9月份，是一个神仙打架、周周洗牌的修罗场。
全球头部 AI 实验室密集发布新一代旗舰，国内厂商同步提速迭代。
在这场每周都有「重磅」的混战中，有一家模型厂没有选择跟着节奏「小步快跑」——
它攒了一个大的，然后一把摊在桌上。
这家公司就是阶跃星辰。9 月 20 日，他们发布了新一代旗舰基座模型 Step 5 Preview。
它在告诉整个行业：我回来了。
创造新的前沿
在 Artificial Analysis Intelligence Index（AA 智能指数）中，Step 5 Preview 取得了 44 分。
拉一张横向对照表：Claude Fable 5.1 领跑全球（53 分），GPT-6 Astra 紧追其后（52.8）。
Step 5 Preview 的 44 分，把阶跃送进了全球开源模型前三。
而且这个位置的「性价比」很扎眼：每百万 token 输入 1 美元、输出 2.7 美元，跑完一道 AA 智能指数任务平均只要 0.71 美元。
在 AA 官方的「智能指数 vs 单任务成本」图上，Step 5 Preview 创造了新的帕累托前沿——
同样的智能水平，没有比它更便宜的；同样的价格，没有比它更聪明的。
这个成绩的含金量，在今年 9 月变得更高了。
AA 智能指数在月初刚升级到 v4.2：两项新评测加入、GPQA Diamond 被淘汰（太容易了）、私有测试集权重翻倍到 40%。
靠背题刷分的时代过去了，模型必须在从未见过的任务上展现真正的推理力。
而 Step 5 Preview 还有一个不容忽视的标签：开源。
在当前 AA 榜单前列，绝大多数是闭源模型。Kimi K3 以开源权重身份杀入全球前五已被视为里程碑，Step 5 Preview 是又一个挤进核心竞争区的开源选手。
这意味着中国开源模型的能力天花板，仍在加速上移。
Benchmark 是入场券
能干活儿才是成绩单
Step 5 Preview 对准的场景很明确：Coding、软件工程、专业知识和金融场景——
所有需要「长上下文、多轮工具调用和持续执行」的复杂任务。
它原生支持 1M 上下文。一整个代码仓库、一整个数据室，都能装进一次对话里。
这些场景有一个共同特征：不是回答一个聪明的问题，而是让模型像一个靠谱的员工一样接手一个项目。
拆解任务、调用工具、根据中间反馈修正方案，最后交出一份能用的结果。
说到这里，我们拿到了内测资格，也就是前段时间被调侃在模型名称上大幅领先的 water18，设计了几个贴近真实工作场景的实测方向，来看看 Step 5 Preview 到底能走多远。
一句话，一个能玩的 3D 飞行游戏
来测一下代码能力。
给它的题目是：单文件 HTML、只准借 three.js 一支画笔，做一个街机风格的低多边形 3D 飞行小游戏，要能玩、要好看。
Step 5 Preview 用了 20 多分钟，写了一个上千行的 HTML 文件，打开就能飞。
画面好看。天空和海水不是贴图，是它自己写的着色器：海面真的在起伏，阳光在浪尖上闪，远处融进雾里。
操作顺手。一按左就拐弯，松手自动回正，加速时视野拉开、转弯时镜头跟着甩——速度感全在手上。撞到海面弹一下、抖一下，不会死，节奏不断。
会自己加东西。提示词只说「金色光环」，Step 5 Preview 给每个光环加了一道直冲天际的光柱，几百米外就知道往哪飞，追环立刻有了节奏。
穿环粒子爆开、+100 飘字、Boost 冷却条、90 秒结算记最高分，一样不少。
这就是「生产级」：写出来的东西不用改，直接能玩。
长程 Agent——12 份合同、120 个判断，一个都没漏
这是一道「体力活」：12 份中英文合同，对照法务部 10 条标准逐条审，再算续约日期、写修订函、给采购部总结。
人做这件事，最容易出问题的不是前三份，是第八份以后开始走神。
Step 5 Preview 交了三个文件，我们逐格对答案。
一个没漏。 120 个判断全部落格，26 处违规全中。
它额外标出的 12 处，我们回头看标准原文，它是对的——比如责任上限写着「以年度金额为限」，看起来合规，但标准还要求数据泄露、重大过失不设上限，这一层它没放过。
第 12 份合同审得和第 1 份一样细。
藏在附件里的坑，没躲过它。两份合同正文干净，违规只写在附件里，它照样抓出来。
日期不是算出来的，是想出来的。一份合同今天已经错过退出窗口，它标红并给出还能补救的最后一天；另一份年底才到期、按题目不该出现，但通知期 10 月 2 日就关，它主动单列出来。
三个文件互相咬合。 修订函里给供应商的最后期限，就是续约清单里算出的最晚通知日；给采购部的 142 字总结，三件最急的事和前面的日历一一对应。
能做完，能做对，最后一份和第一份一样认真。这就是长程 Agent 的意思。
Deep Research——9 份互相打架的材料，它先立规矩再翻案
我们给 Step 5 Preview 九份关于同一家公司的材料。
融资额、估值、营收、交付量、员工数，没一个数字是统一的。
它先定规矩，再动手。 审计报告 > 公司更正声明 > 一手核实 > 官方新闻稿 > BP > 数据平台 > 匿名帖，七级优先级，外加「口径优先于数值」「时点对齐」等六条辅助规则。
七个事实项全部答对，35 处引用精确到文件和行号。
规则和直觉打架时，它站规则。 CEO 本人在专访里说估值 32 亿，两份官方材料互相印证；它仍按规则取 30 亿，因为更正声明更晚，且内部邮件解释了 32 亿是怎么算出来的。
还发现了我们没发现的问题。新闻稿说「同比增长 210%」，它反推出去年上半年只有 0.49 亿——意味着 69% 的营收压在下半年，没有任何材料能解释。
这被它翻出来列为「最脆弱的一处」。
读完、想清、按规矩判、把推理过程摊开——这才是 Deep Research。
金融尽调——六份表，它当了一回真正的投资经理
最后，我们给 Step 5 Preview 一个 B 轮公司的数据室：利润表、发票台账、银行流水、股权表、供应商名录、创始人 deck。
任务是替投委会写一份尽调备忘录，外加一份带公式的勾稽底稿。
数字一分不差。收入 1.52 亿、回款 8,344 万、应收 6,856 万、净亏 934 万——全部和真值精确到元。
底稿 9 个 sheet、1,030 个活公式，每个数都能从原表一路点回去。
核出 6 条不符。 增速不是 3 倍是 2.1 倍，毛利率不是 45% 是 38%，客户不是 47 家是 33 家，最大客户占比不是「不到 20%」而是 40%。
最关键的是「经营现金流转正」：它把 500 万股东借款和 120 万政府补贴从流入里剔出去，算出上半年实际净流出 1,384 万——就算把这两笔都算上，还是负的。
三跳连出一笔关联交易。 银行流水里每月 53 万付给一家咨询公司，供应商名录写着法人叫李静，deck 团队介绍里有一句「周明配偶李静负责行政外包」。三份材料各自看都正常，连起来就是 CEO 配偶年收 640 万咨询费，没有披露。
还挖出了我们没埋的。 12 个月毛利率恒定在 38% 和 34% 两个值上没有一丝波动，它判断「疑似成本按收入倒算」；说明它不是在对答案，是真的在审。
最后给的是「有条件继续」，附 5 个先决条件和 5 份要索取的材料。
会算、会串、会怀疑、会给建议——一个专业工作流该有的，它一样没少。
这一关不是我们随手挑的。
金融是阶跃给 Step 5 Preview 划的重点考场：它牵着宏观、政策、行业和公司，最考模型的综合能力。
阶跃自建了三项 FinStepBench 评测，分别考实时检索、估值建模和完整研究流程；外部再用 FrontierFinance——220 道专家题、11,543 项评分标准、六类投资场景。
四项测试跑下来，Step 5 Preview 的表现均取得不错水平。
上面那份尽调备忘录，只是这个能力的一次现场演示。
一条反直觉的技术路线
Step 5 Preview 采用稀疏 MoE 架构，总参数 600B，激活参数仅 27B，原生支持文本与视觉输入，上下文长度 1M。
在当下这个「万亿参数」遍地走的时代，Step 5 Preview 的参数规模并不是最大的。
但阶跃的技术判断很清楚：模型的「大」不是目的，是手段。
具体怎么做？阶跃和我们透露了几项关键设计：
Narrow but Deep：让信息在长 Prefill 中传播得更多。
背后的直觉是：复杂 Agent 任务里存在大量多跳依赖，频繁的工具调用又会带来很长的 Prefill。
由于 Prefill 阶段的信息需要沿时间和网络深度逐层传递，网络深度不足，可能限制隐式多跳推理的完成。
因此，Step 5 Preview 采用「窄而深」的架构，直接将 Transformer 深度增加至 92 层，为长 Prefill 中的信息传播提供更长路径。
更深也更难训。92 层的网络会撞上数值爆炸、梯度尖峰这些老问题，阶跃对 Hidden State、RMSNorm 和梯度做了专门优化，才让它稳定训下来。
多层面稀疏设计：Sparse MoE ++ Sparse GQA。
除了 MoE 本身的专家稀疏激活，Step 5 Preview 引入了Sparse GQA。
当模型处理一个百万 token 的超长上下文时，不需要让每一个 token 都与所有 token 做注意力计算。