国产大模型与国产大算力，再次迎来一次极具标志性的对齐。

阶跃星辰正式开源新一代旗舰模型 Step 5 Preview，凭借稀疏 MoE 架构、600B 总参数量和 1M Token 的超长上下文，在 AI 编程、软件工程、金融等复杂任务中表现出较强能力。

几乎同一时间，首套 1024 卡华为 Atlas 950 SuperPoD 液冷超节点点亮。昇腾不仅基于 vLLM 推理引擎实现了对 Step 5 Preview 的 Day 0 支持，还通过计算、通信与调度层面的软硬协同优化，将这台「算力巨兽」的推理潜能压榨到了极致。

模型架构的极限，与物理算力的边界迎来正面相撞，一场关于「如何用国产算力托起世界级大模型」的深度实验，就此展开。

1、Step 5 Preview 实测，模型能力的边界在哪？

要理解这场合作的含金量，先要看清 Step 5 Preview 本身的份量。

由于模型已经发布一段时间，榜单成绩这里就不再赘述，总结就是两个要点： Artificial Analysis Intelligence Index（AA 智能指数）拿到 44 分；单任务成本为 Claude Opus 5 的 1/8。

而且，Step 5 Preview 的总参数仅有 600B，对比 DeepSeek V4-Pro 的 1.6T、Kimi K3 的 2.8T，体量尤为克制。但模型依然做到既支持 1M Token 的超长上下文窗口，也支持多模态输入，在规模、成本与上下文之间找到了一个平衡点。

正如官方博客中所描述，Step 5 Preview 在同样成本下获得更强智能，也让同等能力以更低成本投入实际工作，进一步推动 AI 模型的帕累托前沿。

这种平衡，主要来自模型架构上的设计。

Step 5 Preview 采用了全新的 Sparse Attention 结构：先通过 Indexer 筛选出相关 Token，再只在选中范围内计算 Self Attention；同时以 Region（8 个 Token）为单位压缩 Indexer Key，从而缓解 Index 阶段的计算瓶颈。

这就好比大群开会，如果每个人都发言，信息量一定爆表，也抓不住重点。更合理的方式是每 8 个人分成一组，每组写一条摘要，每个人只看这些小组摘要，快速挑出跟自己最相关的几个组，再只进这几个组里细聊。

这种设计可以明显降低长上下文场景下注意力与索引阶段的计算量，从而提升推理效率，减少单位任务的计算开销。

但这只是理想状态，一些新的疑问是，这样的检索方式是否会影响结果精度，以及，稀疏化省下来的计算，是否真的能兑现为端到端的效率与成本优势？

能力具体如何，我们也给它来了场实战。

既然 Step 5 Preview 把「长程任务」和「金融场景」作为核心卖点，那长达 335 页的 Anthropic 招股书，正好是一块合适的试金石。

第一个任务，考验查账能力。

我们让模型去提取财报里的核心数据。但这个表格里藏着坑，有两列挨着的数字，年份都叫「2025」，但一个是全年总结，一个是半年小结。

普通 AI 为了追求速度，往往会采用「压缩扫描」的模式（技术叫 Sparse GQA）。遇到这种高度相似的数据，它很可能一眼扫过去，就有可能张冠李戴。

提示词如下：你面前是 Anthropic, PBC 的 S-1 招股书网页版全文。请找到包含营收（Revenue）与利润（Income/Loss from operations 或 Net income/loss） 的核心财务数据表格。然后完成以下任务：

提取最近一个完整财年的营收和经营利润（或净亏损）数字。

提取最近一个中期期间（如截至 2026 年 9 月 30 日止九个月）的营收和经营利润（或净亏损）数字。

对上述每一个数字，输出它在表格中的行标签原文和列标题原文。

明确指出：表格中是否存在语义相近但归属不同期间的相邻列或相邻行（例如“2026 年前九个月”与“2025 年前九个月”并排）？如果有，你是如何区分你取的数字属于哪个期间的？

如果你在表格中发现了脚注标记（如 (1)、(2) 或 *），请说明该脚注是否改变了你所取数字的口径。

输出格式：

最近完整财年营收： / 行标签： / 列标题：

最近完整财年经营利润（或净亏损）： / 行标签： / 列标题：

最近中期营收： / 行标签： / 列标题：

最近中期经营利润（或净亏损）： / 行标签： / 列标题：

相邻竞争项说明：

Step 5 Preview 思考了 6 分钟后，给出了准确的数据，并且在数据说明中给出了非常详尽的解答。

同样的提示词我还丢给了 GLM-5.3，以及最新的 Kimi-3.1 Pro。

三个模型回答对比如下：

⬆️ Step 5 Preview，耗时6分钟，消耗 37.68积分

⬆️ GLM-5.3，耗时2分36秒，消耗39.54积分

⬆️ Kimi-3.1 Pro，耗时3分03秒，消耗36.58积分

GLM-5.3 和 Kimi-3.1 Pro 的思考用时极短，分别仅为 2 分 36 秒和 3 分 03 秒；但在积分消耗上，GLM-5.3 最高（39.54），Kimi-3.1 Pro 最低（36.58），而耗时最长的 Step 5 Preview 则为 37.68，在额度消耗上差距并不明显。

但从答卷风格来看，三个模型特点各异。Step 5 Preview 的回答极为详尽，甚至把 HTML 表头的列宽跨度和底层的映射逻辑都掰开揉碎。这与 Kimi-3.1 Pro 极度克制、干净利落的简洁回答形成了鲜明对比。

我也仔细扒了这三个模型的思考过程。Step 5 Preview 和 GLM-5.3 的思路高度一致：面对巨型网页，它们都选择了「暴力破解」，将文件下载到本地，并自主编写 Python 脚本来解析 HTML 表格。尤其值得一提的是 Step 5 Preview，它的执行思路非常缜密，步步为营；相比之下，Kimi-3.1 Pro 并未过多透露它的解题路径。

所以，如果你只想要个准确、直接的答案，前两种模型明显更快；但如果你面临的是需要绝对数据溯源、或者需要生成自动化代码的复杂工程任务，Step 5 Preview 这种不惜笔墨、死磕底层的「工程极客」特质，就是它最深的护城河。

具体可以用在哪，我也让三个模型根据财报输出了一个可视化网页，强调「设计一个控制滑动条，可以控制『假设公司明年营收增长 10%、20%、30%』。滑动条拖动时，网页上会自动计算出对应的「预计净利润」，并且画一个简单的柱状图。」

三个模型的「作业」分别如下：

⬆️ Step 5 Preview，耗时2分24秒，消耗23.55积分

⬆️ GLM-5.3，耗时7分40秒，消耗65.2积分

⬆️ Kimi-3.1 Pro，耗时7分55秒，消耗74.41积分

差异非常直观。Kimi 还是保持一贯的极简主义，GLM 交出了一份结构清晰的咨询高管研报；而 Step 5 Preview，交出了一个真正可以用于金融投研的量化测算系统。

另一个点是，三张图都在强调「419 亿不是真烧钱，主要是 SAFE 公允价值变动」。但在 Step 5 Preview 的答案里，它精确地分离了「经营亏损（-8.06 亿）」和「净亏损」，并做了极度详细的底层假设备注。

重点是，三张图消耗积分分别为 23.55（Step 5 Preview）、65.2（GLM-5.3）、74.41（Kimi-3.1 Pro），Step 5 Preview 在积分消耗最少的情况下，用时只有 2 分钟，其它两家模型都需要 7 分钟，显然这一局，Step 5 Preview 在效果、耗时和成本上都占了优势。

毕竟在极短时间内，凭空捏出一个动态交互流畅、信息量惊人且财务模型极其严密的工具，没有顶级的工程代码能力是绝对做不到的。

2、前沿模型的野心，需要怎样的算力底座？

如今的旗舰大模型，虽然架构各异，但走向落地的底层逻辑殊途同归。

无论是阶跃星辰的稀疏 MoE、Kimi 的超长文本，还是各类主打多模态、Agent 的模型，它们都在试图打破「参数规模」和「上下文长度」的天花板。然而，再精妙的模型架构，到了推理落地阶段，都会转化为对内存带宽、通信延迟和算力调度的极致要求。

尤其是在长上下文、多模态和 Agent 场景下，传统的集群算力往往会被通信瓶颈卡住脖子。

还是以 Step 5 Preview 为例，它是稀疏 MoE 架构，总参数 600B，但每个 Token 只激活 27B，权重很多，计算时却要在不同卡之间来回传数据，通信压力很大。

另外，1M Token 的上下文会产生很大的 KV Cache，需要很大的内存空间和很高的内存带宽，否则模型会频繁等数据。

所以它需要的算力补给是，大统一内存、低延迟卡间通信与精细化调度能力。

昇腾 950 的解法，是先在物理架构上把 1024 张卡压成一个「域」，让模型看到的是一台逻辑上的超级计算机。

然后在软件层，再来打通三个具体卡点。

一是计算层，减少碎片化操作。把 Indexer 的打分、TopK、排序等小步骤合并成更少的算子，减少反复调度；用 FP8 量化压缩权重，同时尽量保持精度。

二是在通信层，减少重复流量和等待。同一个 Token 被同一台服务器上多个专家选中时，只向远端发一份，再在本地分发；结果归并时用双缓冲，一边收上一批结果，一边处理下一批，减少空等。

三是调度层，让计算和数据搬运重叠。让上千张卡的计算和数据传输尽量接上，多 Token 预测时主模型和辅助模型交替执行，中间少留空档，避免卡在等待上。

硬件决定了能力上限，软件决定了这些能力能被用上多少。是实现 Day 0 适配 Step 5 Preview、并在千卡规模跑出高效率的关键。

3、国产大模型与大算力，完成双向奔赴

Step 5 Preview 与昇腾 950 超节点的协同，只是国产软硬生态咬合的一个切面。把视线从这一个案例上移开，你会发现这条「双向奔赴」的路径上早已挤满了同行者。

在模型这一侧，昇腾超节点 Day 0 适配的名单远不止 Step 5 Preview。

DeepSeek V4 发布即获得昇腾超节点系列全面支持；蚂蚁百灵大模型 Ling-2.6-flash 开源后与昇腾 910 全系列产品完成适配。

而在更广的国产芯片阵营里，沐曦自 2025 年 12 月以来已完成 43 个主流旗舰模型的 Day 0 适配，覆盖智谱、阿里千问、MiniMax、DeepSeek、阶跃星辰、腾讯混元等头部厂商。Step 5 Preview 开源当天，华为、沐曦、壁仞、摩尔线程四家芯片厂同步宣布 Day 0 支持。

这种「模型开源、算力秒接」的节奏，正在从个例变成常态。

在算力这一侧，超节点本身也早已不是昇腾的独角戏。

同期与 Step 5 Preview 实现 Day 0 部署支持的，还有沐曦股份、壁仞科技、海光信息、昆仑芯和摩尔线程等国产算力厂商，虽然切入路径不同，但思路都是从硬件算力、软件栈到推理框架做到全链路优化。

把这两条线叠在一起，看到的就不只是「谁适配了谁」的流水账，而是一条正在被主动修筑的生态路径。

长期以来，全球 AI 产业的软硬协同默认以 CUDA 为起点，模型的首发优化、算子库的迭代、开发者的使用习惯，都被锁在单一的生态框架里。

国产大模型主动选择昇腾等国产算力底座，本质上是在用规模化的真实负载，去喂养一套原本缺少「模型样本」的软件栈。

IDC 数据显示，2025 年中国 AI 加速卡市场中国产厂商的出货占比已攀升至 41%，这个数字背后，正是这种双向磨合在一点点兑现为市场份额。

Step 5 Preview 恰好站在这条路径的加速段上。权重开放和硬件适配同步发生后，国产 AI 的竞争单元已不是单颗芯片或单个模型，而是「模型-算子-框架-超节点」这条链路的整体咬合效率。

届时，国产大算力与国产大模型将真正形成一个互为杠杆的「生态飞轮」，顶尖的算力底座为模型提供狂奔的物理沙盘，而前沿的模型则用真实的极限负载反哺算力底座进化，这种模型与算力的深度耦合，构成国产 AI 产业全栈闭环的硬核底气。