权重开源当天，国产芯片集体"点灯"：Step 5 Preview 的 Day0 适配，和它背后那个正在闭合的生态

Friday, October 16, 2026

如果说过去一年中国大模型的开源节奏，是"发布一个模型、各家芯片厂商随后几周慢慢跟进"，那么 2026 年 10 月 15 日这天，节奏被彻底改写了。这一天，阶跃星辰把 Step 5 Preview 的完整权重全面开放，而上线的同一个小时里，华为昇腾、海光 DCU、沐曦曦云、壁仞壁砺、摩尔线程 MTT S5000、昆仑芯……几乎同步官宣"Day0 适配完成"。没有"数周窗口"，没有"敬请等待"，权重落地即跑通。

这不是一次普通的模型发布，它标志着一个场景开始变得非常罕见地"顺滑"：大模型权重与国产算力之间，正在从"事后的软件搬运"，变成"生而同源的生态协同"。 这篇文章，我试着把这张开源清单背后的技术细节、产业逻辑，以及它对中国 AI 生态到底意味着什么，一层层拆开来讲。任何一个关注"模型 × 芯片"这条主线的人，都不该只看那几张炫酷的海报。

Part One：一张开源清单，和一个正在闭合的闭环

先把最基础的事实摆清楚。10 月 15 日，阶跃星辰正式开放 Step 5 Preview 的完整权重，同时放出的还有 BF16 与 FP8 两个精度版本、技术报告、配套的开源开发工具，以及部署指南。权重同步上线了 Hugging Face 和 ModelScope 两个平台，开发者可以用 vLLM 或 SGLang 部署一套兼容 OpenAI 接口的 API 服务，也可以用 Transformers 做离线推理。换句话说，从"拿到权重"到"跑起服务"，给开发者铺的路已经是相当成熟的一条。

但真正让这一天显得特殊的，是紧随其后的一连串官宣。华为表示，昇腾在 Step 5 Preview 开源的当天，就基于 vLLM 推理引擎实现了 0Day 支持，并围绕模型架构与硬件特性做了高效推理优化；更值得注意的是，首套 1024 卡的 Atlas 950 SuperPoD 液冷超节点，也在这一天同步点亮，号称性能可以持平海外先进算力。海光信息则宣布 DCU 完成了 Day0 推理适配与全流程深度调优；沐曦说曦云 C 系列完成了 Day0 深度适配；壁仞、摩尔线程、昆仑芯也都在第一时间表态落地。

把这些信息压缩成一句话就是：一个 6000 亿参数的旗舰级 MoE 模型，从权重上线到在五六种全国产芯片上稳定运行，几乎只隔了"一个发布会"。 放在两年前，这几乎不可想象。它意味着模型厂商与芯片厂商之间的协作，已经从"你出品、我移植"进化到了"共同研发、同步联调"的程度。我把它称为"生态闭环正在闭合"，因为这不再是一两条孤立的适配新闻，而是一套可重复、可预期的协同机制开始成型。

Part Two：Step 5 Preview 到底是什么——一个为"长程 Agent"而生的稀疏 MoE

要让上面那套"生态闭环"的说法成立，首先得说清楚：这个被集体点灯适配的模型，到底特殊在哪。Step 5 Preview 不是那种"规则变了、出来刷榜"的通用大模型，它是一台明确的"任务机器"。

它采用稀疏 MoE（混合专家）架构，总参数量高达 6000 亿，但每一个 token 推理时只激活约 270 亿参数——这是一个典型的"大而稀疏"设计：模型"知道"得很多，但每次干活只唤醒最相关的一个小团队，从而在能力与成本之间取得平衡。它支持 100 万 token 的上下文窗口，原生支持文本与视觉的混合输入，并重点面向软件工程、专业知识工作、金融等真正要"干长活"的场景做了优化。

更值得注意的是它的设计取向。据技术报告，Step 5 Preview 采用了 92 层窄深架构、Sparse GQA（稀疏分组查询注意力），并做了大量训练稳定性优化。它把上下文压缩这一步，直接纳入了端到端的策略训练——这意味着模型本身学习"如何把已经看过的一大段任务状态，压缩成一个紧凑而可用的摘要"，从而让 Agent 能够长程地整理状态、记住进度、继续往下执行，而不是干到一半就把前面的事情忘光。它背后还有"百万级可验证环境"和专门的"长程任务强化学习"在做支撑，为的就是让这套长程能力不是靠手写规则，而是靠数据与奖励真刀真枪地练出来。

用一个比喻：如果说通用大模型是"什么都能聊几句的名嘴"，那么 Step 5 Preview 更接近"能接下几个星期项目、记得住每一步进展、并且知道自己下一步该干什么的项目老兵"。它不是为了聊天刷榜生的，是为了让 Agent 真正把活干完而生的。

而在工程实现上，“大而稀疏"之所以能成立，靠的是一套精巧的专家路由机制。我们用一个非常简化的 Go 示例，来感受 MoE 路由"按需唤醒"到底在做什么：

// expert_router.go -- 极简 MoE 专家路由示意（Step 5 Preview 有 600B 参数/激活 27B）
package main

import "fmt"

// Router 根据输入特征选择少量专家，其余专家保持"休眠"不计算
func route(token string, experts []int) []int {
	// 示意：整型输入决定走哪一组专家，实际由注意力/打分决定
	key := 0
	for _, c := range token {
		key += int(c)
	}
	start := key % len(experts)
	picked := make([]int, 0, 3)
	for i := 0; i < 3 && start+i < len(experts); i++ {
		picked = append(picked, experts[start+i])
	}
	return picked
}

func main() {
	// 600 个"专家"，每个 token 只唤醒一小部分
	experts := make([]int, 600) // 总"知识面"
	for i := range experts {
		experts[i] = i
	}
	for _, tok := range []string{"write code", "analyze finance", "reason step by step"} {
		picked := route(tok, experts)
		fmt.Printf("token=%q -> 唤醒 %d/%d 个专家，其余休眠\n", tok, len(picked), len(experts))
	}
}

这段代码高度示意化，但它点出了 MoE 的核心思想：总参数量决定了模型"知道的上限”，而路由机制决定了每一次计算"实际付出的成本"。 Step 5 Preview 之所以能做到 600B 总参数、270 亿激活，正是因为在这个"按需唤醒"的基础上，把存储的大与计算的小、记忆的广与推理的快，用架构层面的设计统一了起来。这也是为什么芯片厂商的 Day0 适配，必须把"路由调度"在自家硬件上做到又快又稳——它是这套稀疏架构能否兑现价值的门把手。

Part Three：开源只是"放权重"吗？Day0 背后的三件苦差事

很多人以为，“开源权重"就是把文件往网上放，芯片厂商"适配一下"就是跑通一个 hello world。真实情况要复杂得多，这也是为什么 Day0 适配这件事本身自带技术含金量。

对于一个 6000 亿参数的 MoE，要在国产芯片上"当天跑通并调优”，至少得打通三件事。第一是算子的逐层对齐。模型里的注意力、MoE 的专家路由、各类激活函数，在不同芯片上可能有不同的算子指令和加速原语，芯片厂商需要把模型每个算子都映射到自己最有效的实现上，还要做 Ascend C、Triton 这类融合算子层面的优化，把计算空泡填平。第二是显存与带宽的调度。一个 600B 的模型，即便用 FP8 量化，也动辄需要数百 GB 的显存来装载权重与 KV 缓存；MoE 又要求推理时按 token 动态唤专家组，这对芯片间的互联带宽和显存带宽提出了极高要求——华为的 Atlas 950 超节点之所以强调 256TB 全局统一内存编址、TB 级卡间互联带宽和 3 微秒级时延，正是为了伺候这种"大而稀疏"的调度模式。第三是推理框架的深度配套。从 vLLM、SGLang 到各类自研引擎，都需要针对模型架构与这套硬件特性做协同优化，比如投机解码、NPU 图执行、多流并行等——每一项都是"跑得起来"和"跑得快"之间的分水岭。

所以你会发现，这些国产芯片厂商官宣的措辞里，几乎都刻意强调"推理框架 + 软件栈 + 硬件"的全链路配合，而不仅仅是"我加载了权重"。适配从来不是一行命令的事，而是一整套推理系统的重新校准。 当这种校准时延被压缩到"发布当天"，说明双方在发布之前很早就开始了联合开发——这恰恰是生态协同成熟的标志。

为了把"为什么 600B 的模型也能在有限显存里跑起来"这件事讲得更具体，我们可以用一个很简短的 Python 片段，粗略估算一个稀疏 MoE 模型在不同精度下的权重显存占用量，以及 MoE 专家路由带来的推理成本节省：

# moe_memory_estimate.py -- 估算稀疏 MoE 的权重显存与激活节省
def mbits(total_params_b: float, active_params_b: float, bytes_per_param: float):
    weight_full = total_params_b * 1e9 * bytes_per_param  # 全量权重字节
    active_per_tok = active_params_b * 1e9 * bytes_per_param  # 每 token 激活
    return weight_full / 1e9, active_per_tok / 1e9  # 转成 GB

for name, prec, bpp in [("BF16", "2B/参数", 2), ("FP8", "1B/参数", 1)]:
    full_gb, _ = mbits(600, 27, bpp)
    print(f"[{prec} ({bpp} bytes/param)] 全量权重 ≈ {full_gb:.0f} GB 显存，"
          f"每 token 仅激活 27B 参数")

# 激活比 = 27 / 600，即每个 token 只唤醒 4.5% 的专家参数
activation_ratio = 27.0 / 600.0
print(f"MoE 激活比: 每 token 只激活 {activation_ratio*100:.1f}% 的参数 "
      f"(这就是 600B 模型能跑起来的关键)")

输出里最关键的一行是 activation_ratio——一个 6000 亿参数的模型，每一个 token 只需唤醒 4.5% 的专家参数做计算，配合 FP8 量化把权重体积再砍一半，整卡的显存压力与带宽需求就会大幅下降。这也是它对"大而稀疏"的核心保障：MoE 的专家路由，让模型"知道得多"却不"事事算满"，国产芯片 Day0 适配的重点，恰恰就是把这个路由与调度在自家硬件上高效落到实。

Part Four：连更三日：智能体手机、先涨价的 API、再开源的权重

如果只盯着"开源"和"适配"这两个词，很容易错过阶跃星辰这波操作的完整棋局。事实上，从 10 月 13 日到 15 日，这家公司连续三天各放一招：13 日发布智能体手机，14 日调整 Step 5 Preview 的 API 价格，15 日开源模型权重。横跨终端、定价、模型三条线，节奏非常紧凑。

其中最"反直觉"的一手是 10 月 14 日的 API 调价：Step 5 Preview 的按量付费 API 里，缓存命中输入的单价从 0.35 元/百万 token 直接翻倍到 0.7 元，而缓存未命中输入和输出价格保持不变。在"大模型降价"的主流叙事下，一家非头部的模型公司选择逆势涨价，乍看很不合群。但结合时间点就说得通了——权重第二天就要开源，一旦用户可以选择自建部署、绕开 API，那么 API 就必须在此之前向市场证明"自己的价格站得住脚"：既然省去了自建集群的成本，缓存命中的溢价就有了合理性。与此同时，把智能体手机放在开源之前发布，目的是把模型在真实终端上的场景故事先讲出去，让"模型 + 终端 + 生态"的闭环想象先行立住。

这套"连更三日"的组合拳，其实是一家公司在资本、竞争与产品三者之间反复权衡后的产物：既要用开源换生态声量和开发者心智，又要用终端讲场景故事，还得用合理的定价守住 API 的商业底线。 开源从来不是"免费放送"那么简单，它是一种需要精打细算的战略动作。

Part Five：一张梯队的图：价格、评估、估值与 IPO 传闻

把镜头拉远一点，阶跃星辰今天所处的坐标系也很有意思。从 OpenRouter 的数据看，Step 5 Preview 的 token 用量一度冲到平台全球第二（周榜与日榜），这个位置对大模型"六小龙"之一的它而言来之不易。但它的 API 价格，与同生态里的头部选手相比并没有明显优势——以 DeepSeek-V4.1-Flash 为参照，后者的输入缓存未命中、输出价格，在高峰时段大约只是 Step 5 Preview 当前价格的 11%、29% 和 40%。换言之，Step 5 Preview 靠的是"更针对 Agent 与长程任务的差异化能力"，而不是"最便宜"。

在资本端，阶跃星辰一直被市场置于"赴港 IPO"的传闻漩涡里。今年 5 月就有消息称它完成近 25 亿美元融资并拆除红筹架构、加速赴港准备。虽未上市、没有公开报表，但其董事长印奇同时执掌的千里科技，2026 年上半年营收约 51.2 亿元、同比增长 22.36%，扣非净利润约 5570 万元同比扭亏——这扇"窗口"多少能让人对背后大模型公司在产业链上的协同能力多一分具体的想象。当然，资本市场关心的始终是两件事：调价之后收入弹性能否持续，以及智能体与终端布局能不能带来真实的付费用户与利润。动作多是一回事，商业闭环是另一回事。

Part Six：给观察者的三条判断

把前面这些串起来，我想抛给读到这里的人三条判断，供参考。

第一，别把"国产 Day0 适配"当成一次性的营销噱头，它是"模型×芯片"协同从个案走向机制的信号。 当五六家国产芯片厂商能在同一天对一个 600B 旗舰模型完成全链路调优，背后一定是长期的联合研发与工具链沉淀。这种能力一旦形成，就会像滚雪球一样，让下一个模型的适配周期越来越短。这对缓解"算力受制于人"的焦虑，是实打实的进展。

如果我们也想亲手感受一下 Day0 适配里那些"看不见却决定成败"的工程细节，最直观的一步，就是理解为什么 600B 的 MoE 想"翻得动"就得做算子层与量化层的联合打磨。当一个 TopK 路由在千万级行向量上做稀疏切片时，片上存储的复用、张量并行的切分方式、以及 KV Cache 的兼顾策略，都会显著影响端到端的吞吐与首个 token 时延。下面这段精简的 Go 聚合器，只是把"路由打分 + 稀疏转发 + 结果规约"这段最核心链路用代码摆出来，供你对照前面的架构图体会——真正上线的生产实现会复杂得多，但骨架正是如此。

第二，开源与商业不矛盾，精打细算才是更成熟的姿势。 阶跃星辰"开源前先调价 API、先发终端"的操作，给所有想靠开源做大生态的模型公司提供了一面镜子：权重可以开放，但 API 的差异化价值、终端的场景绑定、企业级的深度服务，才是把声量变成收入的地方。开源是开源，生意是生意，两者并不互斥。

第三，真正的分水岭不在"能跑"，而在"跑得好、跑出价值"。 Day0 适配解决了"能不能跑"，但模型能不能在真实的长程任务、复杂软件工程里稳定产生价值，能不能让开发者真的愿意留下来并为之付费，才是接下来要经受的考验。生态闭环在技术端开始闭合了，但这只是上半场。

如果把 Day0 适配再往工程深处拆一层，真正决定"能不能在发布当天就零缝隙跑通"的，从来不是一张新闻稿，而是一整套层层咬合的适配流水线：算子库要按这家厂商的指令集逐条重写与校验，量化需要用该芯片的数值格式重新校准保证精度不回摆，推理框架的调度器要针对其多核拓扑做张量并行与流水线并行的切分，KV Cache 的分配策略还要跟可用显存做精细化博弈。这一步一步下来，“同一天全员点亮"就不再是运气，而是提前数月铺好底座的必然结果。对开发者而言，这也意味着：换一张国产芯片跑旗舰模型的切换成本，正在被这套机制大幅压低。

Day0 的点灯，是一份关于"中国 AI 大模型与国产算力正走向同频"的宣言。它说明：算力自主已经不完全依赖于"某一块芯片单点突破”，而是越来越依靠"模型、算子、框架、芯片"四层一起向前走。这个局面的含金量，远比一张适配官宣海报要重得多。至于这个闭环能跑多快、转出多少真金白银，时间会给出答案。