阶跃星辰把一款面向长程智能体任务的旗舰级稀疏 MoE 模型，直接以开放权重的方式放了出来。

发生了什么

StepFun 发布 Step 5 Preview，并选择开放权重而非仅提供 API。根据公开信息，这是一款稀疏混合专家（MoE）模型，总参数 600B，每个 token 激活约 27B，上下文窗口最高可达 100 万 token。FP8 与 BF16 两种精度的 checkpoint 已同步上线 Hugging Face 与 ModelScope。官方将其定位为面向「长程智能体工作」（long-horizon agentic work）的模型。

为什么重要

这组参数组合本身就说明了产品取向。600B 总参数保证容量，27B 激活控制单次推理成本，这是当前头部开源 MoE 的主流思路：用大容量换能力上限，用稀疏激活换可部署性。真正值得注意的是 1M 上下文与「长程智能体」的绑定——智能体任务的特点是步骤多、状态长、工具调用频繁，上下文长度直接决定它能否在单次会话里维持任务连贯性，而不是靠外部记忆拼接。

另一个信号是开放权重本身。旗舰级模型以 FP8/BF16 双精度开放，意味着团队愿意让开发者做本地部署、微调和私有化集成，而不只是把模型锁在自家 API 后面。对国内开源生态而言，600B 级别的开放权重模型并不多见，这会直接抬高「可用开源基座」的参数天花板。

影响与看点

对开发者来说，最现实的问题不是能力而是成本：600B 总参数的权重文件对显存和存储的要求很高，FP8 checkpoint 的存在正是为了降低这一门槛，但真正跑起来仍需要多卡环境，中小团队更可能走量化或云端推理路线。

对行业而言，值得观察的有三点：一是 1M 上下文在真实智能体任务中的有效长度，长上下文「名义支持」和「实际可用」之间往往有差距；二是 27B 激活量在工具调用、多步规划上的表现，能否支撑起「长程」这个定位；三是开放权重会催生怎样的微调与垂直场景适配。

一句判断：这次发布的核心竞争力不在参数规模，而在「长上下文 + 智能体定位 + 开放权重」这个组合——它把竞争焦点从跑分拉到了可部署的长任务能力上。