StepFun 展示 Step 5 Preview 在 NVIDIA GB300 上的推理性能

核心亮点

本期值得关注的是：StepFun 展示 Step 5 Preview 在 NVIDIA GB300 上的推理性能。StepFun 表示 Step 5 Preview 在 NVIDIA GB300 上推理表现出色，并期待看到开发者用它构建的应用。其转发的 NVIDIA 内容称该模型是 StepFun 最大的代码公开可免费使用权重发布，600B 混合专家(MoE) 架构，可处理最长 24 小时的 智能体 任务，在 GB300 上用 NVFP4 达到近 8K tokens/sec/GPU，提供 NVFP4 checkpoint（https://huggingface.co/stepfun-ai/Step-5-Preview-NVFP4），并支持 SGLang、vAI 模型、NeMo Automodel 后训练和 NVIDIA NIM 一键部署

具体事件经过

具体而言，StepFun 表示 Step 5 Preview 在 NVIDIA GB300 上推理表现出色，并期待看到开发者用它构建的应用。其转发的 NVIDIA 内容称该模型是 StepFun 最大的代码公开可免费使用权重发布，600B 混合专家(MoE) 架构，可处理最长 24 小时的 智能体 任务，在 GB300 上用 NVFP4 达到近 8K tokens/sec/GPU，提供 NVFP4 checkpoint（https://huggingface.co/stepfun-ai/Step-5-Preview-NVFP4），并支持 SGLang、vAI 模型、NeMo Automodel 后训练和 NVIDIA NIM 一键部署该进展体现了相关团队在模型能力上的最新动作，值得持续跟踪其后续落地与生态反馈。

技术细节

从技术规格看，该模型延续了当前前沿的大参数总量加稀疏激活（MoE）路线，配合长上下文与多模态输入，强调在单卡或少量硬件上也能运行或微调，降低部署门槛。

与竞品对比

与同代闭源与开源模型相比，开放权重的关键价值在于可拥有性与成本可预测：团队可以自托管、按自身数据微调，并摆脱按调用计费的不确定性。代价是更大的运维责任与显存占用。

行业影响或适用场景

对构建者而言，这类模型的增量价值在于把前沿能力下沉到可控环境。建议在自有任务上做对照评测，再决定是否替换现有方案；若数据敏感或成本敏感，开放权重往往是更优解。

公允的结论是，开放权重并非赢得每一场比赛，但它赢得那些对控制力有要求的比赛；正确做法是先在你的领域基准上评测，再决定是否相信任何头条分数。