El veredicto en un minuto
Llevo varios años poniendo IA en colas de soporte en vivo, así que leo cada lanzamiento de modelo igual: no "¿es bonito el benchmark?", sino "¿podría darle un trabajo real mañana?". En esa prueba, Step 5 resulta ser una preview sólida y una compra débil, y la brecha entre ambas es toda la reseña.
Aquí está la tabla de puntuación antes del detalle.
| Qué evalué | Mi lectura | Nota |
|---|---|---|
| Precio por inteligencia | Lo mejor del nivel económico | 9/10 |
| Contexto largo (1M) | Una fortaleza real y utilizable | 9/10 |
| Calidad de programación | A la par de los abiertos, por detrás de la frontera cerrada | 7/10 |
| Credibilidad de los benchmarks | Autoevaluados, sin paper, una prueba casera | 4/10 |
| Disponibilidad | Solo API, pesos sin publicar | 5/10 |
| Listo para un trabajo real | Es un motor, no un empleado | 4/10 |
Si te quedas con una sola línea: la historia del precio es legítima, la de los benchmarks necesita ejecuciones independientes, y "modelo económico" y "producto terminado" no son la misma compra.
Qué es realmente StepFun Step 5 Preview
StepFun (阶跃星辰) es un laboratorio de Shanghái que lleva un par de años lanzando la familia "Step" en texto, visión y audio, con una buena presencia de pesos abiertos en Hugging Face. Step 5 Preview es su nuevo modelo insignia, descrito en la página del producto como un modelo de frontera "for complex work and agentic tasks", con fuerte inclinación hacia la ingeniería de software y las finanzas.
El marco al que StepFun vuelve una y otra vez es "advancing the Pareto frontier", la línea de los mejores equilibrios posibles entre inteligencia y dinero. Su propio gráfico de lanzamiento lo dice claramente: igualar al nivel abierto más económico en inteligencia y superarlo en costo.
Fíjate en la afirmación incluida en ese gráfico: un 65 % menos de costo que GLM-5.3 y Kimi K3 con un nivel de inteligencia comparable. Es un gráfico del proveedor, así que lo leo como el planteamiento y no como el veredicto, pero al menos es un planteamiento coherente.
La arquitectura: 600B en total, 27B activos
La especificación principal en la que todos se fijaron es la forma del modelo: 600B de parámetros totales, 27B activos por token, según la página del producto. Es un diseño de mezcla de expertos dispersa, y es toda la historia del costo en un solo número.
En un modelo denso, cada parámetro se ejecuta para cada token. En un modelo de mezcla de expertos, un pequeño enrutador elige un puñado de subredes "expertas" por token, de modo que solo se activa una parte del modelo. Step 5 mantiene en memoria unos 600B de tamaño frontera pero solo enciende 27B a la vez, por eso StepFun puede ponerle precio como a un modelo de gama media.
No todos creen que las cuentas le salgan a favor a Step 5. La cantidad de parámetros activos salió rápido en Hacker News:
"600b-a27b doesn't sound enticing. Also with the higher number of active parameters compared to GLM 5.3 flash and DeepSeek V4/4.1 flash, I don't see how they want to be more efficient at inference."
Es un reto justo. 27B activos es más que algunos niveles "flash" rivales, así que la ganancia de eficiencia se refiere realmente a la inteligencia por parámetro activo, no al número de parámetros activos por sí solo. Es justo el tipo de cosa que resolverán los benchmarks de inferencia independientes, y no los gráficos de StepFun.
Es un modelo de razonamiento, con un control reasoning_effort que se ajusta a low, medium o high. Más esfuerzo significa una traza de pensamiento interna más larga, y como los tokens de salida se facturan incluyendo esa traza, el esfuerzo es un dial directo de costo. Ten presente esto, importa en la sección de precios.
Precios: la parte que realmente me gustó
El precio es lo más fácil de que guste en este lanzamiento. De la página de precios de StepFun, por 1M de tokens:
| Unidad de facturación | Entrada (fallo de caché) | Entrada (acierto de caché) | Salida |
|---|---|---|---|
step-5-preview | $1,00 | $0,05 | $2,70 |
step-3.7-flash (como referencia) | $0,20 | $0,04 | $1,15 |
El descuento del 95 % por acierto de caché en la entrada es lo más destacado, y es muy importante para cargas de trabajo agénticas que reenvían un prompt de sistema grande y mayormente estático en cada paso. La salida a $2,70 cubre tanto la traza de razonamiento como la respuesta final, así que una ejecución locuaz de alto esfuerzo cuesta dinero de verdad.
Como es fácil subestimar ese costo de salida más razonamiento, aquí tienes un estimador rápido donde puedes poner tus propias cifras.
También hay un nivel V0 gratuito para probar (5 de concurrencia, 10 solicitudes por minuto), con límites de tasa que escalan según cuánto hayas recargado. En precio puro por token, es una de las mejores ofertas de la clase de modelos de razonamiento ahora mismo. Juega en el mismo rango de presupuesto que DeepSeek V4 Flash y no en el nivel premium, y supera en precio a la mayor parte.
Benchmarks, y la salvedad que domina esta reseña
StepFun publicó una comparación completa contra pares abiertos (Kimi K3, GLM-5.3) y la frontera cerrada (GPT-6 Astra, Claude Opus 5). Esta es su forma, con todas las cifras de la propia página del producto de StepFun.
| Benchmark | Step 5 Preview | Kimi K3 | GLM-5.3 | GPT-6 Astra | Claude Opus 5 |
|---|---|---|---|---|---|
| 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 |
| FrontierFinance | 66.4 | 62.6 | 64.1 | 55.0 | 69.7 |
La lectura es consistente: Step 5 está a la par de los otros modelos abiertos líderes y por detrás de los mejores modelos cerrados en calidad bruta de programación, mientras gana en costo. Se queda más atrás de Claude Opus 5 en las pruebas de programación difíciles. Las finanzas son lo que más destaca, donde supera ligeramente a los pares abiertos y vence a GPT-6 Astra. Su propio radar de StepCodeBench cuenta la misma historia frente al nivel abierto.
Ahora la salvedad, y es la razón por la que mi nota de credibilidad de benchmarks es un 4. Cada número de arriba es autorreportado, todavía no hay informe técnico ni paper, y StepCodeBench es el benchmark propio de StepFun (553 repositorios, 33 lenguajes). Un modelo tiende a verse bien en la prueba que diseñó su propio equipo. La comunidad señaló rápido los puntos más débiles, sobre todo la verbosidad:
"Based on the examples, it's like the thing took a writing class from Claude, but isn't quite as smart, kind of worst of both worlds. The 'Interactive Reporting' one is particularly terrible. A huge amount of waffly padding around a thesis that may or may not exist."
Y un comentarista notó que la demo de lanzamiento se delataba sola, justo el tipo de cosa que me hace querer ejecutar mis propias evaluaciones antes de confiar en un gráfico de lanzamiento:
"In their first demo video, to make a 3D render of the photo, the thinking trace gives away the game [...] I'm always astounded how little effort is put into checking the AI answers displayed in these announcements."
Nada de eso hace de Step 5 un mal modelo. Lo hace un modelo sin probar, que es otra cosa. La respuesta correcta es simularlo con tu propia carga de trabajo en lugar de creer el gráfico de lanzamiento al pie de la letra, y ese instinto se aplica igual a cómo deberías confiar en cualquier IA en la atención al cliente.
Dónde brilla: contexto largo y finanzas
Dos fortalezas se sostuvieron en todo lo que leí. El contexto de 1M de tokens es la especificación en la que más me apoyaría. Alcanza para meter una base de código completa, un trimestre de transcripciones de soporte o una pila de PDF en una sola llamada y pedir razonamiento entre documentos. En lo multimodal puedes pasar hasta 60 imágenes por solicitud más video corto, aunque la salida es solo texto.
StepFun también apuesta fuerte por la historia de la programación. Afirma que Step 5 puede ir "from software engineering and visual applications to programmable hardware", y que en evaluaciones de expertos cerca del 70 % de los participantes lo juzgó capaz de resolver de forma autónoma tareas de programación de complejidad moderadamente alta, según su página del producto. Hay una integración con Claude Code a través de "Step Plan" que expone el contexto completo de 1M, un buen lugar para encontrarse con los desarrolladores. El resultado en finanzas de FrontierFinance es el único benchmark donde claramente lidera el grupo, incluidos los modelos cerrados.
Pros y contras
Resumo la reseña en las dos listas que realmente uso para decidir si probar algo:
Lo bueno
- El mejor precio por inteligencia del nivel económico, a $1,00 / $2,70 por 1M de tokens.
- Un contexto real de 1M de tokens, no una cifra de marketing limitada en la práctica a 128k.
- Un descuento del 95 % por acierto de caché que premia las cargas agénticas con prompts repetidos.
- Posicionamiento honesto: dice "el mejor del nivel económico", no "superamos a la frontera".
- Un lanzamiento de pesos abiertos en la hoja de ruta, con un precedente de Apache 2.0 de la línea Flash.
Lo que me da pausa
- Cada benchmark es autorreportado, sin informe técnico y con una prueba casera.
- La comunidad percibe una salida verbosa, que infla en silencio la factura de tokens de salida.
- 27B activos es más que algunos niveles flash rivales, así que la ganancia de eficiencia sigue sin resolverse.
- Solo API hoy; los pesos que hacen interesante el planteamiento "abierto" no han llegado.
- Es un modelo en bruto, así que el trabajo de convertirlo en producto es enteramente tuyo.
Para quién es Step 5 y quién debería esperar
Aquí es donde termino. Si eres un desarrollador o un laboratorio que quiere un modelo capaz, económico y de contexto largo sobre el que construir, sobre todo para programación, finanzas o investigación con grandes conjuntos de documentos, Step 5 Preview merece una prueba real. La historia del precio por inteligencia es legítimamente buena, y la promesa de pesos abiertos lo hace aún más interesante.
Si esperas un modelo consolidado y probado, espera. Es una preview, los benchmarks son autoevaluados, y la primera lectura de la comunidad es "prometedor pero verboso y sin probar". Incluso un comentarista amistoso expresó el patrón con suavidad:
"The previous Step models were pretty decent, but unfortunately for them, their model reasons too much and too long [...] Hopefully this doesn't reason too long to get to the answer. I welcome any open model, the more the merrier."
Le daré crédito a StepFun por lo que la mayoría de los lanzamientos hacen mal, que es saber lo que son:
"Their posisitoning is nice. Instead of saying they are cheaper and a bit less performant (in terms of intelligence), they say they are best among the cheaper and a bit less performant ones."
Dónde termina un modelo en bruto y empieza un compañero
Hay un planteamiento que vale la pena rebatir, y no es culpa de StepFun, se aplica a todos los lanzamientos de modelos. Un modelo no es una solución. Step 5 Preview es un motor. Te da una API, una factura de tokens y capacidad en bruto. Convertir eso en algo que responda a tus clientes significa que tú construyes la app, conectas tus datos, escribes las salvaguardas y te encargas del mantenimiento.
Esa brecha es la razón por la que existe eesel. En lugar de un modelo en bruto, contratas a un compañero listo para trabajar en una tarea específica. El compañero de IA para el helpdesk se une a tu cola actual, se entrena con tus tickets pasados y tu centro de ayuda, y redacta o envía respuestas dentro del helpdesk que ya usas, ya sea Zendesk, Freshdesk o Gorgias. El precio es una tarifa fija por resolución sin cargo por puesto, así que el costo se ajusta al trabajo hecho y no a los tokens quemados.
Lo que más me importa, dado el problema de los benchmarks autorreportados que vimos arriba, es que puedes simular al compañero con miles de tus propios tickets pasados antes de que toque a un cliente en vivo, para ver su tasa real de resolución con tu carga de trabajo en lugar del gráfico de un proveedor. Y si prefieres manejarlo desde una terminal en lugar de un panel, eesel incluye una CLI real y un servidor MCP para que agentes de programación como Claude Code puedan operar directamente al mismo compañero. Los modelos nuevos como Step 5 son infraestructura emocionante. Un compañero es lo que realmente se presenta al turno. Puedes probar eesel gratis.