先把东西摆出来。 3D 中国象棋：楚河汉界直接写在木纹盘面上，七种棋子七种独立造型，红方朱漆金字、黑方乌木金字，一盏聚光灯绕着棋盘慢慢转。完整规则——蹩马腿、塞象眼、炮翻山吃子、将士不出九宫、六十回合无吃子判和——全部实现，走法生成过了 perft 权威校验（44 / 1920 / 79666，与 Chess Programming Wiki 的参考值一致），52 项断言全过。 访问地址 https://jlnvv-tom.github.io/chinese-chess/
它不是我一笔一画写的，也不是哪个美术团队做的：是 Step 5 Preview，一天之内，从零生成。这篇拆两件事：这个模型的测评数字到底什么水平，以及它写 3D 这种东西，强在哪、卡在哪。
先看效果
SHOWTIME · 六张实机截图
全局视角。七种棋子七种造型，全是 Three.js 图元拼的，整个工程里找不到一个模型文件。
红方特写。字牌是 Canvas 程序化生成的贴图，金漆描边，字号前后调过三轮才够醒目。
楚河汉界。这四个字曾经整段消失——three.js r149 不声明 sRGBEncoding，贴图会被色调映射冲成白色。
炮的隔山吃子被画成抛物线弹道。规则不可视化是初学者最大的困惑点，这层是模型自己加的。
将军状态，受将方亮红色脉冲光。这个细节来自我反馈后的迭代，不是第一版就有的。
右下角浮动缩放按钮。第一版方向写反了，按＋是拉远。
所有这些画面背后没有任何素材文件：棋子是 Three.js 图元拼的造型，木纹年轮、金漆字牌、光晕、远山剪影，全部由 Canvas 程序化生成贴图。光影是动态的——主聚光灯缓慢环绕产生移动投影，冷色轮廓光在呼吸，将军时红光脉冲，还有萤火粒子、上升光尘和体积光束。
打开你手上的项目，先回答一个问题：你的产品里，有多少视觉效果是 “应该由代码生成”却还在手动切的图？
02
PART
这个模型是什么来头
THE MODEL · 600B MoE
Step 5 Preview 是阶跃星辰（StepFun）的旗舰基模，2026 年 9 月 20 日先开 API，2026 年 10 月 15 日按约定开放权重，Hugging Face 上的仓库是 stepfun-ai/Step-5-Preview-BF16，28 个分片。
架构是稀疏 MoE：总参数 600B，每个 token 只激活 27B（约 4.5%），92 层“窄而深” Transformer，1M token 上下文，原生支持文本、图片和视频输入。价目表也摆一下：
| 项 | 数字 |
|---|---|
| 输入价格 | 1 美元 / 百万 token |
| 输出价格 | 2.7 美元 / 百万 token |
| 缓存读取 | 0.05 美元 / 百万 token |
| 上下文窗口 | 1M token |
| 生成速度 | 约 100 token/s（官方口径） |
想自己部署的，先看门槛：官方 FP8 方案要 4 张 B300 或 8 张 H200；BF16 权重约 1.2TB，按 Forkast 的估算接近 8 张 H100 80GB。社区已经有第三方 GGUF 量化版在流通，上架八天约 2000 次下载——这是大多数人的现实路径。
03
PART
测评数字：哪些能信，哪些要打折
BENCHMARKS · 自报 vs 第三方
我把能找到的公开测评拉了一张表，并且标了口径——官方自报和第三方验证的可信度不是一回事：
| 测评项 | 分数 | 口径 |
|---|---|---|
| Artificial Analysis 智能指数 | 44（v4.3.2） | 第三方 |
| Terminal-Bench 4.0 | 33.3% | 第三方 |
| Terminal-Bench 2.1 | 85.0% | 第三方 |
| DeepSWE v1.1 | 67.7% | 官方自报 |
| SWE-Marathon v1.1 | 72.7% | 官方自报 |
| CyberGym | 84.7% | 官方自报 |
| GPQA Diamond | 93.5% | 官方自报 |
| FrontierFinance | 66.4 | 官方自报 |
两个读数值得单独说
第一，和闭源旗舰的差距在编程榜上很直观：DeepSWE v1.1 上 Claude Opus 5 是 74.0%，Step 5 Preview 是 67.7%——同一个榜差 6 个点，而按阶跃官方口径，单任务成本约为 Claude Opus 5 的八分之一。这个价差买 6 个点，划不划算，取决于你跑的是什么任务。
第二，更该看结构而不是总分。Terminal-Bench 4.0 上它是 Kimi K3 的 2.6 倍（33.3% 对 12.6%），而两者在 AA 智能指数上同为 44。通用智能打平、agentic 任务拉开差距，指向的是训练目标的差异：长程强化学习加上下文压缩，专门为多步骤任务调的。
官方还有个内部测试：让它自主优化 GPU kernel，连跑 22 小时，最终 508 TFLOPS，超过 Claude Opus 5 同题的 493 TFLOPS，成本约八分之一——这是厂商内部口径，没法外部复现，看个方向就行。
市场用脚投过票：10 月 10 日它登顶 OpenRouter Trending 榜，周调用量、日调用量都排到全球第二。
04
PART
一天实录：强在哪，卡在哪
FIELD NOTES · 第一手过程记录
测评是别人的数字，我这边有一手的。这个象棋项目从零到交付都在一天内，过程和踩坑都记在案。
先说强的
规则正确性不是蒙的
perft（走法枚举计数）初始局面校验 44 / 1920 / 79666 三层全对。这里有个细节：初始局面每个炮有 12 着，第 12 着是“隔敌方炮吃对方底线马”——黑炮正好充当炮架。这个着法手工推演极易漏掉，模型自己穷举出来了，还配了 52 项 Node 断言防回归。
测试意识是自带的
Node 单元测试、Playwright 浏览器对局测试、单文件 file:// 验证，一条龙都有。交付也完整：打包脚本、README、截图文档，一个不缺。
交付形态是完整的
11 个 JS 模块分工清晰（规则/贴图/棋子/场景/相机/音效/AI/交互/UI/主控），一个打包脚本产出 701KB 单文件，file:// 直接跑，断网也能玩。
再说卡的——每一条都是我盯着实际跑起来才发现的
1
three.js r149 的色彩管理：CanvasTexture 不显式声明 sRGBEncoding，会被当线性色解释，过一遍 ACES 色调映射后整体泛白，“楚河汉界”四个字直接淡到看不见。这不是模型不懂，是版本特定的坑，得真机跑过才知道。
2
几何坐标的一致性：盘面盒顶面 y=0.64，棋子立在 0.61，全部沉进盘子里；刻线长度也超标（横线写了 8.72，应为 8.0）。这类错误看代码看不出来，只有渲染出来才现形。
3
交互细节连着一串：动画期间的点击会被静默吞掉，要加 pendingCell 点击队列；缩放方向第一版写反；相机投影中心换算漏除一个 2；悔棋恢复棋子时旋转没重置，棋子会躺平。
所以这一天的真实分工是：模型负责把 90% 的活干到 90 分，剩下 10% 是“真跑起来才能发现的问题”，全靠人当验收员。而这个项目的验收工具是 perft 和断言——没有它们，你根本不知道模型交付的规则引擎是不是对的。
05
PART
这对写代码的人意味着什么
WHAT IT MEANS · 三个判断
三个判断，不一定对，供参考。
1
瓶颈正在从“写”挪到“验”。模型出活的速度已经不是约束，约束是你有没有能力判断它对不对。这个象棋项目里，验证手段是现成的：象棋有 perft 这种权威计数，你的业务有什么？是测试覆盖率，是数据对账，还是一双盯截图的眼睛？
2
开源权重改变了试错成本。API 随用随开，OpenAI 兼容接口，迁移成本低；自部署门槛极高（8 卡起步），但社区量化版已经把“在自己机器上跑一个 600B 模型”变成了可能。对个人开发者，这是第一次能摸到这个量级的国产旗舰。
3
别信任何单一榜单。同一个模型，DeepSWE 上 67.7% 不算顶尖，Terminal-Bench 4 上却是开源集里的 2.6 倍选手。测评数字要连口径一起读，自报的和第三方验证的要分开看。
把这条挪到自己身上：如果明天让模型给你重写一遍核心模块，你凭什么判断它对不对？答不上来，就先别急着换工具——先补验证。
///
LAST
写在最后
CLOSING · 分工反转的一天
这个象棋项目给我最大的震动不是“模型会写 3D 了”，而是分工的彻底反转：我一天里做的最多的事，不是写代码，是当验收员——跑 perft、翻断言、盯截图、复现用户反馈的每一个怪象。模型负责快，我负责对。
Step 5 Preview 的数字摆在那：600B 参数、27B 激活、AA 指数 44、开源权重已上线。它当然不完美，DeepSWE 差闭源旗舰 6 个点，色彩管理这种版本坑照样踩。但“一天从零到一个能玩的 3D 象棋”这件事本身，说明国产旗舰已经进了可用的区间。
模型负责快，我负责对。
象棋的源码、全部截图、benchmark 原始表我都整理好了，后台回我 「step5」 就行。
你手上有没有那种“早就想做但卡在美术/前端”的东西？评论区留言告诉我，下一期我挑一个点赞最高的，用同一个模型从零写给你看。
既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。
