想做 Agent 编程又怕账单失控？Step 5 Preview 放出 600B 参数，终端任务却还输给 GLM-5.3 的 41.9 2. 1M 上下文加视频输入都给了：Step 5 Preview 能不能替你现在的编程 Agent 干活，先看它输掉的那两项 3. 官方榜单里它赢 Kimi K3、输 Claude Opus 5：Step 5 Preview 该在什么条件下换、什么时候等（权重 10 月 15 日才开）
Step 5 Preview 是阶跃星辰 9 月 20 日发布的新旗舰：600B 总参数、每 token 激活 27B、1M token 上下文、原生支持图像和视频输入，产品和 API 已经可用，开放权重定在 10 月 15 日。对正在给编程 Agent 选底座的团队来说，它值得试，但不值得直接换掉主力——同一份官方榜单里，它在终端任务上的分数低于 GLM-5.3。
模型走稀疏 MoE 架构，输入上限 1M token、输出上限也是 1M token，单次请求最多 60 张图片，视频建议 5 分钟以内、单个 MP4 不超过 128MB；支持流式输出、工具调用、JSON Mode 与 JSON Schema，推理强度分 low/medium/high 三档，支持提示缓存，max_tokens 默认不设上限由模型自己决定。官方给它的定位是"production-scale Agent 应用"，强调编程和专业工作场景，金融方向额外做了一轮评测。
赢的部分：DeepSWE v1.1 得 67.7，高于 Kimi K3（Max）的 67.5 和 GLM-5.3（Max）的 66.9；StepCodeBench 49.0，官方称在开源权重模型里领先；ProgramBench 80.5、FrontierFinance 66.4、DRACO 83.3、GDPval-AA v2 得到 1,571。
输的部分同样清楚：DeepSWE v1.1 仍低于 GPT-6 Astra 的 74.1 和 Claude Opus 5 的 74.0；更值得注意的是 Terminal-Bench v4 只有 33.3，低于 GLM-5.3 的 41.9、Claude Opus 5 的 52.3 和 Astra 的 57.9——终端操作类任务不是它的强项。官方还自己标注了一条口径限制：HLE with tools 上它是按文本子集评测的，和其他模型的完整数据集结果不可直接比较。
在不做任何宝可梦专项优化的情况下，它连续跑了 3,000 轮以上、消耗约 600 万 token 的交互：到第 3,082 轮解锁秘技"居合斩"、拿到三枚徽章、击败了马志士，进度大约是主线流程的三分之一。官方同时给出内部与外部专家评测的说法——约 70% 的参与专家认为它能自主完成中等偏上复杂度的编码任务。这些数字都出自官方页面，未见第三方复测。
什么条件下值得切过去：
① 你的 Agent 卡在长上下文或跨文档分析上，1M 上下文和 60 张图的单请求上限是硬收益；
② 你的任务以代码修改、补测试、文档整理、报表分析为主，且在 DeepSWE/StepCodeBench 这类评测上表现接近你现有模型；
③ 你能接受先灰度再放量，并且等得起 10 月 15 日的开放权重，届时可以在自己的机器上复测而不是只信榜单。
什么情况下等：
① 你的核心场景是终端自动化、Shell 操作类任务，它在 Terminal-Bench v4 上落后 GLM-5.3 八分多；
② 你需要立刻做成本建模——价目表页目前只列了 step-3.7-flash 和 step-3.5-flash 的价格，Step 5 Preview 只写"按实际输入输出 token 计费"，没有公开单价，算不出账单；
③ 你依赖官方未标明的第三方复测结论，AA 智能指数 44 与"同等智能水平下任务成本显著更低"都是官方表述，需要自己验证。
全部规格、榜单和专项评测都来自发布方的同一份页面，没有任何第三方复测；HN 讨论帖只有 62 分 7 条评论，热度不高，意味着社区还没开始验伪；官方强调"约 70% 专家认可"但未公布样本构成；跨评测横向对比本身有官方标注的口径差。本文不采信、也不替它背书，引用数字全部标了出处，读者可自行复核。
本文判断：把它当成一个"长上下文 + 多模态"场景的候选底座，先在一到两条非终端类流水线上灰度，用你自己的任务集复测；如果你的任务高度依赖终端操作，或者你现在就需要精确的成本模型，就先别动。
你的 Agent 流水线里，是上下文长度不够用先卡住，还是工具调用稳定性先卡住？