Step 5 Preview API
近日公開エージェント型ワーク、コーディング、長文コンテキスト推論、文書解析、動画理解のための、StepFunの2026年フラグシップマルチモーダルMoEモデル。
Step 5 Preview API 背景
概要
Step 5 Previewは、エージェント型ワーク向けに設計されたStepFunの2026年フラグシップモデルであり、モデルID step-5-preview として Step 5 Preview API を介して提供されています。要求の厳しいソフトウェアエンジニアリング、長文コンテキスト推論、マルチモーダル解析、専門知識タスク向けに設計されており、特に金融指向のワークフローにおいて顕著な強みを発揮します。本モデルはテキスト、画像、動画の入力に対応し、テキスト出力を返すため、大量の文書セットの読み込み、視覚素材の点検、ツール呼び出し、複雑なマルチステップタスクにおける進行状況の維持が必要なAPI駆動型アシスタントに適しています。
開発履歴
2026年に公開されたStep 5 Previewは、高度なエージェント型アプリケーションおよび本番環境向け知識作業のためのStepFunのフラグシッププレビューモデルです。Step 5 Preview APIは、特に長文コンテキストやツール利用が重視されるソフトウェアエンジニアリングや専門的推論において、フロンティアレベルの性能を中心に位置付けられました。そのローンチでは、スパースMixture-of-Expertsによるスケーリング、1,048,576トークンのコンテキストウィンドウ、マルチモーダル入力サポート、および複雑なワークフロー向けにストリーミング、JSON出力、JSON Schema、prompt caching、設定可能な推論エフォートなどの構造化API機能の組み合わせが強調されました。
主要な革新
- 総パラメータ数6000億、トークンあたり270億のアクティブパラメータを備えたスパースMixture-of-Expertsアーキテクチャにより、高度な推論およびコーディングタスクにおけるスケール効率を向上
- Step 5 Preview API内でのテキスト、画像、動画にわたるネイティブなマルチモーダル取り込みにより、文書、スクリーンショット、チャート、短尺動画コンテンツの統合的な処理を実現
- 100万トークンのコンテキストウィンドウにツール呼び出し、構造化出力、推論エフォート制御を組み合わせることで、長期実行型エージェントワークフローや大規模な知識統合に対応
Step 5 Preview API 技術仕様
アーキテクチャ
本モデルは、大規模なエージェント型ワークロード向けに最適化されたスパースMixture-of-Expertsアーキテクチャを採用しています。Step 5 Previewは総パラメータ数6000億、トークンあたり270億のアクティブパラメータを備えており、同等サイズのデンスモデルと比較して、大容量の推論能力とトークンあたりの効率的な計算処理を両立させています。Step 5 Preview APIは、テキスト、画像、動画の入力をネイティブでサポートし、テキスト出力を生成すると同時に、ストリーミング、ツール呼び出し、JSON Mode、JSON Schema出力、prompt caching、およびlow、medium、highから選択可能な推論エフォートレベルを提供します。
パラメータ
Step 5 Previewは、総パラメータ数6000億、トークンあたりのアクティブパラメータ数270億という非常に大規模で動作します。1,048,576トークンのコンテキストウィンドウをサポートしており、これは複数文書の分析、大規模コードベース、広範なツール実行トレース、および連続的なエージェント実行に十分な容量です。マルチモーダルリクエストでは、Step 5 Preview APIは1リクエストあたり最大60枚の画像（JPG、JPEG、PNG、WebP、静止画GIFフォーマット）に加え、MP4、QuickTime、Matroska形式の動画入力をサポートしており、個別のMP4ファイルは128 MB未満かつ5分未満であることが推奨されます。
機能
- 非常に大規模な文書、複数の情報源、ツール出力、進行中のタスク状態にわたる長文コンテキストの理解と推論
- バグの特定、コード修正、テスト推奨を含む、複数言語にわたるプログラミングおよびソフトウェアエンジニアリングの支援
- Step 5 Preview APIを介した、ツールを使用した情報検索、文書処理、構造化出力生成を伴うマルチステップのエージェントタスク
- スクリーンショット、チャート、画像ベースの質疑応答、短尺動画の要約や解釈に対するマルチモーダル理解
制限事項
- 出力はテキストのみであるため、Step 5 Preview APIは画像や動画を分析することはできますが、画像、音声、動画のレスポンスを生成することはできません
- 動画の処理は比較的小さなファイルに最も適しており、推奨されるMP4ファイルは128 MB未満かつ5分未満であるため、長尺動画のワークフローには制約があります
Step 5 Preview API 性能
強み
- 特に長文コンテキストやツールで拡張されたタスクにおける、ソフトウェアエンジニアリングおよび専門知識作業でのフロンティアレベルの性能
- 金融関連の推論および分析において特に優れた結果を示し、文書量の多い専門領域にStep 5 Preview APIが適しています
- テキスト推論と、チャート読み取り、スクリーンショットの解釈、短尺動画の理解を組み合わせた強力なマルチモーダル理解力
- ストリーミング、JSON出力、推論制御、prompt cachingを通じた、構造化およびエージェント型ワークロードへの信頼性の高いサポート
実世界での有効性
実用面において、Step 5 Previewは、大規模なコンテキスト取り込み、マルチステップの推論、およびAPIネイティブなワークフロー制御の組み合わせをアプリケーションが求める場合に最も効果的です。Step 5 Preview APIは、タスクの継続性を失うことなく、長文レポートの読み込み、コードリポジトリの検索、スクリーンショットの検証、短尺動画の要約、ツールの呼び出しを実行する必要があるアシスタントに非常に適しています。その長文コンテキストウィンドウによりリクエスト間の断片化が軽減され、構造化出力と推論エフォート制御によって、予測可能なフォーマット、オーケストレーション、および監査可能な出力を必要とするエンタープライズシステムへの統合が向上します。
Step 5 Preview API 使用場面
シナリオ
- 大規模なリポジトリの探索、リグレッションの特定、コード変更の提案、およびピンポイントなテストの推奨においてサポートを必要とするソフトウェアエンジニアリングチームがある場合。Step 5 Preview APIは、強力なコーディング性能と100万トークンのコンテキストウィンドウを兼ね備えているため最適であり、単一のワークフロー内で広範なコード、課題の記述、ツール出力を網羅して推論できます。これにより、手動による仕分け時間を短縮し、開発者の生産性を向上させ、複数ファイルにまたがる変更全体でのより一貫したデバッグと修正をサポートします。
- 多数の長文文書の読解、情報源の比較、結論の抽出、および構造化結果の返却を必要とする研究、法務、または金融業務のワークフローがある場合。Step 5 Preview APIは、長文コンテキスト推論および専門知識作業に最適化されており、特に金融分野に強みを持っているため、このシナリオに適しています。少ない引き継ぎで大量の資料を処理し、文書間の関係性を維持したまま、検証や自動化、後続のビジネスシステムへの統合が容易なJSONフォーマットの出力を提供します。
- 書面による指示や質問とともに、スクリーンショット、チャート、製品画像、短尺動画を含むマルチモーダルのサポートまたは分析タスクがある場合。Step 5 Preview APIは、テキスト、画像、動画の入力を1つのモデルでネイティブに受け入れるため強力な選択肢であり、単一のワークフローで視覚的な根拠を解釈し、検証結果をテキストで明確に説明できます。これにより、モダリティごとの個別のパイプラインを構築することなく、ダッシュボードのレビュー、チャート分析、スクリーンショットのトラブルシューティング、簡潔な動画要約などのユースケースにおいて業務効率を向上させます。
ベストプラクティス
- 機械可読で予測可能なレスポンスを必要とするビジネスワークフロー、分析パイプライン、またはツールベースのエージェントと統合する場合は、JSON ModeやJSON Schemaなどの構造化出力モードでStep 5 Preview APIを使用してください
- タスクの複雑性に基づいて推論エフォートレベルを選択し、prompt caching、ツール呼び出し、および長文コンテキスト入力を組み合わせることで、反復的またはマルチステップのワークフローにおける一貫性と効率性を向上させてください
- 明確なタスク設定、関連文書、およびモダリティ固有の入力を一緒に提供することで、Step 5 Preview APIがコード、テキスト、画像、短尺動画を単一のコヒーレントなコンテキスト内で一括して推論できるようにしてください