 上连续 24 小时优化 MLA GPU Kernel，约 22 小时后达到 508 TFLOPS。

这个案例说明它能根据运行结果持续改代码，但和本文的财报交付测试不同，不能直接当成同一项成绩。

05 怎么使用，价格怎么算？

Step 5 Preview 已可通过阶跃星辰的产品和 API 使用，计划于 10 月 15 日正式开源。

想了解模型、在线体验，或接入自己的 Agent 和工作流，可以按用途选择入口：

Model Blog：https://www.stepfun.com/step-5-preview

国内开放平台 API 接入：https://platform.stepfun.com/

Studio 在线体验：https://studio.stepfun.com/

能力和价格放在一起看更直观。

模型规格与 AA 实测数据参照 Artificial Analysis；下表人民币 API 价格来自国内开放平台，实际费用以所用平台结算为准。

模型

Step 5 Preview

上下文

100 万 tokens

输入 / 输出

文本、图像输入 / 文本输出

API 价格

普通输入 7 元 / 百万 tokens；输出 20 元 / 百万 tokens

缓存输入

命中缓存 0.35 元 / 百万 tokens，比普通输入低 95%

AA 实测

智能指数 44；指数任务平均成本 $0.71 / 项

06 参考资料

01｜阶跃星辰：Step 5 Preview 官方介绍

https://www.stepfun.com/step-5-preview

02｜阶跃星辰开放平台：定价与限速

https://platform.stepfun.com/docs/zh/guides/pricing/details.md

03｜Artificial Analysis：Step 5 Preview 模型页

https://artificialanalysis.ai/models/step-5