阶跃杀回第一梯队，Agent开始算总账

中国大模型第一梯队，又杀回来一个老玩家。

9月大模型的一波密集更新，已经把榜单头部分差压缩到一个很窄的区间。

据Artificial Analysis Intelligence Index 的最新结果，阶跃新旗舰模型Step 5 Preview获评44分，位列全球开源前二。阶跃也就此回到中国基模第一梯队。

过去两年，头部大模型玩家已经各自跑出鲜明标签。DeepSeek打开全球开发者市场，千问背靠阿里云和阿里生态，智谱深耕企业服务，Kimi从个人用户和产品体验切入。阶跃走得更重，基础模型之外，还投入语音、视觉、端侧模型和终端量产。

这条路线一度让阶跃显得不够轻快，毕竟当行业还在比参数和单次回答时，终端适配还要经过测试和量产，工程投入重，短期内既很难提升榜单排名，也很难立刻换来市场声量。

但随着竞争重心开始变化，Agent正从办公工具走向手机、汽车等高频使用场景，模型能力、运行效率、全模态和终端工程开始被放进同一张考卷。

这让阶跃过去的重投入开始显出价值。

新旗舰上桌，阶跃跻身全球开源前二

根据公开资料，Step 5 Preview是阶跃面向Agent任务推出的新一代开源旗舰基座模型。

该模型拥有6000亿总参数、270亿激活参数，由92层Transformer构成，原生支持文本和视觉输入，上下文长度达到1M token。

AA榜单中的这项指数，综合了软件工程、工具调用、长上下文、科学推理等十项测试。Step 5 Preview以44分高分进入全球前沿模型最拥挤的梯队。

Step 5 Preview 的6000亿总参数，代表整套专家网络的容量；每次推理只激活270亿，代表每一步真正参与计算的部分。这是Step 5 Preview兼顾速度和成本的第一步。

Agent连续工作时，经常要一次读入大量历史材料、操作记录和工具返回结果。任务越复杂，模型越需要把分散在不同材料中的线索一层层串联起来。

为了提升这方面的能力，Step 5 Preview 采用“窄而深”的架构，将Transformer网络加深至92层（在同类大模型中已属比较激进的深度），为复杂信息在模型内部的逐层传递和关联提供更长的路径。

但网络越深，训练时越容易出现数值爆炸、梯度尖峰等问题。为此，Step 5 Preview 专门做了优化，使92层网络也能保持稳定训练。

接着，Step 5 Preview用1M上下文解决“装得下”，用稀疏计算减少无效计算，用Token合并让计算跑得更快。

1M上下文可以一次容纳更长的财报、代码库、网页材料和Agent操作记录。但如果每一步都重新扫描全部历史信息，材料装得越多，计算量就越大，速度越慢，成本也越高。

Step 5 Preview的单任务成本明显低于Kimi K3和Grok 4.6。AA将其置于智能水平与单任务成本的最优前沿，也就是说，很难找到一款能力更强且更便宜，或者能力相当但成本更低的模型。而这也是很多企业和开发者选择模型时，最关键的考量因素。

从Step 3.5 Flash、Step 3.7 Flash到Step 5 Preview，阶跃一直在探索如何把算力花得更高效。

Flash先提速降本，跑通效率路线。Step 5 Preview又把这条路线延伸到旗舰模型。兼具前沿能力和计算效率，也成为阶跃最硬核的技术标签之一。

公开资料统计显示，Token使用量已经达到数百倍甚至千倍量级的增长，但同期算力增长不足3倍。

等Agent进入更多场景和设备后，这个缺口还会继续扩大。行业必须让模型少走弯路、少做无效计算，让同一批服务器承接更多任务。

这也是为什么最近各家纷纷在flash版本上发力。GLM 5.3 Flash、DeepSeek V4.1 Flash、Gemini 3.8 Flash等模型，都在争取更好的能力与成本平衡。

Step 5 Preview 通过覆盖样本全生命周期的账本机制，将漫长生产链路中的端到端样本丢失率压到1%以下。这说明阶跃的优化不只涉及模型本身，也深入到了样本生产、流转和使用的系统链路。

Agent想进入日常，模型公司得重算 总账

与Chatbot的单轮问答不同，Agent的执行链路更长，每一步的等待、错误和无效调用都会传导到最终交付。

因此，模型的智能、工具调用、稳定性和纠错能力都不能有明显短板。

金融是阶跃重点验证的场景。

在公开和内部评估中，Step 5 Preview 在复杂的软件工程任务（包括长程规划任务）、专业知识工作和金融领域等基准测试中，展现出较为均衡的综合能力。

在 Agents' Last Exam 的 CLI 子集 ALE-CLI、金融投资研究评测 FrontierFinance，以及跨领域深度研究评测 DRACO 上，它仅次于 GPT-6 Astra 或 Claude Opus 5，领先其他参评开源模型。

为了测试效果，「市象」让Step 5 Preview完成白酒行业2026年半年报选题初筛。

模型先遍历A股白酒企业，最终纳入19家，读取约41份正式文件和30篇辅助材料。遇到PDF登录、单位不一和同期数据重述等问题时，它会更换信源、统一口径、单列异常。缺失数据留空并标注人工复核，数据处理相当严谨。

全程七分钟，九份文件陆续生成，涵盖原始数据、计算指标、异常日志、选题雷达、采访清单和图表报告。每份文件都能预览、下载、查看源代码，相当于交付了一套可核验、可修改、可复用的研究流程。

下面这个游戏视频更直观。B站TOY专区有一款基于Step 5 Preview开发的《荒星疾驰》。悬浮赛车、沙漠建筑和光影氛围完整，碰撞效果也比较出彩。

（游戏体验网址https://www.bilibili.com/toy/Dvausy1BLG0UJyxA/index.html）

据开发者凯伦介绍，这款游戏共花费2天制作，1天用来构思、做资产和美术，另1天用来反复调试游戏性、试错。

这就是生产级Agent的价值：能力、速度、成本和稳定性必须一起过关，Agent才有机会从办公工具变成日常大规模使用的服务。

大模型进入体系战，阶跃的重投入开始见效

重新评价阶跃，需要把前沿基模研发能力、全模态能力和终端量产放在一起看。

Step 5 Preview把阶跃的基模能力推回全球前沿，也为更复杂的生产级Agent提供了理解、推理和规划能力。

但Agent面对的世界比办公场景复杂得多。用户可能说一段方言、拍一张元素杂乱的照片，也可能下达一个模糊指令。

如果模型只能处理文字，用户还得先把需求翻译成一段提示词，Agent就很难真正进入日常生活。

因此，能让Agent听见语音、看懂图像和屏幕的全模态能力，是Agent进入日常场景的基础。这正是阶跃“模、软、硬三位一体”开始产生价值的地方。

过去一个季度，阶跃先后更新端侧Step Edge系列和语音StepAudio 3系列，随后发布Step 5 Preview，基模、语音、视觉和端侧模型完成一轮集中升级。

其中，StepAudio 3 Realtime在Artificial Analysis对话动态测试中以98.9%的综合得分位列全球第一，在语音推理测试中以99.7%的准确率位列全球第一。StepAudio 3 ASR以1.7%的词错误率并列全球第一，Step Edge取得29项第一。

不仅要补齐全模态能力，量产检验更是一大难关。

手机和汽车面临的嘈杂环境、弱网、权限冲突、有限算力、功耗和高并发等严苛条件，本身就是对模型与工程能力的长期压力测试。

目前，阶跃已与OPPO、荣耀、中兴、努比亚等品牌合作，覆盖国内超过50%的头部手机品牌，模型装机量超过4200万台，日均服务近2000万人次。

在汽车端，阶跃与吉利、千里科技共同研发超级Eva，并进入吉利旗下多款车型。超级Eva已能理解模糊指令、规划路线并调用车辆系统执行任务。

这正是阶跃“模、软、硬三位一体”最难被复制的地方。毕竟基础模型按月迭代，手机和汽车端的磨合周期往往以年计算。

磨合中，响应速度、安全、功耗和成本可能由不同团队负责，目标之间还会互相牵制。但缺少任何一项，都很难把这条链路跑通。

阶跃的公司标签也由此变得清晰。

作为少数同时拥有前沿基模、全模态和终端量产能力的独立大模型公司，阶跃这套体系能将真实使用中的问题反哺到模型、软件、终端的持续优化中。每轮更新再落地验证，形成能力越用越强的正向飞轮。

如果说Step 5 Preview解决了阶跃能不能重新上桌的问题，那么过去两年押注全模态、端侧和终端量产的重投入，就是它新的筹码。