阶跃新旗舰基座模型Step 5 Preview发布 跻身全球权威榜单开源前三
相关推荐
阶跃Step 5正式发布，10月15日开源
动察 Beating AI 快讯，阶跃星辰正式发布旗舰模型 Step 5 Preview。它采用稀疏 MoE 架构，总参数 600B，每次仅激活 27B，支持 100 万 Token 上下文和图文输入。API 和 Studio 已经全量开放，完整模型权重将在 10 月 15 日放出。 此前 Artificial Analysis 已经提前跑完评测。Step 5 Preview 在 Intelligence Index 得到 44 分，与 Kimi K3 Max 持平。AA 当前测得其输出约 100 Token/s，每项任务成本 0.71 美元；Kimi K3 Max 为 2 美元。 官方重点展示了它跑长任务的能力。阶跃让 Step 5 Preview 连续最多 24 小时自主优化一套 H100 GPU 内核。模型会自己改代码、跑测试、比较结果，再继续迭代。约 22 小时后达到 508 TFLOPS，同一实验中的 Claude Opus 5 为 493 TFLOPS。 另一项 24 小时实验里，Step 5 Preview 自己设计后训练数据，把 Qwen3-30B-A3B 在 AIME24 上的准确率从 53.3% 提到 60%，与 Claude Opus 5 持平，同时消耗更少的标注 Token。
Artificial Analysis重做智能榜：40%权重改用私有测试
动察 Beating AI 快讯，Artificial Analysis 更新 Intelligence Index v4.2，旨在让榜单更难被针对性刷分。私有测试权重从 20% 提高到 40%，模型厂商无法提前看到完整测试集，减少针对 Benchmark 专门优化的空间。 新版加入 AA-Briefcase 和 GDP.pdf。AA-Briefcase 模拟持续数周的真实知识工作项目，模型要处理大量关联任务和数千份文件。GDP.pdf 则拿 100 份、共 4592 页的专业 PDF 出题，要求模型跨文本、表格、图表和脚注找证据再回答。 GPQA Diamond 则被直接移出综合指数。这个研究生级科学问答测试已经接近饱和，GPT-6 Astra 最高达到 96.3%，Gemini 3.8 Flash 也达到 95.3%，已经很难区分最强模型。 重新计算后，Claude Fable 5.1 仍排第一，GPT-6 Astra 第二。Astra 得分 55，比 GPT-5.6 Sol 高 4 分。Artificial Analysis 还称，Astra 在同级前沿模型中用了更少的输出 Token。
阶跃Step 5偷跑：AA跑分追平Kimi K3，输出价不到1/5
动察 Beating AI 快讯，阶跃星辰还没正式官宣 Step 5，预览版已经提前出现在 Artificial Analysis。Step 5 Preview 是一款多模态推理模型，AA 标注其总参数约 600B、每次推理激活 27B，支持图片输入和 100 万 Token 上下文。 它在最新 Intelligence Index 得到 44 分，与 Kimi K3 Max 持平。Terminal-Bench 4.0 上，Step 5 Preview 得到 33%，Kimi K3 为 13%；SciCode 两者都是 59%。 Step 5 Preview 每百万输入 Token 1 美元，输出 2.7 美元；Kimi K3 分别为 3 美元和 15 美元。Step 5 的输出价格不到 K3 的五分之一，AA 跑完整套 Intelligence Index 的成本也只有 K3 的约四分之一。 阶跃星辰还没官宣 Step 5，但 AA 已经通过 StepFun API 跑完评测。参数和价格目前都还不是官方最终口径。
阶跃StepAudio 3发布：语音推理、实时对话双榜第一
动察 Beating AI 快讯，阶跃星辰发布 StepAudio 3，一口气上线 Realtime、ASR、TTS、Gen 和 Music 五款语音模型。 在 Artificial Analysis 的两项语音评测中，StepAudio 3 Realtime 都排第一。Conversational Dynamics 得分 98.9%，高于 Qwen Audio 3.0 Realtime Plus 的 98.4% 和 GPT-Realtime-2 High 的 95.3%；Speech Reasoning 得分 99.7%，同样位列第一。前者主要测模型能不能处理停顿、轮流说话、用户打断和「嗯」「对」这类附和，后者测模型能否直接听懂音频并完成推理。 ASR 也在 Artificial Analysis 非流式语音识别榜做到 1.7% WER（词错误率），与 Fun-Realtime-ASR-preview 并列第一。另外，StepAudio 3 Gen 可以一次生成人声、音效、环境声和音乐，并按场景统一编排。 五款模型目前均已进入阶跃的语音产品线。
Claude 发现加密算法弱点，对后量子安全构成理论威胁
火星财经消息，Anthropic 宣布 Claude Mythos Preview 模型在密码学研究中取得突破，发现针对后量子数字签名候选方案 HAWK 的改进攻击方法。HAWK 是 NIST 为对抗量子计算机攻击而征集的后量子签名候选方案，此前已通过两轮专家审查，但 Claude 仅用 60 小时就将 HAWK-256 的有效密钥强度从 2^64 降至 2^38，大幅降低理论破解成本。HAWK 尚未被实际部署，该攻击目前不影响任何生产系统。Claude 还发现针对 7 轮 AES 的改进攻击，速度提升 200 至 800 倍。研究过程中，Claude 在密码学家有限指导下自主完成文献综述、数学推理和实验验证。HAWK 攻击约 60 小时、API 成本约 10 万美元；AES 攻击由 Claude 自主完成，生成约 10 亿 token 后提出核心创新思路。Anthropic 研究人员随后花费数百小时验证结果。Anthropic 表示，AI 模型已能帮助发现重要密码算法缺陷，密码学界可能面临类似软件漏洞领域的瓶颈——AI 产生的研究成果远超人类验证能力。Anthropic 已与学术机构合作推出 CryptanalysisBench 基准，并与 NIST 作者及政府伙伴协调披露。研究团队已在 LEA、Serpent-128 等算法上取得初步成果。Anthropic 警告，随着 AI 能力提升，未来可能发现对已部署系统的实际攻击，需提前建立应对机制。
Grok 4.5登顶SaaS工作流评测，成本约为Claude四分之一
据动察 Beating 监测，独立评测机构 Artificial Analysis 更新 AutomationBench-AA 榜单。SpaceXAI 的 Grok 4.5 以 51.4% 得分登顶，超过 Claude Fable 5 的 48.6% 和 Claude Opus 4.8 的 48.5%。 AutomationBench-AA 基于 Zapier 的 AutomationBench，测试 AI agent 能否按企业规则完成真实 SaaS 工作流。测试集包含 657 个多步骤任务，覆盖 40 个模拟应用环境，包括 Gmail、Google Sheets、Slack、Salesforce 和 HubSpot。 评分规则很严。模型不只要把任务做完，还不能碰企业预设红线。只要某个任务触发违规，这个任务就按 0 分处理。 Grok 4.5 的原始目标完成率接近 80%，高于 Claude Fable 5 和 Claude Opus 4.8。即便被红线扣分后，它仍以 51.4% 排在第一，也是当前首个得分超过 50% 的模型。 它的成本优势更明显。Grok 4.5 每个任务成本为 0.34 美元，低于 Claude Fable 5 的 1.35 美元、Claude Opus 4.8 的 1.46 美元，以及 GPT-5.5 xhigh 的 1.28 美元。 但 Grok 4.5 不是最稳的模型。它平均每个任务触发 0.63 次违规，高于 Claude Opus 4.8 的 0.55 次和 Gemini 3.5 Flash 的 0.46 次。