opencode 免费模型 step-5-preview-free 评测：100 万上下文确认 + 真实网站功能开发（2026-10）

10 月 9 日，opencode 又上新免费模型 step-5-preview-free——StepFun（阶跃星辰）的 Step 5 Preview，9 月 20 号发布的旗舰大模型，货架参数挂着 100 万上下文，限时免费。我做了几项关键能力实测：100 万上下文上限、基础能力（推理/结构化/事实/稳定性/特殊 token）、速度，还让它真干了个活——给我自己的一个网站开发「定时休息提醒」功能（走系统通知）。长上下文深测、多模态没全做，结论按实测覆盖的范围说。

结论先放：免费 + 100 万上下文 + 真能开发真实项目功能——上下文上限是服务端明示的 100 万，不缩水；干活任务从功能开发、编译通过到 Windows 桌面弹出通知，一路走通；基础能力也全过。

一、参数与 100 万上下文

• 免费：限时免费。
• 100 万上下文实测确认：我直接怼了 1024k 档请求（1,026,031 tokens），服务端返回 [400] ContextOverflowError，明示 maximum context length is 1000000 tokens——上限就是 100 万 tokens，不缩水。在长文档里埋标记、让模型逐字找回来（NIAH 变体探针：特殊标记埋在文档中段，两档各 3 次），64k/256k 两档共 6/6 全找回，长文档检索可用。
• 512k 档不稳定：3 次里只有 1 次正常找回（1 空回、1 HTML 转义），超长段有退化迹象，不算定论。

opencode 平台调用记录：14 次调用全部成功，token 用量与耗时可见

二、基础能力剖面（六模块）

模块	结果	判分要点
reasoning 推理	3/3 全对	水管灌满 24 小时（主动指出题面歧义——水箱容量未明示，按 120 升理解）；三段论正确答「无法确定」+ 集合关系反例论证；二次方程因式分解 + 求根公式双解法。每题都给完整推理过程
structured 结构化	3/3 JSON 合规	简单对象/嵌套对象/数组三种形态一次解析全合规、无多余文字——生产场景可直接用
facts 事实性	4/5（Q3 口径争议）	Python 之父、404、Git 创始人、JSON 全称全对；C# 首发年份有争议（详见下）。常见事实错误高发点基本全过
stability 稳定性	10/10 成功	同一 prompt 连跑 10 次无空答，输出 10 种变体——同题给出不同但正确的写法，正常多样性非复读机
special-tokens	回显 Llama 系 BOS	begin_of_text / s（Llama 系 BOS）干净回显，im_start / start_header_id 被吞
choices 分布	首词分布留档	随机数→37、动物→鲸鱼、城市→喀什、硬币→正面

facts 的 Q3 要说清楚：题库答案「C# 首发 2000 年」，模型答「2002 年（随 .NET Framework 1.0 正式推出）」——2002 是 .NET Framework 1.0 正式发布年，题库是预览年口径。按题库判「错误」，但答案有依据。这是口径争议，不是幻觉。

三、速度

• 输出速度中位 22.4 t/s（20-80 为中档，免费模型里算「可用」）。
• 单请求端到端中位 5.98s（reasoning 旗舰带思考时长，属预期）。

四、干活能力（真实项目功能开发：定时休息提醒，走系统通知）

为什么选这个任务：单个问答测不出干活能力，得让它走一遍完整开发流程。这个功能不大，但五脏俱全，能较充分验证模型的端到端开发能力。具体任务：给我自己的一个网站（ASP.NET Core）加「定时休息提醒」——9:00-20:00 每小时提醒「该休息了」，走系统通知。

开发过程：整个流程模型独立完成——从读项目结构开始，写完功能代码自查构建，再用桩触发验证，全程没我盯着。中间它把测试预期写错过一次，自查发现后归因修正了测试桩（业务代码本身全对，错在测试预期），过程轨迹合理。

交付与验证：

• 新增 1 个 JS 文件（不依赖任何外部库）+ 布局文件 + 2 行引入；
• 编译零错误零警告；让模型自己验证了下功能实现（通过 Stub 方式触发验证）18 项验证全过（整点触发、同小时不重复、20:00 后停、次日恢复、权限拒绝降级 toast、休眠跳时只补一次等边界全覆盖）；
• 系统通知链路一路走通 ✅：权限请求 → 授权 → 页面确认 → 定时触发 → Windows 桌面弹出 + 通知中心留存。逻辑边界模型自己用桩验证过（18/18 全过），我也在浏览器里实际等到了整点、确认了弹出。

浏览器通知权限请求弹窗（允许/屏蔽）——权限请求正常弹出

未授权时页面内 toast 降级 + 开启指引——降级路径可达

授权后页面内确认提示——授权链路生效

Windows 通知中心留存（含通知时间）——通知中心留存

Windows 桌面端实时弹出——桌面弹出

toast 降级分支——降级分支走通

速度与成本：十来分钟 / 6.85 万 tokens（输入增量 272 + 输出 865 + 缓存读取 6.7 万）。

局限：真实浏览器系统通知可达性依赖浏览器通知策略与权限状态（首次需允许权限、浏览器进程需存活）；实现已覆盖降级路径（toast + 开启指引）。

五、边界与官方对照

官方成绩对照（官方口径，不可直接比绝对值）：

官方指标	官方值	实测项	状态 / 怎么读
GPQA Diamond（研究生级科学问答）	93.5%	推理 3/3 全对	方向一致，只作趋势对照（官方基准集 ≠ 实测快题）
Terminal-Bench v2.1（终端 agent 任务集）	85.0%	真实网站功能开发	同为 Agentic/编程向，完成度高，高分成色算部分验证
BrowseComp（浏览器检索推理）	88.7%	—	未实测（时间盒内不安排），仅官方口径
MMMU-Pro（多模态推理）	76.0%	—	未实测（环境未配好），仅官方口径
AA 智能指数	44	—	仅官方口径留档

环境边界：单机、单场景、单时间窗（2026-10-09 06:15-07:40，opencode 1.18.35）。

六、怎么用

• 免费长上下文：免费 + 100 万上下文 + 推理/结构化/稳定性全过，适合长文档、大上下文任务——长文档埋标记、逐字找回已验证可用（64k/256k 两档），直接开用；512k 超长段留个心眼。
• Agentic 干活：已验证可用（真实网站功能开发一路走通，含 Windows 桌面弹通知），免费 0 成本值得试。
• 要留心的：官方成绩只作趋势参考（基准集口径不同）；BrowseComp/MMMU-Pro 未实测；512k 超长段不稳定；结论受单机单时间窗限制。