深耕AI、数码兴趣领域
30
16
Step 5 Preview 一手实测，阶跃星辰这波起飞了。
2026-11-09 22:08:21
0点赞
0收藏
0评论
点击上方蓝字关注我，加个🌟标不迷路。
各位小伙伴们大家好，我是 cxuan。
上午阶跃星辰发布了自家最新模型，step-5-preview，直接干到了国产开源前二的水平。
一直没有测过阶跃星辰的大模型能力，这不刚刚发了 step-5-preview，必须给大家实测下真实水平到底如何。
阶跃星辰这次的 Step 5 Preview，600B 总参数、激活 27B，1M 上下文。
600B 是 6000 亿参数，27B 是每次计算激活约 270 亿参数。采用了 MoE 架构。
我这次出了三道题看看它能不能行：做游戏、看视频复刻官网、读报表做预算。
测试比较 Coding 能力、视频理解能力、办公能力。
测试对象是 step-5-preview、横向对比 WorkBuddy 中的 DeepSeek-V4-pro 和 ZCode 中的 GLM-5.3 。
我们这次先讲一下 Step 5 Preview 的测评数据，然后再来一波实测。
这次 Step 5 Preview 的定位是 ：Advancing the Pareto Frontier ，向前一步，智能效率的新一代“帕累托前沿”
帕累托前沿，描述的是多个目标之间所能达到的最佳平衡：在这条边界上，想进一步改善一个维度，通常就必须牺牲另一个。对 AI 模型而言，能力、效率与成本之间也存在这样的取舍。推进帕累托前沿，并不是让取舍消失，而是通过新的模型设计，将这条边界继续向外推。
先来说一下测评数据。
在全球权威的 Artificial Analysis Intelligence Index 中，Step 5 Preview 取得 44 分，位居全球开源模型前三。与此同时，Step 5 Preview 单任务成本仅为 Claude Opus 5 的 1/8。
image-20260920151243619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，并在 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 上仅次于 GPT-6 Astra 或 Claude Opus 5，领先其他参评开源模型。
image-20260920152008978下面是 AA 的测评榜单图。
图源：Artificial Analysis 综合智能指数
先看总分。Step 5 Preview 是 44，Kimi K3（max）也是 44，GLM-5.3（max）是 45，Grok 4.6（high）是 44 ，基本上能打平。
在综合分之后，我又挑了两个和这次任务更贴近的榜单。
一个是 Terminal-Bench 4.0，看模型在终端里完成任务。
image-20260920063340846图源：Artificial Analysis 的 Terminal-Bench 4.0 独立评测
这套测试包含 66 个终端任务，每道题都有验证程序。模型要在实际环境里完成工作，再由测试检查结果。AA 报告的是每题重复三次后取平均的 pass@1，和只看代码写得像不像有明显区别。
Step 5 Preview 得分 33.3%，高于 DeepSeek V4 Pro 0813（max）的 14.1%、Kimi K3（max）的 12.6%，也高于 DeepSeek V4.1 Flash（max）的 26.8%。但 GLM-5.3（max）是 41.9%，Opus 5（max）是 49.0%，它还没追上。
可以说，Step 5 Preview 已经能处理一批有难度的终端任务，值得拿来做工程实测。至于画面审美、游戏美感，还得实际测试。
另一个是 AA-Briefcase，看办公成果交得怎么样。
image-20260920063420364图源：Artificial Analysis AA-Briefcase
按 AA 的评测介绍，这套测试要求模型处理成批资料，交付表格、演示文稿和备忘录。评分会同时看要求有没有完成、分析有没有依据、成果呈现得怎么样，和后面那道咖啡品牌预算题比较接近。
Step 5 Preview 是 1417 Elo，高于 DeepSeek V4 Pro 0813（max）的 1265，但低于 Kimi K3（max）的 1488 和 GLM-5.3（max）的 1504。
OK ，下面开始实测，我做了三个不同方向的测评，做游戏、看视频复刻官网、读报表做预算。
任务一我做了一个纪念碑谷的游戏。
这题的难点在于三套东西要同时成立：建筑看着舒服，角色走得过去，机关确实改变道路连接。尤其是视觉错位那一步，要把屏幕上的透视关系变成游戏规则，随便画两条交叉的路可交不了差。
prompt 如下
BASH上下滑动查看64 行请直接开发一款可以在浏览器中运行的空间解谜游戏，名称为《海上回廊》，参考《纪念碑谷》的视觉气质与空间错觉玩法，使用原创建筑、角色和关卡。 目标是交付一个画面精致、操作流畅、可以完整通关的游戏。制作一个约 3 分钟体验的关卡，优先保证完成度。一、画面与氛围场景是一座漂浮在青绿色海面上的几何建筑，由浅粉色塔楼、奶油白台阶、拱门、悬空回廊和可旋转的桥组成。采用固定等距视角或正交相机，具有清楚的立体结构和前后遮挡关系。注意建筑比例、构图、色彩层次和柔和阴影，让开场画面就值得截图。加入克制的环境动态，例如水面波纹、漂浮微粒或远处飞鸟。角色采用简洁、有辨识度的原创造型，在场景中保持清晰可见。界面保持简洁，主要空间留给游戏画面。提供标题、开始、重置和声音开关，按钮风格与场景统一。二、核心玩法玩家点击可到达的道路位置，角色自动沿道路行走；通过拖动转盘、操作机关改变建筑结构，帮助角色抵达塔顶出口。关卡需要串联三个解谜步骤：1. 旋转接桥玩家拖动转盘，使桥梁旋转并与道路对接。正确连接后，角色才能走到中央塔楼。2. 升降换路角色踩下机关，升降平台改变高度，打开通往上层的路线。角色站在移动平台上时，需要自然地随平台移动。3. 视觉错位设置一处利用固定视角形成的空间错觉：两段空间位置错开的道路，在机关转到特定位置后，在画面上形成连续通路，角色可以沿这条视觉上连通的道路通过。第三步是核心验收项，必须实际影响角色通行。只有预先设计的接口在正确状态下才能连接，普通的画面重叠不能让角色随意穿越。请自行设计合理的建筑布局，确保三个步骤前后连贯、有明确解法，并且必须操作机关才能通关。三、操作手感- 可操作的转盘、机关和可到达位置要有适度的视觉提示。- 转盘拖动方向自然，松手后平滑吸附到有效角度。- 角色行走、转身、上下台阶和平台运动都有流畅过渡。- 道路连接或机关触发时，提供清楚、克制的视觉与声音反馈。- 玩家点击不可到达的位置时，给出轻微提示，角色保持合理状态。- 机关运动期间，正确处理角色行动，避免穿模、悬空、掉落或卡死。- 角色跨越视觉错位连接时，屏幕上的运动应保持连续。- 首次操作时提供简短引导，避免长篇说明。四、完整游戏流程实现开始界面、进入关卡、解谜、抵达终点、通关反馈和重新开始。通关时使用简短的镜头或建筑动画作为奖励，并提供再次游玩的入口。重置后，角色、机关、道路连接和界面状态都应恢复到初始状态。声音需要在用户首次交互后启用，并支持关闭。桌面浏览器中应运行流畅，窗口尺寸变化后保持构图和点击位置正确。五、交付与验证请直接在当前项目中完成代码实现，技术栈自行选择，提供明确的启动方式。游戏无需登录或付费服务即可运行。完成后实际运行并检查：1. 从初始状态可以完整通关。2. 断开的道路无法通过，机关操作后通行关系正确更新。3. 三个解谜步骤都真实生效。4. 连续点击、重复操作机关不会导致角色或关卡卡死。5. 通关后重新开始，以及中途重置，都能正常工作。 最后简要说明启动方法、操作方法、通关步骤，以及任何尚未完成的部分。请区分已经实际验证的结果和未验证的内容。
image-20260919102121875Step 5 Preview 的结果：
Step 5 Preview 的海上回廊：初始关卡和转桥引导
Step 5 Preview 的海上回廊：抵达塔顶后的通关界面DeepSeek-V4-pro 的结果：
GLM-5.3 的结果：
三家都做出来了，也都能通关，画面上其实拉不开差距。
DeepSeek-V4-pro 走的是白天的基调，开场就有「拖动转盘，接上桥梁」的气泡引导，通关界面写着「抵达塔顶」，收尾也很完整。GLM-5.3 的建筑最复杂，两座塔加一条悬空栈道，色彩层次也最舒服，就是小人在画面里太小，我找了两次才看见他在哪。Step 5 Preview 星辰走的是夜景，小人和路面的对比最清楚。
不过 Step 5 Preview 的游戏流程更像是真实的纪念碑谷，不会一上来加载全部内容和场景，所以这一票我投给 Step 5 Preview 。
任务二任务二是给出一个视频，能否让大模型复刻出来完整的网页。我录了一个视频，这是一个专门做品牌制作数字体验的创意技术工作室的官网，3D 效果极其酷炫。
这个站点是 Lusion。录屏里能看到蓝白几何体、作品展示和大幅动态场景，滚动时页面内容与视觉效果一起变化。
我不期待能复刻出多么好的效果，因为这个官网的 3D 效果是我见过最好的。
我觉得能复刻 50% 就不错了吧。
prompt 很简单，直接甩给模型一个视频，然后一句 prompt
充分理解一下这个视频，高保真完全复刻一下。Step 5 Preview 的结果：
图源：本次阶跃成品录屏截帧。
从录屏看，它做出了顶部导航、大字介绍、几何动态区域和视频播放区域，视频区域还带有暂停、静音按钮，整页的内容比一张静态首屏丰富。
局部也有明显不足：原站蓝白色、带孔的几何体，被它简化成了紫色球体。
DeepSeek-V4-pro 的结果：
DeepSeek 对蓝白几何体这一块处理的很好，带孔的柱体和交叉结构都能看出来。但向下滑到作品区，几张卡片的形状太简单了。而且最后的宇航员跳出来也有点招笑。
GLM-5.3 的结果：
GLM 保留了黑白排版、右侧大标题和作品卡片的组织方式，不过首屏左侧大块留白，录屏中间也有较长的空白区域。不过感觉 GLM-5.3 这个任务的漂移有点严重。
这一票我投给阶跃，以这个题为判断标准的话，Step 5 Preview 在从视频复刻到一个完整网页上几乎完胜 DeepSeek-v4-pro 和 GLM-5.3 ，GLM-5.3 还是用的自家 Harness，所以做成这样我确实没看懂。
任务三这个任务我给了一份报表和一份统一测试 prompt。
这道题是把 6—8 月的模拟经营资料，变成 9 月能执行的 5 万元预算。
image-20260919090728173prompt 如下
你是一家咖啡消费品牌的经营分析负责人。请阅读全部附件，根据2026年6—8月资料，制定2026年9月的50,000元获客与运营预算方案。全部附件是模拟测试资料；固定分析截止日为2026年8月31日。先核对数据与口径，保留可追溯的清洗过程。按月、按渠道计算销售、已实现退款、净商品成本、履约与支付费用，以及投放前后贡献。区分平台归因成交额和订单系统收入，并说明尚不能确定的事情。在老板提出的预算与资源约束内，给出各渠道金额、机动资金、调整理由、第一周执行动作，以及继续加投、暂停或调整的可测量条件。历史表现不能直接当成未来保证，预测或试验阈值需要明确标为假设。资料中的访谈观点需要核对。请交付：1. 一个可下载的Excel分析文件，保留原始数据，包含可追溯的清洗结果、主要计算公式、月度与渠道汇总、预算和必要图表。2. 一份不超过6页的中文PDF经营汇报，回答“钱花在哪、为什么、风险是什么、下周怎么做”。图表数字必须与Excel一致。3. 在回复中给出不超过200字的老板摘要，并列出任何未完成或未验证的内容。无需联网补充行业平均值。资料不足时列明缺口并采用明确假设，不编造真实调研、客户访谈或额外经营数据。请直接完成分析并生成文件。
image-20260919094254269Step 5 Preview 的结果：
image-20260919150441923DeepSeek-V4-pro 的结果：
image-20260919150324975GLM-5.3 的结果：
image-20260919150441923从上面三个报告中，我体感上只能看出 Step 5 Preview 的 excel 分析更全面一些，GLM-5.3 的 excel 样式更清爽一些。
这三份报告我根本看不出来数据之类的，于是我直接交给了 GPT-6 Astra ，让它来分析一下这三份报告。
这份复核里最能说明差异的是三个具体例子。
Step 5 Preview 把小红书的 16,000 元拆成 12,000 元旧内容复投与达人续约，再留 4,000 元给新达人试验。这样执行的人知道哪笔钱用来复投，哪笔钱用来验证新方案。
Astra 指出，DeepSeek 先给小红书 14,000 元，又允许达标后追加 5,000 元，加起来就是 19,000 元，超过资料里的 16,000 元上限。GLM 则在已经安排 5,000 元抖音试验后，还允许再追加最多 3,000 元复测，同样碰到了约束问题。
所以这道题在 Astra 这次复核里，Step 5 Preview 对硬约束执行的更加严格：5 万元总预算、渠道上限和试验资金能对上，还区分了复投和拉新。
如果这份方案第二天就要交给团队执行，这一票我还是投给阶跃。
价格最后来说一下价格问题，我觉得价格是这次 Step 5 Preview 的优势了。
Step 5 Preview 智能指数与单任务成本图源：Artificial Analysis
Step 5 Preview 的青色圆点落在 44 分、0.71 美元附近，它右侧的 Kimi K3（max）也是 44 分，但单任务成本约 2.00 美元；GLM-5.3（max）高一分，成本约 2.01 美元。再往右是 Claude Opus 5（max），分数到了 51，单任务成本也到了 5.86 美元。它比 Step 5 高 7 分，跑一项标准任务的费用则是后者的 8 倍多。左下方的 DeepSeek V4 Pro 0813（max）成本约 0.67 美元，只比 Step 5 少 0.04 美元，但图上的综合分是 36，低了 8 分。
再看 API 的基础单价。Step 5 Preview 的普通输入是每百万 token 1.00 美元，输出是每百万 token 2.70 美元。缓存命中的输入比普通输入便宜 95%，折下来是每百万 token 0.05 美元。
Step 5 Preview 与旗舰模型价格对比总结一个结论 ：Step 5 Preview 的单任务成本约为同等智能水平的 GLM-5.3 和 Kimi K3 的 35%。
最后这三道题跑完之后，我说一下我的结论吧。
在 Coding 这道题上三家都交得出能玩的东西，Step 5 Preview 和 GLM-5.3 各有特色，但是 DeepSeek-V4-pro 的游戏体验稍差一点。
视频这道题差距最大，这个我确实没想到。
在办公这道题上，Step 5 Preview 的预算拆分和试验设计更细，DeepSeek 和 GLM 在追加预算的规则上有漏洞。但它也说了，Step 5 Preview 的 PDF 数表不一致、Excel 缺可执行公式，所以不能据此认定整体质量全面领先。
这次 Step 5 Preview 综合能力能领先 GLM-5.3 和 DeepSeek-V4-pro 我是没想到的，而且使用成本又如此之低，我觉得后续可以把一部分工作交给 Step 5 Preview 了。
如果这篇文章你觉得还不错，谢谢你的三连，也希望可以转发给同样关注 AI / 科技 / 开发效率的朋友。 我是 cxuan，我们下期再见。
相关来源• 阶跃星辰 Step 5 Preview BF
• Artificial Analysis：Step 5 Preview 综合评测、智能指数与成本
• Artificial Analysis：Intelligence Index v4.3
• Artificial Analysis：Terminal-Bench 4.0 榜单与评测方法
• Artificial Analysis：AA-Briefcase 榜单
• Artificial Analysis：AA-Briefcase 办公任务评测介绍
• Artificial Analysis：Step 5 API 提供商与单价
• Artificial Analysis：GLM-5.3 评测与价格
• Artificial Analysis：DeepSeek V4 Pro 0813 评测与价格
• Artificial Analysis：Kimi K3 评测与价格
• Artificial Analysis：Claude Opus 5 评测与价格
• Lusion：视频复刻任务的参考网站
• 快科技：Step 5 Preview 发布相关报道
