阶跃星辰Step 5预览版实测：小模型如何逼近Kimi与GLM

国外AI博主近期对一款国产大模型展开了本地化实测，主角是阶跃星辰（Step Fun AI）推出的 Step 5 预览版。这款模型的特殊之处在于——它体量远小于同类旗舰，却在权威评测平台 Artificial Analysis 的排名中冲到了 Kimi K3 之前，与 Grok、GLM 仅一步之遥。这篇实测视频记录了它在本地推理、多模态理解、代码生成以及逻辑推理上的真实表现，也暴露了预览版仍有的诸多短板。

排名亮眼：小体量挑战万亿参数模型

据博主展示，在 Artificial Analysis 的榜单中，Step 5 的预览版智能分数达到 44 分，超过了拥有约 2.8 万亿参数的 Kimi K3，也压过了 GLM，仅次于 Astra 与 Opus 5 这类顶级闭源模型。博主特别强调，这只是 preview（预览）版本，而非完整发布版，且模型体量比竞品小得多。

阶跃星辰背后有阿里巴巴的重磅投资，被称为「中国最大规模的 AI 融资轮」之一，与通义千问^广告（Qwen）团队同属阿里生态。博主用「先前发布采用 Apache 2 许可」来暗示其开源友好的传统，但也坦言这次的 Step 5 预览版授权情况尚不明确。

你可能没注意到，模型仅在发布当天开放了约一小时便被下架，官方计划在下月正式推出。这也意味着博主拿到的版本可能存在 bug，且官方并未同步释放完整的推理代码，测试结果需谨慎看待。

Artificial Analysis是一个专注于大模型综合性能评测的第三方平台，其「智能分数」（Intelligence Score）综合了模型在推理、编码、数学、知识问答等多个基准测试上的表现，试图给出一个横向可比的单一指标。该平台同时也会测量推理速度、上下文窗口和价格等维度，是开发者选型时常用的参考来源。需要注意的是，任何单一评测平台的排名都存在选题偏差，Artificial Analysis的分数与实际业务场景表现之间可能存在落差，博主对Step 5的实测结果也印证了评测分数与具体任务能力并不总是一一对应。

本地部署：Q4量化下的内存与速度

博主主要运行 Q4 量化版本，此时内存占用约为 315 GiB，生成速度大约每秒 20 tokens。为了对比不同精度的效果，他还尝试了 Q5、Q6 等更高量化版本，部分复杂任务在 Q4 下会频繁触发运行时错误，需要提高量化精度才能稳定输出。

模型支持多档思考模式——官方提供 low、medium、high 三级，博主还自行加入了「禁用思考」模式并验证其可用。他特别提到，Step 5 并非「暴力思考型」模型，不像某些版本会耗费 15 万 tokens、长时间推理才收敛。为此他甚至做了一个「立即回答」按钮，能在思考过程中强制中断并直接出结果。

由于官方随后放出了旧版推理代码，博主对其做了适配，这也是他反复强调「结果仅供参考」的原因。

量化（Quantization）是将模型权重从高精度浮点数（如FP16/BF16）压缩为低比特整数的技术。Q4表示每个权重用4位整数表示，相比原始FP16可将内存占用压缩约4倍，代价是精度略有损失。Q5、Q6则依次保留更多精度位数，内存占用随之增加但输出质量更稳定——这也是博主在FPS射击游戏等复杂任务中需要从Q4升至Q5才能稳定输出的原因。315 GiB的内存需求意味着即便是Q4版本，也需要配备多张高显存GPU或专业推理服务器才能本地运行，远超普通消费级硬件上限。

多模态与代码生成：亮点与翻车并存

Step 5 的一大卖点是多模态能力。博主给它一张猫的图片，它能准确识别出「橘色虎斑猫」，并据此生成 Three.js 版本的 3D 模型——尽管效果一般，但据称比 DeepSeek^广告 V4 的同类生成要好。它还能把猫图转成体素（voxel）风格，带有会动的尾巴。

在代码生成上，测试项目相当丰富：

• 3D 太阳系：基础但可用，行星光照正常；
• FPS 射击游戏：Q4 下报错频繁，升到 Q5 后可一次成型输出 2.3 万 tokens，含红色关卡顶盖与走廊，可向敌人射击；
• 修改现有代码：给通义千问写的太阳系代码加入飞船和激光，效果被博主评价为「相当史诗」，成功炸毁太阳和行星，但碰撞检测不完美；
• 写实人脸渲染：即便在 Q1/Q4 极限量化下也能生成可随机化五官的人脸，被称为「对量化版本来说非常聪明」。

生产力应用是另一个惊喜。博主让它生成了 Blender、iMovie、Photoshop、MS Word 等应用的网页版原型：Blender 版本可旋转和添加立方体、导入建筑模型；iMovie 版本带时间轴，可添加标题、调整透明度并播放闪烁效果；Word 版本支持字号调整、加粗和分层。博主认为，这类基于 canvas 的网页应用与网站控件正是该模型的强项。

不过短板同样明显：GTA 风格城市生成中道路会直接开进建筑，城市结构过于单一；卡丁车赛车在 Q4 高思考模式下生成质量「很糟糕」；Final Fantasy、超级马里奥等项目基本失败；3D 人体解剖生成把心脏放错了位置，博主直接提醒「医疗信息别信」。

Three.js是一个基于WebGL的JavaScript 3D图形库，允许开发者在浏览器中创建和渲染交互式3D场景，无需额外插件。体素（Voxel）则是三维空间中类似像素的最小单元，常见于《我的世界》等游戏风格，由大量立方体堆砌构成。博主选择这两类任务作为测试项，是因为它们能直观展示模型对三维空间关系的理解能力，以及将自然语言描述转化为可运行代码的能力——这对大模型而言兼具创意理解和代码生成两个层面的挑战，是衡量多模态与编程能力融合程度的有效指标。

逻辑推理：表现意外扎实

在逻辑与陷阱题测试中，Step 5 的表现反而稳定。它正确解答了「8 个橙子 4 个孩子」的平均分配问题，没有被「刀」这个干扰项带偏；面对经典的「外科医生是男孩的父亲」陷阱题，它没有落入「外科医生一定是母亲」的训练偏见；数学题在 high 思考模式下也给出了「必须是偶数」的正确答案。

博主推测，这类推理题或许正是它在 Artificial Analysis 上拿高分的原因所在。编程细节题上则各有胜负：C++ 标准 vector、Swift 基础字符串函数处理得当，但 WinRT 相关题目即使高思考模式也答错。安全机制方面，模型会拒绝生成核武器相关代码，输入直接被判定为无效。

结语：值得期待的下一步

博主的整体评价是审慎乐观的。他坦言不太理解 Step 5 preview 是如何在榜单上「击败 Kimi K3」的，认为 Kimi 在某些生成任务上或许更强，也怀疑是否与自己适配的推理代码有关。但他强调一个关键事实：如果一款仅需约 300 GiB 内存的 Q4 量化模型，真能在正式版中做到接近 Grok 4.6 和 Kimi K3 的水平，那将「非常非常令人兴奋」。

截至测试时，Step 5 尚未上架 Hugging Face，无法公开下载，官方预计下月正式发布。对于关注国产开源大模型、尤其是想在本地部署高性价比模型的开发者来说，这是一款值得持续跟踪的产品。