阶跃应该在桌上而不是桌底

「打开小桌板」 本来以为已经没人会关心阶跃，且大伙默认阶跃已经放弃和头部模型公司竞争，专心干它的AI手机和模型上车这种主要跟硬件结合的事了。

没想到在无人在意的角落，阶跃毫无预兆地发了个新模型，Step 5 Preview，号称在 Artificial Analysis 上砍了44分， 全球开源前三。

国产模型真是形势一片大好，新模型还在轮流把Opus 5当怪刷，中国模型真能飞。

不过，榜单成绩看看也就得了。我的朋友@kk 表示AA 这个权重没什么太大意义，因为把太多的问题聚拢到一个指标上，看不出来啥。

他对Step 5 Preview的体感和 Deepseek V4 Pro 大概一个水平，但与Opus 5的差距肯定不止1分。

我和咸鱼也测了几道题，在数据可视化、金融方面，Step 5 Preview表现出了比较不错的理解能力和数据获取能力。

但在一些冷门Bench上，比如让模型理解物理世界的能力等等，发现Step 5 Preview的表现并不太好，鉴定为泛化性/Context learning不太好，存在部分领域知识的运用与理解不足，没见过的工具会乱用，不懂的咋学。

另外，这款模型的思考过程太长了，导致了做长任务的时候耗时较长，遇到上下文很长的情况，叠加长思考容易中断。

@kk专门测试 Step 5 Preview 在不同难度任务上思考的长度，分析发现对输出字数有强约束的任务的思考长度异常的长，思考和输出内容的比值常常在 1:1 及以上：

通过进一步测试发现，约束条件会明显地影响最终产出率。而且代价随约束变紧而放大。模型常常在思考中反刍一/多遍它要输出的内容是否符合字数要求。

当然，在上述问题以外，阶跃这次确实也发了个至少是上桌、超出预期的模型。

请看@kk的实测，本次实测使用的Harness Claude code：

01

数据可视化 桑基图

Query：请用NVIDIA FY2026 Q2 原始财报制作利润表的桑基图（流量分解图，用宽度不等的带子表示数量的流转和分配），使用中文。

Step 5 Preview的结果如下：

这道数据可视化主要考察数据的获取、正确的信息处理和提炼，以及最终的数据可视化。

在这个例子中，信息获取需要模型找到相关财报，并从财报原文中提取利润表所涉及的数据，并根据自身对利润表的理解，将信息拆解为不同业务的营收收入与业务成本、费用和最终利润的勾稽关系，说人话就是让账能对得上。

而用 ECharts（一个开源的图表库）来制作桑基图的时候则要注意元素之间减少重叠，理清科目之间的归属和流转关系，和颜色的选取。

为了方便比较我让GPT-6 也生成了一份：

可以看出，相比 GPT-6，Step 5 Preview拆得更细，也详细列出不同类费用，而且可视化效果做得更好，其他收益净额和税前利润流向所得税造成的重叠更少，观看的逻辑更流畅。

说明国产模型对业务需求还有更强的理解能力，对图表的呈现也更好，天生的牛马打工人真的适合做PPT。

02

端到端金融分析

Query：使用https://github.com/Zacklinkk/trading_agent，帮我全维度地分析一下中国的 AI 行业。

Step 5 Preview的结果如下：

这道题因为使用了 Skill，所以主要考察模型对 Skill 的指令遵循，金融数据的获取、交叉验证和分析能力，以及最终HTML报告的呈现。

模型在搜索信息时既使用了包括国家统计局、国务院等一手数据、也去发现报告、中国报告网找了二手机构报告，最后才去证券时报、财联社等财经网站。

说明Step 5 Preview在金融数据获取的能力还是不错的，一开始没有给具体信息源和相关 key的时候，就能主动搜索权威的信息源并做交叉验证。

03

Godot游戏制作

要求模型做一款类似《向僵尸开炮》的买量小游戏，提示词太长我就不放了。

Step 5 Preview的结果如下：

这个任务主要考察模型的三种能力。

第一是游戏策划，包括游戏机制的设计、关卡难度的设计，类似于产品的 PRD；

第二是游戏资产制作能力，典型如美术资产的获取或制作，既可以去寻找开源合适的贴图或建模，也可以直接使用 Blender 进行建模以及生图的 API 进行生图；

第三个则是游戏本体的编程实现。

这个case上，Step 5 Preview的整体效果就不算太好。游戏本体的编程实现上没有什么特别大的问题，但在游戏策划和资产制作的能力上有欠缺。

编程实现上，Step 5 Preview的 Computer use 和 Browse use 能力还不错，在生成完游戏后，都会自主地去验证和调试。

但非常不好的一点是，使用 Browse use 打开网页调试结束后，不会自己关闭，下次调试时也不继续使用，又接着开新的网页。电脑后面变得很卡。

在美术资产制作上，也不会主动去找贴图，喜欢自己用 SVG 画，导致画风有些简陋。

即使让Step 5 Preview去开源渠道找，整体审美也一般，特别是俯视角看时，模型无法理解正确的空间逻辑，会出现月亮在脚底的问题。

对游戏机制的设计和理解能力也一般，应该是缺少相关的领域知识。

设计的关卡难度过难，伤害碰撞的范围过小，同时出现的敌人数量过多。而且各类属性之间没有做好关联，比如人数增加后，攻击力和攻速都没有增加。

04

前端制作-歌曲MV

Query：我想为这首歌做一个动画mv，用可视化的 HTML 前端界面去展示这首歌。这首歌是一个说唱歌曲，展现的是不断努力、不断为梦想拼搏的思路。

要随着音乐出现对应的歌词和歌词对应的景象，要用简约的线条来刻画意象。可以使用YouTube IFrame Player API。

Step 5 Preview的结果如下：

这道题主要考察的还是模型的审美能力和编程能力。

从最终实现看，没有发现Step 5 Preview编程能力有明显短板，对明确表达实现方式或给出相应参考的要求都能实现。

但审美，或者说具体表现在资产的获取和制作，和前面的游戏一样有不善于寻找可参考的开源资料的情况，初版的效果非常差。

提示去 Three.js, P5. js和D3.js寻找参考资料之后，整体质感有了些提升。

另外，前端能力强依赖于前端资产的获取和生成，仅仅训一些粒子特效算法的话，前端质量的上限不太高。

从用户侧的解法是，要先告诉模型有哪些可以获取的资产来源，或者给模型可参考的网页链接，甚至是提供可以生图的或者建模的模型 API。

从训练侧的解法是在 SFT 时增加更多使用上述方法解决问题的轨迹。

这道题目额外考察的是对于恶意指令的遵循情况。一开始是要求他直接去爬取 YouTube 上的歌曲音乐，他会以版权为由拒绝。

但在上下文较长后，安全方面的指令遵循可以被绕过。

05

产出投行报告

最后考验下Step 5 Preview一直在吹的金融能力。

我去乞讨了一份AI 产业链的投行报告，求Step 5 Preview给我分析。

Query：阅读分析给到的投行报告，把里面涉及的行业、公司的信息事实和各家观点进行整理汇总，重要的观点和事实证据、有价值的图表要重点展示；

对于里面提到的行业和公司，如果报告中没有涉及以下数据，请联网或调用工具查询，包括但不限于当前股价、市值、最新年报和季报收入、毛利、EBITDA、净利润、营运资金变化和拆解分析、CapEx变化和拆解分析，并标注这部分是搜索查询；

联网或调用工具查询公开市场/重要机构对于这些行业和公司的看法与观点，这些投行报告有哪些和市场的差异化观点。

极其复杂的一份指令，整体的完成度也较高，属于是像模像样的研报。但复杂图表还是很能看出很多问题，说明金融狗还能再苟一波。 比如以下想把三个指标在一张图里体现，但是金额出货量两个指标的量级远大于ASP。

金额	13.30 → 35.76	十亿美元
ASP	0.39 → 0.60	美分
出货量	3,386 → 5,932	十亿颗

导致ASP直接趴在地板上，啥也看不出来。正确的做法是修改下三个的单位，使得纯数字在同一个数量级。

出现了同比增长的折线丢失的问题：

图表不支持结论，也没看出海力士、美光的价格分歧在哪：

但不得不说，这份研报是能看的，汇报没啥大问题。

之前我在阶跃软的不行，主要来硬的中，主要表达了对阶跃喜欢下大棋的赞美。

我是真心相信阶跃手机出来能让这些不听话的App全部贡献自己上下文的，没想到豆包手机2.0都发出来被人喷一通，阶跃的手机竟然还不发。

那我只能合理怀疑在憋大的。

说回这次Step 5 Preview发布，总参数量 600B、激活参数27B，有视觉输入，在没有参数大跃进的情况下、以阶跃过去的技术底子，至少可以说这是一次腾讯HY4级别的发布。

HY4是在姚顺雨空降半年后发布的，腾讯混元终于挤进了大模型第一梯队的。腾讯能做到的，起码曾经辉煌过的阶跃没有理由做不到。

阶跃官方还说，Step 5 Preview 单任务成本仅为 Claude Opus 5 的 1/8。我宣布阶跃也智能白菜化了，完全可以进军送Token赛道。

当然，Step 5 Preview的发布再次证明了大模型公司是残酷的制造业，

模型的三驾马车就是数据、算法和算力，算法大家都不差，算力各凭本事搞，那变量就只剩数据了。

而数据的提升方向又被硅谷双子星标好了，搭好数据Infra、建立数据管线，乃至被数据公司爆金币这种没有任何秘密、纯执行的活。所以阶跃能干出来也是合理的。

⬇️

欢迎订阅我们的Substack funeralai.substack.com