StepFun представила Step 5 Preview: что проверить в модели для долгих агентных задач

20 сентября StepFun представила Step 5 Preview — флагманскую MoE-модель для агентной работы и профессиональных задач. Компания указывает 600 миллиардов общих параметров, 27 миллиардов активных на токен, контекст до миллиона токенов и визуальный ввод. В анонсе много benchmark-результатов, но для команды важнее другое: модель рассчитана на долгую цепочку «спланировать — выполнить — проверить — исправить», а такой режим требует более строгого контроля, чем один ответ в чате.

Что стоит за длинной задачей

Долгий агентный сценарий — это не просто большой промпт. У модели появляется история промежуточных файлов, вывод команд, результаты тестов и следы ошибок. Если она ошиблась на первом шаге, последующие действия могут уверенно развивать неверный план. Поэтому миллионный контекст не является разрешением складывать в запрос весь репозиторий, архив писем и документацию. Полезнее заранее решить, какие документы актуальны, кто отвечает за их версию и когда агент обязан остановиться.

StepFun демонстрирует работу с кодом, исследованием, визуальными артефактами и профессиональными документами. Это делает новинку интересной для разработчиков и аналитиков, но не отменяет различие между демонстрацией и рабочим процессом. Внутренний пилот должен иметь чёткий итог: например, агент собирает черновик отчёта, а не «разбирается с финансами». Чем шире цель, тем сложнее принять результат и восстановить причину ошибки.

С чего начинать проверку

Лучший первый тест — обратимая задача с независимой проверкой. Для кода это маленький изолированный репозиторий, тесты и запрет на прямой merge. Для аналитики — обезличенная таблица и заранее известные итоговые числа. Для документов — перечень обязательных полей, которые человек сверяет с оригиналом. Не меняйте одновременно модель, инструменты и задачу: иначе успешный или неудачный результат невозможно объяснить.

В рабочем журнале фиксируйте версию модели, входные документы, разрешённые инструменты, команды, созданные файлы и итог проверки. Это не бюрократия. Когда агент придумал несоответствующий вывод, команда должна увидеть, был ли источник устаревшим, вызов функции неверным или критерий готовности двусмысленным. Похожий порядок разбирается в практике журнала автоматических решений.

Инструменты требуют отдельной границы

Модель, которая умеет работать долго, не должна получать бесконечный набор действий. Сначала сервер выдаёт белый список: чтение конкретного каталога, запуск теста, поиск в утверждённой базе. Затем обычный код валидирует аргументы. Изменение инфраструктуры, отправка письма, публикация и удаление файлов должны требовать отдельного подтверждения. Право выполнить команду определяется не уверенностью модели, а политикой процесса.

Ловушка долгой сессии — считать продолжение работы признаком качества. Агент может долго двигаться в неправильном направлении или расходовать лимит, повторяя неудачный подход. Нужны бюджет шагов, лимит времени, условия остановки и контрольные точки, в которых человек принимает решение продолжать. В гайде о проверке сетевых границ агента этот принцип применён к сети; для файлов и кода он не менее важен.

Как читать сравнительные цифры

StepFun публикует результаты на инженерных, агентных и профессиональных тестах. Такие числа полезны как повод сформировать гипотезу, но не как гарантия для русского договора, вашей CI-системы или корпоративной базы. Смотрите методику, режим подсчёта, температуру и условия выполнения. Затем повторяйте сценарий на своей выборке. Для владельца процесса важнее полное время до принятого результата, число критичных правок и стоимость контроля, чем одна позиция в таблице.

Вывод

Step 5 Preview — заметный свежий релиз для задач, где ИИ должен вести длинную рабочую цепочку. Его стоит тестировать не на всём бизнесе, а на одном понятном контуре с изолированными данными, тестами и ручным стоп-краном. Длинный контекст может уменьшить количество переключений, но не заменяет актуальные источники, права доступа и проверку результата.

FAQ

Открыты ли веса уже сейчас? StepFun заявляет отдельный срок для выпуска весов; условия следует сверять перед запуском. Подходит ли модель для обычного ноутбука? Это крупная MoE-модель, практический маршрут определяется доступным API или инфраструктурой. Можно ли дать ей доступ к репозиторию? Только к изолированной копии и через белый список действий. Какой первый KPI? Доля задач, прошедших независимую проверку, а не длина сессии. Что делать при цикле? Остановить агент по бюджету и разобрать последний контрольный шаг.

Иллюстрация редакции: метафора долгой агентной работы и контрольных точек, не официальный интерфейс StepFun.