大家好啊，我是甲木。
七月份的时候，我就受邀参加了「阶跃」的新品发布会。当时还发了个朋友圈，那场的主角是手机，主打端侧智能。
当时想的就是：接下来他们发的模型，大概率是冲着手机去的。
果然，不到两个月的时间，阶跃的整个模型家族果然迎来了新成员，Step 5 Preview。
不管是Coding、前端、Working 和 Agent 能力，对比上一代，都有非常大的提升。
通过官方信息我们也能看到，Step 5 Preview 的定位是「向前一步，智能效率的新一代“帕累托前沿”」
在 AA 榜单中也名列前茅，总参数600B，激活参数27B，1M上下文窗口，同样支持多模态，以更具竞争力的成本，把 Frontier Model 级能力转化为真实可交付的生产力。
拿到模型内测权限后，我直接在 WorkBuddy 的 Agent Harness 里跑的。
话不多说，直接看测评。
4 PARTS · CONTENT MAP
左右滑动
PART 01
创意前端
动画、交互与贩卖机
PART 02
视觉与 3D
客厅、轻轨、机械键盘
PART 03
真实任务
修复工程，核对材料
PART 04
慢，但较真
场景取舍与端侧判断
PART
01
先来看一批创意 Case
CREATIVE FRONTEND
CASE 01
鹈鹕骑自行车：放开工具再迭代
先来个经典测试题目：鹈鹕骑自行车。
这是第一轮交出来的效果。自行车和鹈鹕都挺像样。
第一轮是严格限制调用工具的。这一次我们放开工具，让它可以用视觉模型截图参考。
所以它自己改了 4 轮，不光加了一些插画和交互，还把第一轮截图暴露的问题都修了。总的来说，这个动画还不错。
简单的先到这儿。接下来实测 X 上特别火的效果。
CASE 02
动画短片：从逐秒脚本到播放器
第一个是 Remotion 这个是用来测它的前端以及视频生成
提示词如下所示：
PROMPT 01 · 动画短片 · 逐秒脚本与播放器
逐秒时间码：用代码渲染一条六十秒的动画短片 ← 变体自「30 秒 boss 过场逐秒时间码 + Remotion 科普片」 我要一条六十秒的动画短片，主题是「我敲下一句话之后，模型内部发生了什么」—— 从输入、拆词、注意力、逐字生成，到把答案还给我。 先写逐秒时间码的脚本：0 到 5 秒什么画面、5 到 12 秒什么画面，一直写到 60 秒。每一秒都要有内容，不许有静止的黑屏，不许用一段长动画糊过去。写完把这份脚本给我看，同时开始做。 技术要求： 用代码渲染，HTML/CSS/SVG 或者 canvas 都行，不要用 PPT 味的东西，不要插值动画硬撑时间。 在浏览器里能播：播放、暂停、逐帧步进、拖到任意时间点、循环。 如果手边有工具能导出视频文件，就导出成 MP4 一起给我；不能导出也行，那我要一个能逐帧截图、能录屏的播放器。 字幕是中文的，字卡要能一眼看清；音效用代码合成，别下载任何音频素材。 视觉上先给我两套风格各五秒的样片：一套是技术图纸感的（细线、标注、单色），一套是有点手绘温度感的。你自己挑一套做完，告诉我为什么。 最后交一份逐秒对照表：每个时间码、画面上是什么、这五秒在讲什么。再告诉我：哪几秒你做得不满意，为什么没做到你想要的效果。
从提示词到第一版交付，它花了一个多小时，成片、播放器、逐秒脚本、对照表整套交齐，整体上看效果还算可以。
CASE 03
自动贩卖机：先写规格，再做实现
下一道题：先让模型写产品规格书，再照着产品规格书做出一台能投币、会卡货、能补货的自动贩卖机。
提示词如下所示：
PROMPT 02 · 自动贩卖机 · 规格与实现
这个活分两个阶段，第一阶段只写字，不许写代码；第二阶段只按文档实现，不许改规格。中间不许跳。 第一阶段，交一份 SPEC.md 给我，把这些写死：整体美术方向（色值、字体、圆角、材质、光影）、机身和货道的几何尺寸、界面布局（每一块在屏幕的什么位置、多大）、所有机制的具体公式和数值（投币面额、每种货的价格、找零逻辑、卡货概率、卡货后连拍几次振动的概率、库存数量、冷藏温度）、动画时长、音效（每个操作什么声音、多长、用代码怎么合成）、以及明令禁止的东西（不许外链、不许下载素材、不许用第三方库）。写完先交我这份文档，别动代码。 第二阶段，严格照 SPEC 实现成单文件 HTML，双击就能玩： 投币：支持多种面额，找零要算对，零钱不足、投多了、退币都要有正确反应。 选货：货道编号可点，售罄要明确标出来。 卡货：按你 SPEC 里写的概率真卡，卡了之后拍机身有概率出货、有概率退钱、有概率彻底坏掉。 补货：我能把货补回去，库存和收益要实时能看到。 出货动画：商品从货道掉落到取货口要有重量感，不许凭空出现。 故障模式：断电、卡币、货道卡死，每种都要能手动触发，方便我看。 所有数值必须从一份外部的 JSON 配置里读，我改 JSON 就能改价格和库存，不许写死在代码里。 最后交一份「规格—实现对照表」：SPEC 里的每一条，你的实现在哪一段、有没有偏离、偏离的原因是什么。你偏离了几条，我要看到。
第一阶段阶跃模型首先先梳理完了产品规格书：
然后我再让其推进生成内容，最后生成了这么个售卖机：
它能买。投币、找零、选货、出货、退币，整套流程都能走通；哪条货道卖完了，当场标上售罄。
规格书里写下的机制，它一条条都做出来了。它交活还会逐条验收，每一条都能当场演示。
PART
02
视觉参考和 3D 建模
VISION TO 3D
CASE 04
客厅复原：从照片到 3D 场景
先看第一道：一张客厅照片，搭成能走进去的 3D 场景。
提示词如下所示：
PROMPT 03 · 客厅照片 · 三维重建
我有一张照片，是个客厅。我想请你把它变成能走进去看的三维场景。 照片我发给你了，文件名是 客厅照片.jpg。（这张图来自 Wikimedia Commons，CC BY 2.0） 我要的不是把照片贴到一块板上。要用几何体把里面的东西真的搭出来：房间的长宽高、墙和地面的边界、后面那扇推拉门的位置和尺寸、每一件家具的形状和摆放。照片没拍到的部分，比如我站的位置身后、天花板上面，你自己按合理的方式补全。 几个要求： 一、场景里至少四十个独立物件，每一件都能单独点选，点开显示它的名字和大致尺寸。 二、物件要能按类别开关显示：只看家具、只看门窗帘幕、只看摆设小物、只看灯具和光。 三、做一条时间轴，从空房间开始，按顺序把东西一件件放进去，可以拖到任意位置。 四、再做一个对比页：左边是这张照片，右边是场景，视角能和照片里的机位对上；能一键切线框，也能一键切成纯色体块，让我看清形体关系。 五、跑起来要流畅，1080p 下稳定在 60 帧，几十个物件别卡成幻灯片。整份东西不连外网也要能打开，我双击就能看。 六、交一份自检记录：你自己打开、自己截图、自己对着照片看，把不对的地方列成清单，然后改，再列一次。至少做三轮，每一轮的截图和差异清单都留着，别只给我最终版。 最后告诉我：怎么打开、物件一共多少个、哪些地方是你推断的、哪些地方你自己知道和照片对不上。
这是最终交出来的对比页：照片在左，场景在右，机位对齐。
第三轮自检它又截了一版线框的，把两边的形体关系摊开看。
同轮的实景对比。
一张照片进去，一个能走进去、也能跟照片并排比的 3D 场景出来，自己还验了三轮，该有的都有了。
CASE 05
程序化轻轨：用代码造一条线路
先看这道：程序化轻轨，空手造一条能坐进去的线路。
提示词如下所示：
PROMPT 04 · 程序化轻轨 · 代码生成场景
我要一个能在浏览器里坐进去的城市轻轨，一根模型文件都不许用。 所有东西都要在运行时用代码生成：车厢、座椅、扶手、拉环、报站屏、车窗、轨道、道岔、接触网、隧道壁、站台、闸机、沿线楼群——不许下载任何模型文件，不许下载贴图，不许连外网，双击 HTML 就能跑。 功能上我要这些： 一、线路自己设计：至少八站，每站有名字。列车进站要减速、停稳（车头和停车线对齐，误差别超过二十厘米）、开门、上下客、关门、起步。 二、三种视角：车厢里乘客视角（能左右转头，看窗外和车厢里的细节）、车头司机视角、站台上等车的视角。视角切换要顺，不能瞬移。 三、三个时段：白天、黄昏、夜里。窗外的光、车厢里的灯、站台的灯要跟着变，夜里车厢玻璃上要能看到自己的倒影。 四、一条线路图：整条线缩略画出来，当前列车位置实时在动，点任意一站能直接跳过去。 五、性能：1080p 稳定 60 帧，说清楚你用了什么手段（实例化、几何合并、视锥剔除、LOD 都行），把帧率和绘制调用的实测数字给我。 视觉上别做成低多边形的塑料玩具感。先做两套方向各一屏给我看——一套是干净克制的现代地铁（磨砂金属、哑光塑料、灯带），一套是有年代感的旧车（暖黄灯、绿色墙面、老式拉环），你自己挑一套深入做完，告诉我为什么挑它。 最后自己坐三趟：一趟白天看准点，一趟夜里看灯光，一趟专门盯着上下客。每趟都截图，把不对的地方列出来，改完再坐一趟。三轮的记录都留给我。
先看它交出来的：
没有模型文件、没有贴图，车厢、轨道、沿线楼群，全是它当场用代码生成的，双击 HTML 就能跑。
而且在做的过程中，它还会自己截图去验证，这三张就是它截的不同时刻列车状态的图：
这些截图只是过程中的片段。
收尾时它把整轮验证整理成了一份测试留档：规格逐条核对、三趟试乘记录、性能数据，连还没把握、要真机复测的地方，也都自己标了出来。
这道题跑下来，能看出它的长程任务规划能力还行：一道题从头到尾自己规划、自己验证、自己留档，中间没掉链子。
CASE 06
键盘复原：从局部到零件级拆装
接下来来试试这道：键盘零件级复原站，一张角落特写，补出整块键盘。
提示词如下所示：
PROMPT 05 · 机械键盘 · 零件级复原
我给你一张照片，是拆掉键帽的老式机械键盘的一个角落特写：能看到三个装好的黑色轴体（银色弹簧、银色轴顶、白色轴芯都露着）、三个空的轴位、米白色的塑料定位底板，以及底板上的加强筋和一个螺丝柱。照片就拍了这么一小块，别的什么都没有。 照片我发给你了，文件名是 键盘开关特写.jpg。（来自 Wikimedia Commons，CC BY 2.0） 我要你把这一小块补成整块键盘，并且做成一个能拆开的零件级网页。 一、先推理图外的东西：整块键盘有多少键、什么配列、外壳什么形状、脚垫和铭牌在哪、线从哪出。推理出来的东西要单独列一份清单，写清楚哪些是照片里看到的、哪些是你推的、依据是什么。 二、零件级可交互，零件总数不少于两百个：掀键帽、拔轴体、把轴体拆成上下壳、弹簧、轴芯、金属触片；外壳、定位板、PCB、卫星轴、连接线都要有。每个零件点一下能看名字、材质、尺寸、在整机里干什么。 三、三种看法：爆炸视图（一根滑杆控制散开程度）、剖切（能切到轴体内部看弹簧怎么压）、装配动画（从一地板零件自动装回成整块键盘，可以暂停、倒放）。 四、一份可导出的零件清单（CSV）：零件名、数量、尺寸、装配位置，让我能对着数。 五、相机功能：一键回到跟照片完全一致的机位，左边照片右边模型并排比；再一键切成纯色体块，让我看结构关系。 六、1080p 六十帧，不连外网也能双击打开。 做完自己验三轮：第一轮把模型和照片并排看，列出哪里不像；改；第二轮看零件拆装有没有卡住的、装配动画有没有零件穿模；改；第三轮看性能和跳帧。三轮都要截图，最后告诉我哪几处你的模型和照片是明确对不上的。
和照片并排比，除了个别凹槽没对上，别的都还行。
物理这一层还原得也齐：轴体、弹簧这些小零件都在，还能看它把整块键盘拆开、再装回去：
PART
03
实战Working
ENGINEERING & OFFICE
CASE 07
linkding：真实工程修复与压测
前面都是前端，这道换 coding：把一个真实开源项目里的 bug 修掉，还得自己证明修好了。
项目是 linkding，一个自托管的开源书签管理器。它有个毛病是导出不跟着筛选条件走，一导出就是导出全部内容，容易把内存吃爆。
提示词如下所示：
PROMPT 06 · linkding · 压测、改造与验证
我手上这个项目是 linkding，一个自托管的开源书签管理器。 我要你在真实工程里把一件活干完，不是给我一段代码。 先把代码拉下来，切到我线上跑的版本：git clone 官方仓库，再 git checkout 到 f32af96123e9749e60c54caa3ac7709621faffee 这个 commit。它是 Django + SQLite，本机要能起得来，Python 3.13 以上，用 uv 或者 docker compose 都行。 第一件事，造压。写个脚本造十万条书签，标签、归档状态、时间跨度都要有像样的分布。造完把这份数据跑起来，量三个数：列表页首屏、全站搜索、全量导出，各花多久、各吃多少内存。先给我这份基准。 第二件事，改造。目标是在十万条下——列表页首屏一秒内打开，搜索两百毫秒内返回，导出五万条不把内存吃爆（现在它是全量读进内存再吐，你自己去看它崩在哪一步）。改的过程中，列表、筛选、分页、归档开关这些老功能一样都不能坏。 第三件事，验证。把改造前后的数字摆在一起，写清楚你动了哪些文件、为什么这么动。项目自带一整套测试，跑完必须全绿；你自己补的测试要能证明新逻辑真的生效——把你新写的关键逻辑临时还原一次，看测试会不会红，红了才算测到了东西。 做完自己滚一遍，确认能起、十万条下三个数字达标、测试全绿，再告诉我。 第一件事，先压测复现 bug：十万条数据灌进去，把改之前的三个基准量出来。
第二件事，改造：照着压测发现的问题，一步步优化。
第三件事，验证：确认这些优化真的生效。
三件事连下来，从拉代码到测试全绿，一共花了2 小时 5 分。整体来看长程调度能力还行：它验证得特别细，前面测 case 的时候一度想吐槽；放到真实业务里一看，这点较真反而用得上。
接下来是办公，就测了两个 case。
CASE 08
招标文件：78 页逐条核对
第一个，政府采购的招标文件，78 页。
提示词如下所示：
这是一份真实的政府采购公开招标文件，78 页，中文，PDF 有文字层，你直接读。
CASE 09
收入核对：两个数字，用哪一个
第二个，同一家公司报了两个不一样的营业收入，让它裁决用哪个。
提示词如下所示：
同一家公司，我在两个地方看到了两个不一样的营业收入，我要你帮我裁决用哪个。
办公这边也一样：它验证得细，所以特别适合求证类的东西。
读 78 页招标文件、裁决对不上的收入，逐行逐行都是对着原文抠的活。
真放到日常办公里，最耗精力的，经常就是在几份材料之间来回翻，确认一条要求有没有漏、两个数字为什么对不上。
这些细节核清楚了，后面整理投标材料、写经营分析，才有能追溯的依据，也方便交给同事继续复核。
所以这两个 case 跑下来，我觉得 Step 5 Preview 在办公里的价值相对实在：能帮你把交付前那些繁琐、又不能含糊的核对工作往前推进。
PART
04
结语
SLOW, BUT THOROUGH
说点实话。
这模型跑 coding 是真慢，动辄两三个小时，我测的没有低于两小时的，很多都特别长。
但它也挑场景。文档类的活，它干得特别较真，每个点都能给你核验到位。现在有很多模型，碰见问题也是拣最快、最省事的法子给你解决了事；阶跃它就一条一条对着原文抠。
而且他们也一直在做端侧，对后面的智能设备也很看好。这一步，我觉得是押对了方向：等智能设备这波真起来，端侧模型是谁的，入口就是谁的。
这种较真劲儿，跟端侧正好搭得上：端侧要的，不见得是跑得最快的脑子，是交件事给它，它能自己盯着干完、自己验好。
往后等它正式上线，再磨几轮，速度上应该能找补回来。
真到了那天，这股较真劲儿配上阶跃一直以来端侧的布局，
感觉是有得打的。
以上。
