El 15 de octubre, StepFun (阶跃星辰 en chino) subió a Hugging Face los pesos de su modelo insignia, Step 5 Preview, y cumplió así lo prometido en el lanzamiento del 20 de septiembre: apertura oficial el 15 de octubre. El repositorio contiene por ahora dos conjuntos principales de pesos, FP8 y BF16, además de un repositorio NVFP4 creado el 14 de octubre. Los tres se actualizaron esta mañana.
Qué dice la tarjeta del modelo
Step 5 Preview tiene una arquitectura MoE dispersa con unos 600.000 millones de parámetros en total (los metadatos de los archivos de pesos indican 604B) y activa alrededor de 27.000 millones por token. La ventana de contexto llega a 1 millón de tokens, y la salida máxima también figura como 1 millón de tokens; admite texto e imágenes como entrada y genera texto. La tarjeta del modelo define su posicionamiento en una sola frase:
«Step 5 Preview is StepFun's flagship model for agentic work.»
(Step 5 Preview es el modelo insignia de StepFun para tareas de agentes.)
La licencia es la StepFun Model License 1.0, propia de la empresa, que la presenta como «de estilo Apache-2.0», pero con requisito de atribución y condiciones de autorización para el uso comercial. A partir de qué escala hay que solicitar una autorización específica no se indica en el resumen de la tarjeta del modelo; hay que consultar el texto completo de la licencia.
Los resultados de los benchmarks aparecen en la tarjeta del modelo solo como gráficos, y abarcan programación, tareas de agentes, trabajo de conocimiento profesional y finanzas; el texto no da cifras por prueba. La tarjeta precisa que las puntuaciones se midieron en el nivel de razonamiento High y que, en GDPval-AA, se cita el dato de Artificial Analysis a fecha de 20 de septiembre. Desde el lado de terceros, el índice de inteligencia compuesto de Artificial Analysis le otorga 44 puntos, lo que lo sitúa entre los tres primeros modelos de código abierto.
Qué significa para los equipos en China
El dato más práctico de esta apertura es la tabla de despliegue que ofrece la tarjeta del modelo:
| Framework | Precisión | Hardware |
|---|---|---|
| vLLM / SGLang | FP8 | 1 servidor B300 (4 GPU) o 1 servidor H200 (8 GPU) |
| vLLM | BF16 | 1 servidor B300 (8 GPU) o 2 servidores H200 (16 GPU) |
| Transformers (sin conexión) | FP8 | 1 servidor H200 (8 GPU) |
Para las empresas chinas, las B300 son prácticamente inaccesibles, y el suministro de H200 a China también ha sido accidentado este año, de modo que la ruta realista suele ser FP8 sobre 8 GPU H200. La tabla de despliegue de la tarjeta solo enumera las H200 y B300 de Nvidia; si se pueden adaptar aceleradoras nacionales y cuánto rendimiento se pierde, StepFun aún no ha ofrecido una solución oficial.
La tarjeta del modelo advierte además de dos trampas habituales. La primera: con peticiones largas de 1 millón de tokens, incluso con las configuraciones de la tabla anterior puede que la caché KV no quepa en memoria. La segunda: añadir el parámetro --dtype bfloat16 a los pesos FP8 no convierte los pesos cuantizados de vuelta a BF16; para ejecutar en BF16 hay que descargar el conjunto de pesos BF16. El flujo de carga de fragmentos BF16 con Transformers figura oficialmente como aún no verificado por completo.
Un cálculo rápido: en FP8, solo los pesos de 600.000 millones de parámetros ocupan unos 600 GB, mientras que 8 GPU H200 de 141 GB suman en torno a 1,1 TB de memoria, y el resto queda para la caché KV. Para los equipos que quieran ejecutar la versión completa en su propio centro de datos, el punto de partida es precisamente un servidor así.
Los 25 días entre el lanzamiento y la apertura
En el lanzamiento del 20 de septiembre, StepFun puso el foco en el coste: la compañía afirma que el coste por tarea de Step 5 Preview es aproximadamente una octava parte del de Claude Opus 5. Después se abrió primero a través de los productos y la API de StepFun y, a principios de octubre, llegó al primer puesto mundial en la lista Trending de OpenRouter.
Con los pesos publicados, la pregunta pasa de «¿es buena la API?» a «¿compensa desplegarlo por cuenta propia?». Que la comunidad saque pronto versiones de baja precisión en bits, como GGUF, que permitan ejecutarlo en una sola máquina o en clústeres pequeños, determinará a cuántos equipos pequeños y medianos llega esta apertura. StepFun publicó a la vez un blog técnico; hasta dónde llegan detalles como la escala de los datos de entrenamiento o la receta de aprendizaje por refuerzo es algo que la comunidad tendrá que contrastar punto por punto.
Fuentes: tarjeta del modelo de StepFun en Hugging Face, CocoLoop, STAR Market Daily, iFanr; la escala de parámetros, el hardware de despliegue y los términos de la licencia se rigen por la tarjeta del modelo, y las puntuaciones del índice de inteligencia, por el criterio de Artificial Analysis.