StepFun veröffentlicht Step 5 Preview als Open-Weights-MoE-Modell mit 600 Milliarden Parametern

StepFun, ein chinesisches Startup für künstliche Intelligenz, hat sein Sprachmodell Step 5 Preview als offene Gewichte veröffentlicht. Seit dem 17. Oktober 2026 stehen Checkpoints in den Präzisionsformaten FP8 und BF16 zum Download auf Hugging Face und ModelScope bereit.

Das Modell basiert auf einem dünn besetzten Mixture-of-Experts-(MoE-)Design. Insgesamt umfasst es 600 Milliarden Parameter, doch für jeden einzelnen Token werden nur 27 Milliarden aktiviert. Step 5 Preview unterstützt außerdem ein Kontextfenster von 1 Million Token.

Für langfristige Agenten entwickelt

StepFun beschreibt das Modell als speziell für langfristige agentische Aufgaben konzipiert. Solche Aufgaben erfordern, dass ein KI-System Werkzeuge aufruft, Zwischenergebnisse im Blick behält und über lange, mehrstufige Arbeitsabläufe hinweg kohärent bleibt. Das große Kontextfenster soll es dem Modell ermöglichen, umfangreiche Dokumente oder lange Interaktionsverläufe gleichzeitig zu berücksichtigen.

In einer MoE-Architektur läuft für jede Eingabe nur ein Teil spezialisierter Teilnetze. So kann ein Modell mit sehr großer Gesamtkapazität den Rechenaufwand für die Inferenz auf dem Niveau eines deutlich kleineren Dense-Modells halten. Ein FP8-Checkpoint neben der BF16-Version senkt zudem den Speicherbedarf für den Betrieb.

Ein weiterer Eintrag im Rennen um offene Modelle

Der Zusatz „Preview“ deutet darauf hin, dass es sich nicht um eine finale Version handelt. Die verfügbaren Informationen enthalten weder einen Zeitplan für eine vollständige Version noch detaillierte Benchmark-Vergleiche. Aussagen darüber, wie sich das Modell gegenüber Konkurrenten schlägt, müssen daher unabhängig überprüft werden.

Das in Shanghai ansässige StepFun gehört zu mehreren chinesischen Startups, die große Sprachmodelle entwickeln. Die Veröffentlichung von Modellen auf Spitzenniveau mit offenen Gewichten ist unter chinesischen KI-Entwicklern zu einer verbreiteten Strategie geworden. Forscher und Unternehmen können die Systeme so auf eigener Infrastruktur betreiben und anpassen, statt sich allein auf gehostete APIs zu verlassen.