No dia 15 de outubro, a StepFun (阶跃星辰, em chinês) publicou no Hugging Face os pesos do seu modelo principal, o Step 5 Preview, cumprindo a promessa feita no lançamento de 20 de setembro: abertura oficial em 15 de outubro. O repositório reúne por ora dois conjuntos principais de pesos, FP8 e BF16, além de um repositório NVFP4 criado em 14 de outubro. Os três foram atualizados na manhã de hoje.
O que diz o model card
O Step 5 Preview usa uma arquitetura MoE esparsa, com cerca de 600 bilhões de parâmetros no total (os metadados dos arquivos de pesos indicam 604B) e aproximadamente 27 bilhões de parâmetros ativados por token. A janela de contexto chega a 1 milhão de tokens, e a saída máxima também é indicada em 1 milhão de tokens; a entrada aceita texto e imagens, e a saída é texto. O model card resume o posicionamento em uma única frase:
“Step 5 Preview is StepFun's flagship model for agentic work.”
(O Step 5 Preview é o modelo principal da StepFun para tarefas de agentes.)
A licença é a StepFun Model License 1.0, criada pela própria empresa, que a descreve como “no estilo Apache-2.0”, mas com exigência de atribuição e condições de autorização para uso comercial. A partir de que escala o uso comercial exige pedido separado não está dito no resumo do model card; é preciso consultar o texto integral da licença.
Os resultados de benchmark aparecem no model card apenas como gráficos, cobrindo programação, tarefas de agentes, trabalho de conhecimento profissional e finanças; o texto não traz números item a item. O model card informa que as notas foram medidas no nível de raciocínio High e que, no GDPval-AA, os dados citados são os da Artificial Analysis até 20 de setembro. Do lado de terceiros, o índice de inteligência composto da Artificial Analysis atribui 44 pontos ao modelo, o que o coloca entre os três primeiros dos modelos de código aberto.
O que isso significa para as equipes na China
A informação mais prática desta abertura é a tabela de implantação do model card:
| Framework | Precisão | Hardware |
|---|---|---|
| vLLM / SGLang | FP8 | 1 servidor B300 (4 GPUs) ou 1 servidor H200 (8 GPUs) |
| vLLM | BF16 | 1 servidor B300 (8 GPUs) ou 2 servidores H200 (16 GPUs) |
| Transformers (offline) | FP8 | 1 servidor H200 (8 GPUs) |
Para as empresas chinesas, a B300 é praticamente inalcançável, e o fornecimento de H200 para a China também teve idas e vindas neste ano; o caminho viável costuma ser, portanto, rodar FP8 em 8 GPUs H200. A tabela de implantação do model card lista apenas a H200 e a B300 da Nvidia; se as placas aceleradoras nacionais conseguem rodar o modelo e quanto desempenho se perde, a StepFun ainda não apresentou uma solução oficial.
O model card também alerta para dois pontos em que é fácil tropeçar. O primeiro: em requisições longas de 1 milhão de tokens, mesmo nas configurações da tabela acima, o cache KV pode não caber na memória. O segundo: acrescentar o parâmetro --dtype bfloat16 aos pesos FP8 não converte os pesos quantizados de volta para BF16; para rodar em BF16, é preciso baixar o conjunto de pesos BF16. O fluxo de carregamento de shards BF16 com o Transformers está marcado oficialmente como ainda não totalmente validado.
Uma conta rápida: em FP8, só os pesos de 600 bilhões de parâmetros ocupam cerca de 600 GB, enquanto 8 GPUs H200 de 141 GB somam aproximadamente 1,1 TB de memória, e o restante fica para o cache KV. Para quem quer rodar a versão completa no próprio data center, o ponto de partida é justamente um servidor assim.
Os 25 dias entre o lançamento e a abertura
No lançamento de 20 de setembro, a StepFun destacou o custo: a empresa afirma que o custo por tarefa do Step 5 Preview é cerca de um oitavo do Claude Opus 5. Depois disso, o modelo foi disponibilizado primeiro pelos produtos e pela API da própria StepFun e, no início de outubro, chegou ao primeiro lugar mundial no ranking Trending do OpenRouter.
Com os pesos publicados, a pergunta deixa de ser “a API é boa?” e passa a ser “vale a pena implantar por conta própria?”. Se a comunidade vai produzir rapidamente versões de baixa precisão em bits, como GGUF, que permitam rodar em uma única máquina ou em pequenos clusters, é o que decidirá quantas equipes pequenas e médias esta abertura alcança. A StepFun publicou ao mesmo tempo um blog técnico; até que ponto detalhes como a escala dos dados de treinamento e a receita de aprendizado por reforço foram divulgados ainda depende de a comunidade conferir item por item.
Fontes: model card da StepFun no Hugging Face, CocoLoop, STAR Market Daily, iFanr; escala de parâmetros, hardware de implantação e termos da licença seguem o model card, e a pontuação do índice de inteligência segue o critério da Artificial Analysis.