限免的 Step-5-Preview 值得换吗？我在 WorkBuddy 里做了 8 项对撞实测
原创 · 约 29 分钟阅读 · 阅读 --

限免的 Step-5-Preview 值得换吗？我在 WorkBuddy 里做了 8 项对撞实测

作者: Alex Xiang

人工智能工程实践

本文完全由 WorkBuddy 独立收集资料、编写评测脚本并完成文章写作；文中所有实测数据均来自本机真实运行。

扫码注册 WorkBuddy 即可获取 2000 积分

我是 Alex Xiang，前百度/微博工程师，现在专注于 AI 工程与工具产品。更多文章欢迎关注微信公众号「字与码」。

2026 年 10 月 12 日，腾讯 WorkBuddy 接入了阶跃星辰的旗舰模型 Step-5-Preview，独家限时免费两周（10 月 12 日至 10 月 25 日）。而我这台 WorkBuddy 上跑了很久的模型，是 DeepSeek-V4.1-Flash 原厂直供——API 名就叫 deepseek-flash。一个限免、一个要走积分，问题很直接：这两周之后，我该不该换回去？

我没有去看榜单排名。榜单是别人挑的题、别人的机器、别人的调用姿势。我在同一台 WorkBuddy 里，用同一套 8 个用例把两个模型对撞了一遍：能跑代码的就跑代码，能数约束的就数约束，能随机验证的就随机验证。结论比我预想的要干净——质量上两边打平，差别全在时间和钱上。

先把这两个模型讲清楚

在两个模型之间做选择，得先知道它们各自在赌什么。这两家的发布稿讲的其实是同一个故事：不再比谁参数大，比谁能把算力更高效地换成能力。但实现路径完全不同，而这个差别解释了后面所有实测结果。

DeepSeek-V4.1-Flash（2026 年 9 月 10 日 GA，API 名 deepseek-flash）是一个 552B 的稀疏 MoE，但它最不寻常的地方是换了架构：采用全新的 Causal Encoder–Decoder（因果编解码器）结构，输入路径只激活约 8B 参数，输出路径激活约 16B。这个不对称是刻意设计的——读长文档、读检索上下文、读代码库，走的是便宜的那一半；只有真正生成出来的 token，才走贵的那一半。图像理解被做进了架构本身，所以之前那个独立的视觉实验模型直接退役了。官方给出的 19 项评测里，有 14 项超过上一代旗舰 V4 Pro；KV cache 压缩到每 token 890 字节，而 V4-Flash 是 3514 字节、V3.2 是 48068 字节、初代是 389120 字节——相对初代缩小了 437 倍。

Step-5-Preview（阶跃星辰 2026 年 9 月 20 日发布）跳过 Step 4.x 直接叫 Step 5。600B 总参数、每 token 只激活 27B（约 4.5%），支持 100 万 token 上下文、最大 6.4 万 token 输出，原生支持文本与视觉输入。架构走的是「窄而深」：92 层 Transformer，引入 Sparse GQA，并用 Block-wise Token Merging 把 Indexer 与 Top-k Selection 的成本压到八分之一；训练侧靠 Long-horizon RL 和 Context Compaction 来支撑长周期的 Agent 任务。它在 Artificial Analysis 综合智能指数上拿到 44 分，位列全球开源模型前三（排在它前面的是 Qwen3.8 Max 与 GLM-5.3，都是 45 分）。权重将于 10 月 15 日正式开源。

一句话概括定位：DeepSeek 把成本压在了「读」上，阶跃把成本压在了「注意力取数」上。两者都在为同一件事服务——让 Agent 这种要跑几十轮、每轮都重发一遍上下文的工作流变得跑得起。

两个模型在赌什么：同一条路线，两种做法

评测是怎么做的

评测通道就是 WorkBuddy 自身的模型通道：两个模型各起独立会话，拿完全相同的 prompt，不加额外提示、不给联网、不给示例。判定原则是能程序化验证的一律程序化，剩下的才按明确判据人工判。

8 个用例覆盖的是日常工程里最常出现的几类任务：

编号用例判定方式
T1代码生成：实现 parse_duration()，支持 w/d/h/m/s 组合、乱序、重复累加、大小写不敏感、非法输入抛 ValueError出题方自写 13 个正例 + 15 个反例，独立跑生成的代码
T2代码调试：一段含 3 处独立缺陷（正确性 / 资源管理 / 健壮性）的代码缺陷召回数
T3指令遵循：8 条硬约束（字数区间、指定开头、恰好 3 个二级标题、禁词、必含数字例子、指定结尾、禁 emoji、某关键词只能出现 1 次）脚本逐条校验
T4中长上下文抽取：约 1.5 万 token 文档中埋 3 处关键数字，周围有几十个百分比数字作干扰命中数
T5中文科普写作：350–450 字，禁套话禁黑话，必须用生活类比，段落不超过 3 段脚本校验格式 + 人工判事实链
T6工具调用：真建目录、写词频统计程序、造至少 30 词的测试数据、实跑命令并汇报真实输出用 Counter 独立复算输出
T7算法难题：矩阵第 k 小元素，要求值域二分 O(n·log(max−min))，正确处理重复元素与边界72 组随机矩阵、432 次查询交叉验证
T8幻觉抗性：4 个技术问题，其中第 1 个是「不存在的 API 参数」陷阱对照事实判定

8 项对撞实测：质量打平

结果：8 项里 8 项打平

这是最容易让人失望、但也最值得写出来的结果。

用例Step-5-PreviewDeepSeek-V4.1-Flash
T1 代码生成28 / 2828 / 28
T2 代码调试3 / 3 缺陷3 / 3 缺陷
T3 指令遵循9 / 9 约束9 / 9 约束
T4 上下文抽取3 / 3 命中3 / 3 命中
T5 中文写作（格式）5 / 5 约束5 / 5 约束
T6 工具调用通过，输出逐行一致通过，输出逐行一致
T7 算法难题（432 次随机查询）0 失败0 失败
T8 幻觉抗性4 / 4 正确4 / 4 正确

几个细节比分数更有意思。

T1 两者思路不同，但都完全正确。Step 用「游标位置校验」——逐个匹配 token 向前推进，任何位置对不上就抛错；DeepSeek 用一整条正则 fullmatch 把整个字符串卡死。风格不同，我在 28 个用例上独立验证，两边一处不差。

T2 两个模型都超出了题目。我埋的 3 处缺陷（排序方向反了、文件句柄未关闭、空列表除零）双方都命中，而且都额外指出了「text.split(’ ’) 在连续空白下会把空字符串当成一个词」这个我本来只当附加分的点。DeepSeek 还多讲了一句 CPython 靠引用计数偶然回收句柄、换实现就未必，这个补充是对的。

T3 是最能看出「听不听话」的一项。约束里有一条是「贝尔不等式」这个词在全文中只能出现 1 次。两个模型都严格只写了 1 次，也都在 250–320 字的窗口里落点（Step 277 字、DeepSeek 292 字），没有一个约束被放弃。

T4 挡不住它们。1.5 万 token 的文档里埋了「3714 字节」「1750 毫秒」「quorum 为 4」，周围散布着几十个百分比数字和随机常量。两个模型都是 3 发 3 中，没有一个被干扰项带偏。

T5 格式全过，但事实链上 DeepSeek 更准。题目是《为什么 SSD 会越用越慢》。DeepSeek 讲的是完整因果链：擦除的最小单位大于写入的最小单位 → 改一小块要先把整块搬走擦干净 → 写放大 → 垃圾回收越来越频繁 → 缓存耗尽后掉速，还顺手解释了「拷贝大文件时前几秒飞快、后面骤然变慢」。Step 的主线是「每个存储单元能承受的擦写次数有上限」，这其实是寿命问题，不是变慢问题——它后面也提到了主控搬运数据和「硬盘越满搬运越频繁」，但主线选偏了。Step 的文字节奏更好读（「像拖着铅块跑步」「塞到密不透风」），DeepSeek 的因果更硬。

T6 两边都真的动手了，而且都没说谎。我事后读它们落盘的文件、用 Counter 重算词频，两个程序的输出与我独立复算的结果逐行一致。Step 造的测试数据更厚（112 个词、51 个去重），还自己用 grep 交叉验证了最高频词的计数；DeepSeek 的数据小一些（74 个词），但把 [[-5]] 这类负数边界也测了。

T7 我用随机矩阵打了一轮。题目本身有陷阱：很容易写成对行二分、或者在重复元素上破功。两个模型都给出正确的值域二分，都正确处理了 k=1、k=n² 和全重复矩阵。我用 72 组随机生成的有序矩阵（n 从 1 到 40）、432 次查询做交叉验证，两边零失败。

T8 那个陷阱没骗到任何一个。第 1 问「functools.cached_property 是否支持 ttl 参数」，两个模型都明确说「不存在／不支持」。第 3 问是个更细的坑——「dict 从哪个版本开始保证插入顺序」，两个都答对了那个关键区分：CPython 3.6 就有了，但那只是实现细节，要到 3.7 才成为语言规范层面的保证。

结论很直白：在我这套「日常工程强度」的用例里，这两个模型已经没有质量差别了。这本身是个结论——如果你的活是写函数、改 bug、抽取信息、写科普、跑命令，换模型换不来更好的结果。要区分它们，你得拿真正难的题去试。

真正的差别在速度，而且比榜单上看到的大

同一道长文任务（《数据中心液冷技术选型指南》，正文不少于 2600 汉字、6 个小节），各跑两轮，端到端计时：

轮次Step-5-PreviewDeepSeek-V4.1-Flash
第一轮（液冷选题）256.6 s48.7 s
第二轮（机械硬盘选题）230.7 s39.0 s
均值243.7 s43.8 s

差别全在时间和钱上：5.6 倍的时间，5–7 倍的价格

差距是 5.6 倍。而且这个倍数比公开数据大得多——Artificial Analysis 给 Step-5-Preview 的吞吐是 99.8 tok/s，给 DeepSeek V4.1 Flash 的是 190–214 tok/s，只有约 2 倍的差距。多出来的那部分从哪来？

答案在 WorkBuddy 的模型配置里，不用猜：

  • Step-5-Preview：onlyReasoning: true，canDisableThinking: false，默认 effort = high。也就是说思考不可关闭，只能在高/中/低之间调。
  • deepseek-flash：没有 onlyReasoning 标记，effort 可选 low / medium / high / xhigh / max。

所以 Step-5-Preview 在 WorkBuddy 里每一轮都强制先想一遍，而且默认就是 high 档。榜单上的 tok/s 统计的是「输出 token 的生成速度」，不包含这部分被强制产生的思考 token；端到端计时才是你真正要坐在那里等的时间。

这也对得上公开的社区反馈——Step-5-Preview 早期评测里被点名的第一条就是 verbosity（啰嗦）。所以准确的说法是：Step-5-Preview 的「快」是相对同档推理模型说的，不是相对 deepseek-flash 说的。

顺带说，这个「强制思考」的设定本身不是坏事。它是把输出质量和响应时间做了取舍，把取舍权从用户手里收走了——换来的是 T1–T8 里那 8 项全绿。但代价是每一次问候天气它都要先想 20 秒。

价格：那个「1/8」的参照系不是 DeepSeek

阶跃在发布时反复强调一句话：「单任务成本仅为 Claude Opus 5 的 1/8」。这个数字有出处，AA 的实测是：完成一个标准智能任务，Step-5-Preview 的加权平均成本是 0.71 美元，Claude Opus 5 是 5.86 美元。说法没错。

但如果你现在用的是 deepseek-flash，参照系就完全变了：

模型输入（缓存未命中）输入（缓存命中）输出
Step-5-Preview（官价）¥7 / 百万 tokens¥0.35¥20
DeepSeek-V4.1-Flash（闲时）¥1¥0.02¥4
DeepSeek-V4.1-Flash（高峰）¥2¥0.04¥8
相对倍数（闲时 / 高峰）7× / 3.5×17.5× / 8.75×5× / 2.5×

同一组数字换成国际口径：Step-5-Preview 是 1.00 / 0.05 / 2.70 美元，DeepSeek 闲时是 0.15 / 0.003 / 0.60 美元。另外注意，阶跃已宣布自 10 月 14 日 00:30 起把 Step-5-Preview 的缓存命中输入价从 ¥0.35 上调到 ¥0.7，未命中输入与输出价保持不变——也就是说缓存这一项还会再贵一倍。

结论很硬：那个「1/8」是拿它和闭源顶配比出来的；和 deepseek-flash 比，它才是贵的那一个——输入端贵 7 倍，输出端贵 5 倍，缓存命中贵 17.5 倍。

缓存命中价这一项对 Agent 工作流尤其要紧，因为每一轮都要重发同一套系统提示词和工具定义，这部分的命中率直接决定账单的量级。这也是一个很典型的「对标错位」：厂商挑一个对自己最有利的参照系，说法不假，但读者很容易把结论错位到自己身上。

在 WorkBuddy 里，这个关系同样成立：Step-5-Preview 现在的积分倍率是 x0.00（限免），DeepSeek-V4.1-Flash 是 x0.11。限免期内 Step 是零成本，但限免一结束，按官价的倍数关系，它会直接变成 WorkBuddy 里更贵的那一档。

所以到底怎么选

三段式结论，按时间排。

第一，限免这两周（10/12–10/25）值得用，而且要用在刀刃上。既然它和我这套日常用例打平，那就别拿它做批量、快速、低价值的活；挑那些「我本来就想多想一会儿」的任务给它——长链路方案设计、跨文件代码审查、金融和专业知识的密集推理（这正是它被官方优化的方向）。换来的代价是 5.6 倍的等待时间，用在刀刃上就不亏。

第二，限免结束后默认切回 deepseek-flash。三个理由叠加：质量打平、速度快 5.6 倍、价格便宜 5–7 倍（缓存命中便宜 17.5 倍）。在一天几十上百轮的 Agent 工作流里，「慢」和「贵」不是抽象指标——慢会拖长你的等待，贵会烧掉你的额度，而这两件事每天都在发生。

第三，唯一该继续用 Step-5-Preview 的情况是：你手上有一个具体的、可验证的难题，deepseek-flash 做不出来，而它做出来了。这才是 AA 44 分该兑现的地方。我的 8 个用例没能把这件事区分出来，恰恰说明它的优势不在「日常强度」这一层——这个判断得你自己拿真难题去验。10 月 15 日权重开源之后，还有第三条路：自己部署，按自己的负载算账。

最后一句总结：这不是「弱的被强的替代」，而是「一个便宜快的工作马」对「一个更贵更慢、但可能在难任务上钻得更深的推理模型」。限免这两周，是后者唯一可以零成本被检验的窗口——值得用完，但不值得为它付溢价，除非它真的在你的难题上赢过前者。

参考资料

附：本次实测的环境与产物

  • 通道：WorkBuddy 桌面版 5.7.7，模型 ID 分别为 step-5-preview 与 custom-local:deepseek/deepseek-flash（Tencent Cloud Token Plan 原厂直供）。
  • 8 个用例的 prompt、两个模型的原始输出、独立验证脚本（28 项代码测试、9 项约束校验、432 次随机矩阵查询、Counter 词频复算）全部落盘保留，可复现。
  • 速度测试为端到端计时（同一道长文任务、各两轮），包含框架调度开销，未做多次中位数平滑；由于两个模型走同一条通道，固定开销对两者相同，因此 5.6 倍的相对差距是可靠的。
打开原图 ↗