正文：
step-5-preview 版本表现：
- 总分（综合准确率）：71.2%
- 平均耗时（单次调用）：42s
- 平均 Token（单次调用消耗）：3192
- 平均花费（每千次调用成本）：61元
1、新旧对决
对比 step-3.7-flash，step-5-preview 在本次评测中呈现出“综合提分、大幅提速、成本上涨”的整体特征。在八个细分评测维度中，六项指标实现上涨，但 Agent 与工具调用、推理与数学计算两项出现了不同程度的回调。
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
- 综合总分提升 4.0 个百分点：综合准确率由 67.2% 攀升至 71.2%，在 ReLE 当前综合榜单中的排位由第 62 位升至第 39 位。
- 法律与语言指令提升显著：法律与行政公务从 69.0% 提升至 84.7%（+15.7 个百分点），语言与指令遵从从 57.2% 提升至 69.5%（+12.3 个百分点），是本轮升级中增幅最为突出的两个领域。
- 代码、医疗与教育稳步改善：Coding 板块由 58.9% 提升至 68.7%（+9.8 个百分点），医疗与心理健康由 80.8% 提升至 86.8%（+6.0 个百分点），教育场景由 54.7% 提升至 60.6%（+5.9 个百分点）。金融板块由 76.1% 升至 79.0%，小幅提高 2.9 个百分点。
- Agent 与工具调用出现回调：该板块准确率由 69.9% 降至 58.1%，下滑 11.8 个百分点；推理与数学计算由 78.0% 微降至 77.0%（-1.0 个百分点）。综合总分的上涨并不意味着全场景能力的无差别提升，对于强依赖工具调用与工作流编排的业务，升级时建议针对性复测。
- 响应速度大幅缩短：平均推理耗时由 183s 压缩至 42s，用时减少 141s，降幅达 77.0%；单次平均 Token 消耗由 5190 降至 3192，缩减约 38.5%。响应延时与 Token 消耗的同步下降，体现出模型在思维链冗余控制和生成效率上的有效优化。
- 调用成本同步增加：API 输出价格由 8.1 元调整为 20.0 元/百万 Token，涨幅达 146.9%；每千次实际调用花费从 40.6 元升至 61 元，增加 20.4 元，涨幅为 50.2%。
2、横向对比
step-5-preview 的千次调用成本为 61 元，平均耗时为 42s。结合当前评测榜单，我们分别从同成本区间、同系列定位以及开源模型三个维度进行横向观察。
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
同成本档位对比
- 在 45 至 70 元/千次调用区间：kimi-k2.7-code（72.6%，49.7元，57s）与 deepseek-v4-pro-0424（71.7%，54.3元，65s）的综合得分分别领先 step-5-preview 1.4 和 0.5 个百分点，且成本更具优势；而在响应速度上，step-5-preview 表现更优，平均耗时分别节省了 15s 与 23s。
- 对比 mimo-v2.5-pro（71.4%，64.3元，56s）：两者总分基本持平（差距仅 0.2 个百分点），step-5-preview 的千次调用花费低 3.3 元，且耗时缩短 14s，在成本效率比和延时上略占上风。
- 对比 GLM-5 系列：与 GLM-5-Turbo（69.3%，60.8元，52s）及 GLM-5（69.0%，61.2元，130s）相比，三者调用花费相当，step-5-preview 准确率分别高出 1.9 和 2.2 个百分点，响应速度也具备明显优势。在同预算区间内，step-5-preview 展现出了较为均衡的综合性能与低延时特性。
阶跃星辰系列对比
- 对比 step-3.7-flash（67.2%，40.6元，183s）：step-5-preview（71.2%，61元，42s）在成本上升约 50% 的前提下，不仅带来了综合分数的跨越，更大幅解决了前代耗时过长（183s）的体验瓶颈。原有业务升级时，主要需权衡成本增量及工具调用维度的适配性。
- 对比更早期的 step-3.5-flash（64.0%，9.8元/千次调用，36s）：step-5-preview 总分领先 7.2 个百分点，但调用成本约为前者的 6.2 倍，平均耗时也微增 6s。
- 整体来看，三款阶跃模型定位清晰：step-5-preview 代表当前最高性能基线；step-3.5-flash 保持高成本效率比与敏捷响应；step-3.7-flash 则处于性能与开销的过渡带。业务选型需根据场景容忍度与预算综合定夺。
商用与开源模型对比
- 在商用授权层面：当前榜单中 step-5-preview 暂按商用 API 模式评估。官方已宣布计划于 2026 年 10 月 15 日正式开源模型权重，待权重发布后，社区可进一步结合实际开源协议与部署门槛进行私有化评估。
- 对标开源主流模型：开源榜单中的 deepseek-v4.1-flash（74.4%，20.7元，26s）在准确率（高 3.2 个百分点）、成本（低 40.3元）与响应耗时（快 16s）上均体现出强劲竞争力；glm-5.3-flash（74.2%，12.7元，128s）同样在得分和成本上保持优势，但耗时显著更长。
- 对标商用代表模型：gpt-6.1-sol（71.7%，19.7元，22s）综合得分领先 0.5 个百分点，且在成本与延时上更为精炼；gemini-3.7-flash（75.4%，27.8元，10s）则在综合得分、成本效益与推理耗时三项指标上均保持领先。需要指出的是，该结论基于本次中文综合基准测试，针对超长程工程任务的表现仍需在特定生产链路中专项验证。
3、官方评测
以下为阶跃星辰官方发布页（https://www.stepfun.com/step-5-preview）公布的核心基准测试结果。需要说明的是，官方测试中 Step 5 Preview 启用了 High 推理强度，对照模型设定为 Max 档位，跨厂商间具体计算预算配置存在一定差异。
软件工程
- DeepSWE v1.1 得分为 67.7，对照组 Kimi K3 为 67.5、GLM-5.3 为 66.9、GPT-6 Astra 为 74.1（该项采用 SWE-agent 框架，参数设定 temperature=1.0、top_p=0.95）。
- 官方自建 StepCodeBench 测试中，在 553 个开源代码仓库上的 avg@4 成绩为 49.0%（对照 Claude Opus 5 为 63.9%，注：avg@4 统计口径反映多轮采样均值）；ProgramBench 通过率达到 80.5%。
智能体与专业工作
- Terminal-Bench v4 得分为 33.3（低于 GLM-5.3 的 41.9）；在 Agents' Last Exam 的 ALE-CLI 子集中得分为 29.5（GPT-6 Astra 为 33.3）。
- 垂类专业测试方面，FrontierFinance 得分为 66.4，DRACO 得分为 83.3（对照 Claude Opus 5 分别为 69.7 与 87.6）。垂直领域的各基准分别聚焦特定专业能力，便于开发者按需对齐业务场景。
非线智能官网 https://nonelinear.com.cn/static/models.html 已上线 step-5-preview ，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。
快速接入代码如下：
from openai import OpenAI
client = OpenAI(
base_url="https://api.nonelinear.com.cn/v1",
api_key="YOUR_API_KEY",
)
response = client.chat.completions.create(
model="step-5-preview",
messages=[
{"role": "user", "content": "阅读以下项目材料，梳理关键结论及需要补充的证据"}
],
)
print(response.choices[0].message.content)