Solutions Choose your path
For individuals Build, learn, and create with simple usage-based access. For business Scale teams, billing, governance, and model workflows. More English 繁體中文 日本語 한국어 Français Deutsch Español Italiano Português Русский العربية ไทย Tiếng Việt Bahasa Indonesia Bahasa Melayu Türkçe Polski Nederlands Danish Norsk Қазақ اردو
เริ่มต้นฟรี เริ่มต้นฟรี
500+ AI Model API, All In One API.
Just In CometAPI © 2026 CometAPI · All rights reserved
Home Blog Step 5 Preview คืออะไร? สเปก, เบนช์มาร์ก, ราคา และน้ำหนักแบบเปิด ai-model / งานวิจัย CometAPI
Step 5 Preview คืออะไร? สเปก, เบนช์มาร์ก, ราคา และน้ำหนักแบบเปิด สำรวจ StepFun Step 5 Preview พร้อมสถาปัตยกรรม MoE ขนาด 600B, บริบท 1M โทเค็น, เบนช์มาร์กการเขียนโค้ด, ราคา, น้ำหนักโมเดลแบบเปิด และการเข้าถึง API.
Deon Goodwin ทีมวิจัยโมเดล AI และ API สำรวจ StepFun Step 5 Preview พร้อมสถาปัตยกรรม MoE ขนาด 600B, บริบท 1M โทเค็น, เบนช์มาร์กการเขียนโค้ด, ราคา, น้ำหนักโมเดลแบบเปิด และการเข้าถึง API.
ใช้สรุปนี้เพื่อดูคำตอบอย่างรวดเร็ว แล้วอ่านคู่มือเพื่อดูบริบท ตัวอย่าง และรายละเอียดการใช้งาน
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)TL;DR
Step 5 Preview คือโมเดล AI แบรนด์หลักของ StepFun สำหรับวิศวกรรมซอฟต์แวร์ งานวิจัยการเงิน และเวิร์กโฟลว์เอเจนต์ที่ซับซ้อน ผสานความสามารถในการทำงานเชิงงานกับต้นทุนอินเฟอเรนซ์ที่คุ้มค่า แม้ผลลัพธ์จะผันแปรตามเบนช์มาร์ก นักพัฒนาสามารถเข้าถึงผ่าน Hosted API หรือปรับใช้ด้วยน้ำหนักโมเดลแบบเปิด ขึ้นอยู่กับงบประมาณ โครงสร้างพื้นฐาน และความต้องการด้านประสิทธิภาพ
Key Takeaways
สถาปัตยกรรม: Step 5 Preview ใช้สถาปัตยกรรม MoE แบบ sparse มีพารามิเตอร์รวม 600B และพารามิเตอร์ที่ทำงานต่อโทเค็น 27B เพื่อสมดุลความจุโมเดลกับประสิทธิภาพอินเฟอเรนซ์คอนเท็กซ์และรองรับมัลติโหมด: โมเดลรองรับหน้าต่างคอนเท็กซ์ 1M โทเค็น อินพุตข้อความ ภาพ และวิดีโอ รวมถึงเอาต์พุตสูงสุด 64K โทเค็นผ่าน Hosted API
เรียนรู้ต่อ
เชื่อมโยงบทความนี้กับการตัดสินใจถัดไป ดูทุกหัวข้อ เผยแพร่เมื่อ Oct 31, 2026 อัปเดตล่าสุด Oct 31, 2026 ตรวจสอบความชัดเจน การอ้างอิงแหล่งที่มา และคำศัพท์ API ปัจจุบันแล้ว
ประสิทธิภาพเบนช์มาร์ก:
ราคา API: StepFun คิด $1.00 สำหรับอินพุตที่ไม่แคช $0.10 สำหรับอินพุตที่แคช และ $2.70 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็น
ความยืดหยุ่นในการปรับใช้: นักพัฒนาสามารถใช้ Step 5 Preview ผ่าน Hosted API ของ StepFun หรือโฮสต์น้ำหนักโมเดลที่ปล่อยเองด้วยเฟรมเวิร์กที่รองรับ เช่น vLLM, SGLang และ Transformers
What Is Step 5 Preview? Step 5 Preview คือโมเดลการให้เหตุผลแบบมัลติโหมดขนาดใหญ่ที่พัฒนาโดย StepFun (阶跃星辰) เน้นงานที่ต้องใช้การให้เหตุผลแบบยืดเยื้อ การเรียกใช้เครื่องมือซ้ำ และการวิเคราะห์ข้ามชุดข้อมูลขนาดใหญ่ StepFun มีทั้งการเข้าถึงแบบ Hosted API และเผยแพร่น้ำหนักโมเดลดาวน์โหลดได้
ต่างจากผู้ช่วยทั่วไปที่ปรับให้เหมาะกับการสนทนาเป็นหลัก Step 5 Preview เน้นการดำเนินการเชิงเอเจนต์: ความสามารถในการวางแผน ใช้เครื่องมือ ตรวจสอบผลลัพธ์ระหว่างทาง แก้ไขข้อผิดพลาด และเดินหน้าสู่เป้าหมายที่ซับซ้อน
Key Specifications official model card ระบุรายละเอียดสถาปัตยกรรมแบบ sparse จำนวนพารามิเตอร์ และการตั้งค่าการปรับใช้ ส่วน hosted API specifications กำหนดรูปแบบอินพุตที่รองรับ เพดานการสร้าง และคุณสมบัติการให้บริการ ทั้งสองเป็นชั้นต่างกันของสัญญาการปรับใช้
ผู้พัฒนา StepFun ตัวระบุโมเดล step-5-preview หมวดหมู่โมเดล โมเดลการให้เหตุผลแบบมัลติโหมดและเอเจนต์ LLM สถาปัตยกรรม Sparse Mixture-of-Experts พารามิเตอร์รวม ประมาณ 600B พารามิเตอร์ที่ทำงานต่อโทเค็น ประมาณ 27B สัดส่วนพารามิเตอร์ที่ทำงาน ประมาณ 4.5% หน้าต่างคอนเท็กซ์ สูงสุด 1M โทเค็น อินพุตที่รองรับ ข้อความ ภาพ และวิดีโอบน Hosted API เอาต์พุตสูงสุดบน Hosted API 64k โทเค็น เอาต์พุตหลัก ข้อความ โหมดการให้เหตุผล low, medium, high; reasoning_effort on Chat Completions การเรียกใช้เครื่องมือ รองรับ เอาต์พุตแบบมีโครงสร้าง JSON Mode และ JSON Schema บน Hosted API การแคชพรอมต์ รองรับ สถานะ Hosted API ใช้งานได้ ณ วันที่ 19 ตุลาคม 2026 ความพร้อมของน้ำหนักโมเดล
เอกสาร Hosted API ระบุเอาต์พุตสูงสุด 64k โทเค็น ส่วน model card ระบุความสามารถในการสร้างลำดับได้ถึง 1M โทเค็น รายการหลังไม่ใช่คำมั่นว่า Hosted endpoint จะยอมรับการสร้างผลลัพธ์ 1M โทเค็น สำหรับตัวอย่าง self-hosted vLLM งบลำดับ 1M โทเค็นถูกกำหนดให้ครอบคลุมอินพุตและเอาต์พุตรวมกัน; หน่วยความจำ KV-cache ที่มีอยู่และความขนานจะลดความจุที่ใช้ได้จริง
How the 600B/27B MoE Architecture Works ทรานส์ฟอร์เมอร์แบบ dense ทั่วไปจะเปิดใช้งานพารามิเตอร์ส่วนใหญ่ของโมเดลระหว่างอินเฟอเรนซ์ Step 5 Preview ใช้การจัดเส้นทางแบบ sparse เพื่อเลือกผู้เชี่ยวชาญที่เกี่ยวข้อง ด้วยพารามิเตอร์ที่ทำงานประมาณ 27B จาก 600B ประมาณ 4.5% ของจำนวนพารามิเตอร์รวมจะมีส่วนร่วมในการคำนวณของโทเค็นทั่วไป
ความแตกต่างนี้ช่วยอธิบายกลยุทธ์ความคุ้มค่าเชิงต้นทุน อย่างไรก็ดี 27B ที่ทำงานไม่ได้หมายถึงรอยเท้าการปรับใช้ 27B น้ำหนักของผู้เชี่ยวชาญทั้งหมดยังต้องถูกจัดเก็บและเข้าถึง ทำให้ความจุหน่วยความจำ GPU การขนานผู้เชี่ยวชาญ และแบนด์วิดท์การเชื่อมต่อระหว่างกันเป็นปัจจัยสำคัญ
Hosted API รับอินพุตข้อความ ภาพ และวิดีโอ ด้วยหน้าต่างคอนเท็กซ์สูงสุด 1M โทเค็น และเอาต์พุตสูงสุด 64k โทเค็น อินพุตเหล่านี้รองรับงาน เช่น การวิเคราะห์รีโพซิทอรี งานวิจัยเอกสารการเงิน และการตีความเชิงภาพ สำหรับการโฮสต์เอง ความยาวลำดับที่ใช้ได้จริงขึ้นกับการตั้งค่ารันไทม์ หน่วยความจำที่มี และความขนาน
การรองรับมัลติโหมดและความสามารถของ API อาจแตกต่างกันระหว่างการให้บริการแบบ Hosted และการปรับใช้เอง
ต่อไปนี้เป็นผลลัพธ์ที่ StepFun รายงาน Step 5 Preview ใช้การตั้งค่า High reasoning; โมเดลเปรียบเทียบใช้ Max การให้ป้ายกำกับตรงกันไม่เท่ากับการคำนวณที่เท่าเทียม และคะแนนที่เผยแพร่เหล่านี้ไม่ได้วัดเวลาแฝงของแอปหรือค่าใช้จ่ายต่อภารกิจที่สำเร็จ
กราฟอย่างเป็นทางการดั้งเดิมสรุปผลการประเมินของผู้เผยแพร่ ตารางด้านล่างดึงคะแนนด้านการเขียนโค้ด การให้เหตุผล และการเงินที่เกี่ยวข้องกับการวิเคราะห์นี้
DeepSWE v1.1 67.7 67.5 66.9 74.1 74.0 StepCodeBench 49.0 43.9 40.2 61.0 63.9 ProgramBench 80.5 77.8 72.0 85.4 82.3 Terminal-Bench v4 33.3 12.6 41.9 57.9 52.3 Agents’ Last Exam (ALE-CLI) 29.5 27.6 28.6 33.3 28.6
คะแนนเป็นเปอร์เซ็นต์ โดยค่าสูงกว่าหมายถึงประสิทธิภาพที่ดีกว่าบนเบนช์มาร์กนั้นๆ DeepSWE v1.1 ใช้ห่วงโซ่ SWE-agent โดยตั้งค่า temperature=1.0 และ top_p=0.95; StepCodeBench รายงาน avg@4 ขณะที่ ProgramBench รายงานอัตราผ่าน แต่ละเบนช์มาร์กวัดงานที่ต่างกันตามชุดประเมินของตนเอง ดังนั้นเปอร์เซ็นต์จึงไม่ใช่มาตรความแม่นยำที่เทียบแทนกันได้ การเปรียบเทียบที่เผยแพร่ไม่ได้ยืนยันฮาร์ดแวร์หรืองบประมาณการดำเนินการที่เท่ากันระหว่างโมเดล
บน DeepSWE v1.1 Step 5 Preview ได้ 67.7% สูงกว่า Kimi K3 และ GLM-5.3 เล็กน้อย บ่งชี้ถึงความสามารถแข่งขันสำหรับเอเจนต์เขียนโค้ดที่ทำงานกับรีโพซิทอรีและงานวิศวกรรมซอฟต์แวร์อัตโนมัติ
ProgramBench ให้สัญญาณบวกอีกประการ Step 5 Preview ทำได้ 80.5% เทียบกับ 77.8% ของ Kimi K3 และ 72.0% ของ GLM-5.3
อย่างไรก็ตาม Terminal-Bench v4 เผยข้อจำกัดที่มีนัยสำคัญ: ผล 33.3% ของ Step 5 Preview ตามหลัง GLM-5.3 ที่ 41.9% ขณะที่ GPT-6 Astra ถึง 57.9% บ่งชี้ว่า Step 5 Preview แข่งขันได้ในงานวิศวกรรมซอฟต์แวร์ที่เน้นรีโพซิทอรี แต่ความได้เปรียบสัมพัทธ์ไม่ได้ขยายอย่างสม่ำเสมอไปยังการดำเนินการผ่านเทอร์มินัลและการดีบักที่ซับซ้อน
GPQA Diamond 93.5% 91.7% 93.5% 96.1% Humanity’s Last Exam 46.5% 42.3% 46.9% 54.7% AA-LCR v1.1 88.3% 79.7% 88.7% 80.7% CritPt 20.9% 19.1% 23.4% 31.7%
Step 5 Preview ได้ 93.5% บน GPQA Diamond เท่ากับ Kimi K3 และตามหลัง GPT-6 Astra ที่ 96.1% บน AA-LCR v1.1 ผล 88.3% ต่ำกว่า Kimi K3 ที่ 88.7% เล็กน้อย และสูงกว่า GPT-6 Astra ที่ 80.7% นอกจากนี้ยังตามหลัง Kimi K3 และ GPT-6 Astra บน Humanity's Last Exam และ CritPt ผลลัพธ์บ่งชี้ถึงความสามารถแข่งขันด้านความรู้และการให้เหตุผลบริบทยาว โดยมีจุดแข็งสัมพัทธ์ที่แตกต่างไปตามงาน
งานวิจัยการเงินเป็นหนึ่งในพื้นที่ใช้งานที่โดดเด่นที่สุดของ Step 5 Preview โมเดลถูกออกแบบให้ผสานการให้เหตุผลเชิงปริมาณ การดึงพยานหลักฐาน และการวิเคราะห์แบบมีโครงสร้าง ความสามารถเหล่านี้สัมพันธ์อย่างยิ่งกับการประเมินมูลค่า การตีความเอกสารการเงิน และงานวิจัยการลงทุน
StepFun แนะนำ FinStepBench เพื่อประเมินงานวิจัยการเงินในหลายขั้น ตั้งแต่การรวบรวมข้อมูลไปจนถึงสร้างข้อสรุปที่สามารถป้องกันได้
FrontierFinance 66.4 62.6 64.1 55.0 69.7 FinStepBench LiveSearch 74.5 70.9 73.3 74.5 76.2 FinStepBench CorporateValuation 60.6 60.6 56.1 77.3 69.7 FinStepBench DeepResearch 55.8 48.9 53.3 45.0 59.1
คะแนนสูงหมายถึงประสิทธิภาพเบนช์มาร์กที่แข็งแกร่งกว่า FinStepBench พัฒนาโดย StepFun ดังนั้นการตรวจสอบอิสระจึงสำคัญเป็นพิเศษ
Step 5 Preview ทำได้ 66.4% บน FrontierFinance สูงกว่า Kimi K3, GLM-5.3 และ GPT-6 Astra ภายใต้การตั้งค่าที่รายงาน อย่างไรก็ดี Claude Opus 5 ยังคงนำที่ 69.7%
ผล FinStepBench DeepResearch น่าจับตาเป็นพิเศษ Step 5 Preview ได้ 55.8% เทียบกับ 48.9% ของ Kimi K3 และ 53.3% ของ GLM-5.3 บ่งชี้ว่าโมเดลอาจเหมาะกับเวิร์กโฟลว์วิจัยการเงินที่ต้องอาศัยการดึงข้อมูล การสังเคราะห์ และการวิเคราะห์ยืดเยื้อ
คะแนน CorporateValuation ให้ภาพที่ซับซ้อนกว่า ที่ 60.6% Step 5 Preview ตามหลัง GPT-6 Astra ที่ 77.3% อย่างมีนัยสำคัญ ดังนั้นไม่ควรถือว่า Step 5 Preview เหนือกว่าในงานวิเคราะห์การเงินโดยทั่วไป อันดับสัมพัทธ์ของมันแข็งแกร่งกว่าใน DeepResearch มากกว่าใน CorporateValuation สนับสนุนการประเมินรายงานเฉพาะงานแทนการอ้างอิงความเหนือกว่าด้านการเงินในวงกว้าง
สำหรับการใช้งานผลิตจริง เอาต์พุตด้านการเงินยังต้องมีการตรวจสอบการคำนวณอย่างเป็นอิสระ สมมติฐานที่บันทึกไว้ และหลักฐานสนับสนุนที่ตรวจสอบย้อนกลับได้
Step 5 Preview vs Other AI Models Step 5 Preview แข่งขันกับทางเลือกแบบ Hosted และบริการ Frontier ที่เป็น Proprietary ผลลัพธ์เบนช์มาร์กช่วยระบุโมเดลผู้เข้าชิง; การเข้าถึง API การรองรับอินพุต การควบคุมการปรับใช้ และต้นทุนเชิงงานจริง เป็นตัวกำหนดว่าโมเดลใดเหมาะกับการใช้งานผลิต
Step 5 Preview มีเช็คพอยต์ MoE แบบ sparse 600B/27B ที่มีเอกสารและตัวเลือกโฮสต์น้ำหนักเอง สำหรับทางเลือกอื่น ความพร้อมของน้ำหนัก จำนวนพารามิเตอร์ เพดานคอนเท็กซ์ และอินพุตที่ยอมรับ ขึ้นอยู่กับโมเดลและ endpoint เบนช์มาร์กที่เผยแพร่ช่วยสร้างรายชื่อสั้น; งานเขียนโค้ดและวิจัยที่เป็นตัวแทนเผยให้เห็นพฤติกรรมของแต่ละบริการในการใช้งานจริง
Step 5 Preview vs Kimi K3 Step 5 Preview ทำได้ดีกว่าเล็กน้อยบน DeepSWE v1.1, ProgramBench และ FrontierFinance Kimi K3 ยังคงแข่งขันได้ในการให้เหตุผลและการประเมินทางเทคนิคบางรายการ ความแตกต่างเชิงปฏิบัติไม่ได้เกี่ยวกับความฉลาดที่เหนือกว่าอย่างชัดเจน แต่เกี่ยวกับต้นทุน เงื่อนไขการให้บริการ และความน่าเชื่อถือเฉพาะงานที่นักพัฒนามี
Step 5 Preview vs GLM-5.3 Step 5 Preview นำหน้า GLM-5.3 ในการประเมินหลายรายการด้านการเงินและการพัฒนาซอฟต์แวร์ อย่างไรก็ดีคะแนนที่แข็งแกร่งกว่าของ GLM-5.3 บน Terminal-Bench v4 บ่งชี้ความได้เปรียบในงานที่รายงานซึ่งเน้นเทอร์มินัล สำหรับเอเจนต์เขียนโค้ด ควรเปรียบเทียบการแก้ไขรีโพซิทอรีที่สำเร็จ ข้อผิดพลาดการเรียกเครื่องมือ เวลาในการดำเนินการ และความถูกต้องของแพตช์ มากกว่าพึ่งคะแนนรวมเดียว
Step 5 Preview vs GPT-6 Astraและ Claude Opus 5 โมเดล Frontier แบบ Proprietary โดยทั่วไปทำได้ดีกว่าบนเบนช์มาร์กวิศวกรรมซอฟต์แวร์ที่ยากที่สุด เสน่ห์หลักของ Step 5 Preview คือเข้าใกล้ความสามารถแข่งขันบนเวิร์กโหลดที่เลือก พร้อมตัวเลือกน้ำหนักโมเดลแบบเปิดและราคาที่เข้าถึงได้ของ API
เลือกโมเดลระดับพรีเมียมเมื่อค่าความล้มเหลวสูงและความแม่นยำที่เพิ่มขึ้นต่อภารกิจคุ้มกับค่าใช้จ่ายเพิ่มเติม พิจารณา Step 5 Preview เมื่อราคา การควบคุมการปรับใช้ และการดำเนินการเอเจนต์ซ้ำมีน้ำหนักมากกว่า
How Much Does Step 5 Preview API Cost? คุณค่าของ Step 5 Preview ขึ้นอยู่กับทั้งความสามารถในงานและต้นทุนการดำเนินงาน เวิร์กโฟลว์เอเจนต์อาจมีการเรียกหลายครั้ง การดึงเอกสารซ้ำ และการลองใหม่ ดังนั้นราคาต่อโทเค็นที่ต่ำจะช่วยได้ก็ต่อเมื่อโมเดลทำงานสำเร็จอย่างน่าเชื่อถือ ต้นทุนต่อภารกิจที่สำเร็จสมบูรณ์เป็นตัวชี้วัดที่มีประโยชน์ควบคู่กับอัตราราคาด้านล่าง
API Availability and Token Pricing สแน็ปช็อตวันที่ 19 ตุลาคม 2026 นี้เปรียบเทียบ อัตราราคา API เนทีฟของ StepFun กับอัตรา CometAPI ที่เชื่อมโยงในส่วนเปรียบเทียบโมเดล ราคาทั้งหมดเป็นดอลลาร์สหรัฐต่อหนึ่งล้านโทเค็น แต่ละบริการมีเงื่อนไขการเรียกเก็บเงิน แคช และ endpoint ต่างกัน; “not listed” หมายถึงแหล่งข้อมูลของบทความนี้ไม่มีอัตราสำหรับอินพุตที่แคช
Step 5 Preview StepFun native API step-5-preview $1.00 $0.10 $2.70 Kimi K3 CometAPI kimi-k3 $2.40 Not listed $12.00 GLM-5.3 CometAPI glm-5.3 $1.12 Not listed $3.53 GPT-6 Astra CometAPI gpt-6-astra $8.00 (short-context tier) Not listed $40.00 (short-context tier) Claude Opus 5 CometAPI claude-opus-5 $4.00 Not listed $20.00
ระดับ short-context ของ GPT-6 Astra ใช้ได้ถึง 272,000 โทเค็น; อัตราระยะยาวที่อ้างถึงคือ $16 สำหรับอินพุตและ $60 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็น อัตราที่ระบุไม่รวมเครื่องมือ การลองใหม่ และโครงสร้างพื้นฐาน ความพร้อมของ Step 5 Preview ผ่าน CometAPI ไม่ได้รับการยืนยันโดยการเปรียบเทียบนี้; ตัวอย่าง Step 5 Preview ด้านล่างใช้ Endpoint เนทีฟของ StepFun
อัตราอินพุตที่โดนแคชต่ำกว่าราคาอินพุตไม่แคช 90% ราคาสำหรับอินพุตไม่แคชรวมการเขียนเนื้อหาใหม่ลงแคช ขณะที่การคิดราคาเอาต์พุตรวมทั้งโทเค็นการให้เหตุผลและคำตอบสุดท้าย ข้อความพรอมต์ที่ซ้ำจะได้อัตราต่ำกว่าก็ต่อเมื่อบริการรายงานการโดนแคชที่เข้าเงื่อนไข; ความยาวคำตอบที่มองเห็นเพียงอย่างเดียวต่ำกว่าจำนวนเอาต์พุตที่คิดราคา
Example Cost Calculations คำขอวิเคราะห์สั้น 10K 0 5K $0.0235 เวิร์กโฟลว์เขียนโค้ดกลาง 100K 0 20K $0.154 คำขอเอเจนต์ซ้ำ 10K 90K 20K $0.073 การวิเคราะห์เอกสารขนาดใหญ่ 500K 0 30K $0.581 เวิร์กโฟลว์คอนเท็กซ์ยาวที่แคช 100K 400K 50K $0.275
สูตรคำนวณต้นทุน: C = (Tu × Pu + Tc × Pc + To × Po) / 1,000,000 โดย Tu/Tc/To คือจำนวนโทเค็นอินพุตไม่แคช อินพุตที่แคช และเอาต์พุตที่คิดราคา ตามลำดับ และ Pu/Pc/Po คือราคาแต่ละประเภทต่อหนึ่งล้านโทเค็น
พิจารณาคำขอของ StepFun สองรายการที่มีอินพุต 100,000 โทเค็นและเอาต์พุตที่คิดราคา 20,000 โทเค็นเท่ากัน:
Cache miss: อินพุต 100,000 โทเค็นทั้งหมดไม่แคช ต้นทุน = (100,000 × $1.00 + 20,000 × $2.70) / 1,000,000 = $0.154
Cache hit: อินพุต 90,000 โทเค็นเข้าอัตราแคช และ 10,000 โทเค็นยังไม่แคช ต้นทุน = (10,000 × $1.00 + 90,000 × $0.10 + 20,000 × $2.70) / 1,000,000 = $0.073
ตัวอย่างที่โดนแคชช่วยประหยัด $0.081 หรือประมาณ 52.6% โดยมีปริมาณอินพุตและเอาต์พุตเท่ากัน การประหยัดขึ้นอยู่กับการโดนแคชที่เข้าเงื่อนไขซึ่งบริการรายงาน ตัวอย่างทั้งสองไม่รวมเครื่องมือภายนอก การลองใหม่ และต้นทุนโครงสร้างพื้นฐาน
ราคาโทเค็นเพียงอย่างเดียวไม่ได้กำหนดโมเดลที่คุ้มค่าสุด เอเจนต์ที่ต้องลองใหม่หลายครั้งอาจแพงกว่าโมเดลที่มีราคาสูงกว่าแต่สำเร็จตั้งแต่ครั้งแรก เพื่อการเปรียบเทียบที่เชื่อถือได้ ใช้ต้นทุนต่อภารกิจที่สำเร็จควบคู่กับราคาโทเค็น
Is Step 5 Preview Open Source, and Can It Run Locally? StepFun เผยแพร่น้ำหนักโมเดลดาวน์โหลดได้ผ่านคลัง Hugging Face อย่างเป็นทางการ โดยมีรุ่น FP8, BF16 และ NVFP4 ให้ใช้งาน ณ วันที่ 19 ตุลาคม 2026 การเข้าถึงน้ำหนักช่วยให้ปรับใช้เองได้ แต่ไม่ได้ทำให้โมเดลเทียบเท่ากับโมเดล dense ขนาดเล็กในแง่ความต้องการหน่วยความจำ
ไฟล์ที่มีให้รวมเช็คพอยต์ Step 5 Preview รุ่น BF16 และรุ่น NVFP4
คำศัพท์มีความสำคัญ: Step 5 Preview มีน้ำหนักโมเดลแบบเปิดภายใต้ StepFun Model License 1.0 ใบอนุญาตระบุข้อกำหนดการให้เครดิตเฉพาะโมเดลและเงื่อนไขใบอนุญาตเชิงพาณิชย์ โปรดประเมินเงื่อนไขเหล่านั้นสำหรับการใช้งานและการเผยแพร่ที่คุณวางแผนก่อนปรับใช้
Local Deployment Requirements
FP8 กับ vLLM: 4 × NVIDIA B300 หรือ 8 × NVIDIA H200 ให้บริการ OpenAI-compatible API
BF16 กับ vLLM: 8 × NVIDIA B300 หรือ 16 × NVIDIA H200 ให้บริการ OpenAI-compatible API
FP8 กับ SGLang: 4 × NVIDIA B300 ให้บริการ OpenAI-compatible API; FP8 กับ Transformers: 8 × NVIDIA H200 สำหรับการสร้างแบบออฟไลน์
นี่เป็นการตั้งค่าอ้างอิง ไม่ใช่การรับประกันขั้นต่ำสำหรับทุกเช็คพอยต์ รันไทม์ ความยาวคอนเท็กซ์ หรือการตั้งค่าความขนาน การเปิดใช้งานแบบ sparse ลดการคำนวณ แต่การจัดเก็บน้ำหนักผู้เชี่ยวชาญและหน่วยความจำ KV cache ยังเป็นข้อพิจารณาหลัก
โมเดล 600B ยังนำเสนอความท้าทายเกินกว่าความจุหน่วยความจำ รวมถึงการสื่อสารข้ามหลาย GPU ความเข้ากันได้ของเฟรมเวิร์ก การโหลดเช็คพอยต์ และอัตราทะลุผ่านสำหรับคอนเท็กซ์ยาว สำหรับทีมที่ไม่มีคลัสเตอร์ GPU ขนาดใหญ่ Hosted API มักเป็นจุดเริ่มต้นที่ใช้งานจริงมากกว่า
How Can Developers Use the Step 5 Preview API? StepFun รองรับอินเทอร์เฟซ Chat Completions ที่เข้ากันได้กับ OpenAI ตั้งค่า STEPFUN_API_KEY ในสภาพแวดล้อมก่อนรันตัวอย่าง Python ต่อไปนี้; max_tokens จำกัดเอาต์พุตที่สร้างในคำขอนี้ ใช้คีย์ API และเงื่อนไขการเรียกเก็บเงินสำหรับแพลตฟอร์มภูมิภาคที่เลือก: ตัวอย่างนี้คง Endpoint api.stepfun.ai ขณะที่ราคาดอลลาร์ด้านบนมาจากแพลตฟอร์มระหว่างประเทศของ StepFun
ตัวอย่าง Python: ส่งคำขอข้อความที่มีขอบเขตไปยัง StepFun API และพิมพ์คำตอบที่ส่งคืน
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["STEPFUN_API_KEY"],
base_url="https://api.stepfun.ai/v1",
)
response = client.chat.completions.create(
model="step-5-preview",
messages=[{
"role": "user",
"content": (
"Analyze the architectural risks of migrating "
"a monolithic application into microservices."
),
}],
max_tokens=4000,
)
print(response.choices[0].message.content)
ก่อนใช้งานผลิต โปรดยืนยันพารามิเตอร์ที่ Endpoint ของ StepFun ที่เลือกยอมรับและเพดานการสร้างที่ใช้งานอยู่ การตั้งค่า reasoning effort การแคชพรอมต์ สคีมาเครื่องมือ และงบประมาณเอาต์พุต ล้วนส่งผลต่อความน่าเชื่อถือ เวลาแฝง และบิลสุดท้าย
Step 5 Preview in Agent Workflows
อ่านเอกสารรีโพซิทอรีและไฟล์ที่เกี่ยวข้อง
ระบุการเปลี่ยนแปลงที่ร้องขอและเสนอแผน
แก้ไขโค้ดที่เลือกและรันทดสอบผ่านเครื่องมือภายนอก
ตรวจสอบความล้มเหลวและปรับปรุงการนำไปใช้
จัดทำคำอธิบายขั้นสุดท้ายของการเปลี่ยนแปลงที่ตรวจสอบแล้ว
โมเดลสร้างการให้เหตุผลและคำขอเครื่องมือ; แอปพลิเคชันจัดเตรียมการเข้าถึงไฟล์จริง สภาพแวดล้อมการดำเนินการ สิทธิ์ และการตรวจสอบความปลอดภัย ความสามารถของโมเดลเพียงอย่างเดียวไม่รับประกันการดำเนินการแบบอัตโนมัติ
CometAPI มีการเข้าถึงโมเดลทางเลือกที่เชื่อมโยงด้านบนผ่านบริการอินทิเกรตแบบรวม เลือก Endpoint และรูปแบบคำขอตามเอกสารของแต่ละโมเดล จากนั้นเปรียบเทียบอัตราความสำเร็จ การใช้โทเค็น การลองใหม่ และเวลาแฝงปลายทางถึงปลายทางบนเวิร์กโหลดเดียวกัน
ตัวอย่างด้านบนใช้ Endpoint เนทีฟของ StepFun การสลับไปใช้เกตเวย์ต้องการการยืนยันความพร้อมของ Step 5 Preview และตัวระบุโมเดล Endpoint และเงื่อนไขการเรียกเก็บเงินที่เกตเวย์ระบุ
When Should You Choose Step 5 Preview?
เลือกสำหรับงานเขียนโค้ดในรีโพซิทอรีและงานวิจัยที่มีเอกสารจำนวนมากเมื่อการทดสอบตัวแทนยืนยันผลลัพธ์ที่เชื่อถือได้ คอนเท็กซ์ยาวและคะแนนที่เผยแพร่ด้านการเขียนโค้ดและการเงินทำให้เป็นผู้เข้าชิง ขณะที่ผลลัพธ์ด้านงานเทอร์มินัลและการประเมินมูลค่าแสดงเหตุผลว่าทำไมการทดสอบเฉพาะเวิร์กโหลดจึงสำคัญ
เลือก Hosted API เมื่ออยากเริ่มโดยไม่ต้องดำเนินการคลัสเตอร์ GPU ขนาดใหญ่ เปรียบเทียบต้นทุนต่อภารกิจที่ยอมรับ อัตราการโดนแคช การลองใหม่ และเวลาแฝง; หน้าต่างคอนเท็กซ์ที่ใหญ่ไม่ได้รับประกันคำตอบที่เร็วหรือค่ารวมที่ต่ำกว่า
เลือกการโฮสต์เองเมื่อการควบคุมการปรับใช้คุ้มกับภาระฮาร์ดแวร์และการปฏิบัติการ ตั้งงบสำหรับการจัดเก็บน้ำหนักผู้เชี่ยวชาญทั้งหมด KV cache การสื่อสารหลาย GPU และข้อกำหนดใบอนุญาต สำหรับงานการเงินหรือวิศวกรรมที่มีนัยสำคัญ ให้รวมการตรวจแหล่งที่มา การตรวจจับข้อผิดพลาด และการทบทวนโดยมนุษย์
FAQ
How should you choose Step 5 Preview’s reasoning effort? เริ่มด้วยชุดงานตัวแทนขนาดเล็กและเปรียบเทียบค่า low, medium, และ high โดยใช้เกณฑ์การยอมรับเดียวกัน บันทึกความถูกต้อง เอาต์พุตที่คิดราคา เวลาแฝง และความล้มเหลวของเครื่องมือ ใช้การตั้งค่าที่ต่ำที่สุดที่ผ่านเกณฑ์คุณภาพอย่างสม่ำเสมอ; คะแนน High ที่เผยแพร่ไม่ได้ทำนายพฤติกรรมของ low หรือ medium ปฏิบัติตามคู่มือการตั้งค่า reasoning และกำหนด reasoning_effort อย่างชัดเจนบน Chat Completions เมื่อเปรียบเทียบการตั้งค่า
Why can a Step 5 Preview request stop before 64k output tokens? เพดานที่ระบุเป็นค่าสูงสุด ไม่ใช่ความยาวเป้าหมาย คำขออาจหยุดก่อนเพราะถึงงบประมาณ max_tokens แล้ว หยุดตามธรรมชาติ หรือสร้างการเรียกเครื่องมือที่แอปพลิเคชันต้องจัดการ ตรวจสอบเหตุผลการสิ้นสุดที่ส่งคืนและคำขอเครื่องมือก่อนการลองใหม่อัตโนมัติ คำตอบที่สั้นลงที่เสร็จสมบูรณ์ไม่ได้บ่งชี้ความล้มเหลวของหน้าต่างคอนเท็กซ์
เริ่มด้วยคลิปสั้นที่เป็นตัวแทนและคำถามที่สามารถตรวจสอบคำตอบได้ ข้อกำหนดอินพุตวิดีโอของ Hosted API รองรับวิดีโอผ่าน URL, Base64 หรืออ้างอิง stepfile; รูปแบบที่ระบุประกอบด้วย MP4, QuickTime และ Matroska สำหรับอินพุตแบบ URL เอกสารระบุไฟล์ MP4 เดี่ยวขนาดไม่เกิน 128 MB และแนะนำความยาวไม่เกินห้านาที ยืนยันขีดจำกัดรูปแบบและขนาดก่อนแบตช์ และทดสอบคำถามเชิงเวลาเช่นเดียวกับการจดจำเฟรมเดียว
Which metrics reveal Step 5 Preview’s real agent cost? วัดภารกิจที่ยอมรับทั้งหมด โทเค็นอินพุตและเอาต์พุตทั้งหมดตลอดทุกเทิร์น อัตราโดนแคช การลองใหม่ ค่าบริการเครื่องมือภายนอก และเวลาที่ผ่านไป แบ่งต้นทุนการทำงานรวมด้วยจำนวนภารกิจที่สำเร็จ โดยคงเกณฑ์ความสำเร็จเหมือนกันระหว่างโมเดล สิ่งนี้สะท้อนผลทางเศรษฐกิจของการเรียกที่ถูกกว่าซึ่งต้องลองหลายครั้ง หรือการตั้งค่าการให้เหตุผลที่สูงขึ้นซึ่งลดความล้มเหลวถัดไป
Conclusion Step 5 Preview ควรค่าแก่การประเมินเมื่อแอปพลิเคชันต้องการการประมวลผลคอนเท็กซ์ยาว การใช้เครื่องมือซ้ำ หรือการควบคุมการปรับใช้โมเดล ผลลัพธ์ที่ StepFun เผยแพร่ทำให้เป็นผู้เข้าชิงสำหรับงานเขียนโค้ดในรีโพซิทอรีและงานวิจัยการเงิน ขณะที่ Terminal-Bench v4 และ CorporateValuation แสดงพื้นที่ที่ทางเลือกที่ระบุได้คะแนนสูงกว่า เปรียบเทียบโมเดลโดยใช้เกณฑ์การยอมรับคงที่ ต้นทุนต่อภารกิจที่ยอมรับ และเวลาแฝงตั้งแต่ต้นจนจบ สำหรับการโฮสต์เอง รวมต้นทุนโครงสร้างพื้นฐานและข้อกำหนดใบอนุญาตในการตัดสินใจ
มีคลัง FP8, BF16 และ NVFP4 อย่างเป็นทางการ
การปรับใช้ภายใน vLLM, SGLang, Transformers
ใบอนุญาตโมเดล StepFun Model License 1.0
