API de Step 5 Preview: acceso compatible con OpenAI, contexto de 1M y precio

Respuesta corta: una sola API con el id stepfun/step-5-preview

LLMTR (llmtr.com) es un gateway que da acceso, a través de una única API compatible con OpenAI, a modelos de lenguaje alojados en Turquía y en proveedores globales. Allí puedes llamar a Step 5 Preview de StepFun con el id de modelo stepfun/step-5-preview en el endpoint https://llmtr.com/v1/chat/completions. No necesitas una cuenta aparte en StepFun: basta con tu clave de API de LLMTR y la URL base https://llmtr.com/v1.

Step 5 Preview es la versión preliminar del modelo que StepFun creó para trabajo con agentes, pensado para desarrollo de software, trabajo profesional como las finanzas, flujos de varios pasos con herramientas y documentos largos. En LLMTR la ventana de contexto es de 1.024.000 tokens y se factura por 1M de tokens a 1,00 $ la entrada, 0,10 $ la entrada leída de caché y 2,70 $ la salida. El modelo acepta texto, imagen y video, y devuelve texto.

Cómo usar la API de StepFun Step 5 Preview con el SDK de OpenAI

En un cliente de OpenAI existente cambian tres valores: base_url pasa a ser https://llmtr.com/v1, api_key lleva tu clave de LLMTR y el nombre del modelo pasa a ser stepfun/step-5-preview. El cuerpo, los mensajes y la respuesta tienen el formato de Chat Completions. La solicitud curl de abajo pregunta por la causa raíz de una línea de error y envía reasoning_effort con el valor medium.

La respuesta llega en message.content y el texto de razonamiento del modelo en message.reasoning_content. El objeto usage trae los tokens, y el cargo se calcula con ellos y el precio del catálogo. Para pasar a otro modelo del catálogo con la misma clave solo cambias el nombre del modelo.

Solicitud curl que pregunta por la causa raíz de una línea de error, con reasoning_effort medium y un presupuesto de 4.096 tokens.

curl https://llmtr.com/v1/chat/completions \
  -H "Authorization: Bearer $LLMTR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "stepfun/step-5-preview",
    "messages": [
      {"role": "system", "content": "Answer briefly."},
      {"role": "user", "content": "Find the root cause in this error log and suggest a fix: TypeError: Cannot read properties of undefined (reading id) at saveOrder (orders.js:42)"}
    ],
    "reasoning_effort": "medium",
    "max_tokens": 4096
  }'

Precio, contexto y funciones

StepFun describe el modelo con un contexto de 1M de tokens en su propia página; el valor en el catálogo de LLMTR es de 1.024.000 tokens, y el prompt con el historial debe caber en ella. Los precios coinciden con las cifras de la tabla de precios de StepFun. No se ha publicado una fecha de fin ni un precio posterior para la versión preliminar. El catálogo muestra el modelo con la etiqueta Beta, mientras que StepFun llama a esta versión Preview.

StepFun indica una salida de 64K tokens para este modelo. Si esperas una salida larga, como un informe extenso, revisa finish_reason en la respuesta: el valor length significa que la salida se cortó en el presupuesto de max_tokens.

• StepFun, pricing details · 2026-10-10
• StepFun, Step 5 Preview model page · 2026-10-10

reasoning_effort y el presupuesto de max_tokens

Step 5 Preview razona antes de responder aunque no envíes reasoning_effort; el parámetro solo elige la profundidad. Los valores aceptados son low, medium y high, y una solicitud con xhigh o max se rechaza con 400. También puedes indicar el nivel como sufijo del id del modelo: stepfun/step-5-preview:low razona de forma breve y stepfun/step-5-preview:high con más profundidad.

Los tokens de razonamiento se cuentan en usage.completion_tokens y se facturan al precio de salida, 2,70 $ por 1M de tokens. Como el razonamiento sale del presupuesto de max_tokens, un presupuesto pequeño puede detener al modelo antes de que escriba la respuesta. Esa respuesta llega con finish_reason: length y debe tratarse como incompleta; en una llamada sin streaming, content lleva entonces el texto de razonamiento cortado. Mantén el presupuesto en unos miles de tokens aunque esperes una respuesta corta.

SDK de OpenAI para Python con reasoning_effort low, un presupuesto de 4.096 tokens y una comprobación de finish_reason.

from openai import OpenAI

client = OpenAI(base_url="https://llmtr.com/v1", api_key="llmtr-your_key")

response = client.chat.completions.create(
    model="stepfun/step-5-preview",
    messages=[{"role": "user", "content": "List the findings these three reports share."}],
    reasoning_effort="low",
    max_tokens=4096,
)
choice = response.choices[0]
if choice.finish_reason == "length":
    print("Incomplete answer: raise max_tokens")
else:
    print(choice.message.content)
print(response.usage)

Caché de prompts, streaming, llamadas a herramientas y salida JSON

StepFun guarda en caché automáticamente los prefijos de prompt repetidos de 256 tokens o más; no hay nada que marcar en la solicitud. El número de tokens leídos de caché vuelve en usage.prompt_tokens_details.cached_tokens, y esos tokens se facturan a 0,10 $ por 1M de tokens; escribir en la caché no tiene un cargo aparte. La caché es un descuento, no una garantía: poner al principio la parte larga y fija del prompt aumenta la probabilidad de acierto.

Con stream: true la respuesta llega por partes y el último fragmento trae el uso exacto de tokens. Cuando el modelo llama a una herramienta, finish_reason es tool_calls y devuelves el resultado en el turno siguiente con un mensaje de role tool. response_format acepta json_object, y Step 5 Preview además produce una salida que se ajusta al esquema que pasas con json_schema y strict: true.

Empezar con LLMTR: cuenta, clave y primera solicitud

Paso 1: crea una cuenta en llmtr.com y recarga crédito prepago. Paso 2: crea una clave en Dashboard > API Keys; la clave completa se muestra una sola vez, así que guárdala en una variable de entorno como LLMTR_API_KEY. Paso 3: envía la primera solicitud con cualquier SDK compatible con OpenAI a https://llmtr.com/v1, con stepfun/step-5-preview como modelo.

Cada solicitud se descuenta de tu crédito al precio del catálogo, y el uso aparece por clave en la página de uso del Dashboard. Al precio de este modelo no se le añade margen; la comisión de plataforma del 8% de LLMTR se cobra solo al recargar crédito.

Llamar a Step 5 Preview a través de LLMTR

Crea una cuenta, crea una clave de API y envía la primera solicitud a https://llmtr.com/v1/chat/completions con stepfun/step-5-preview.

1. Cuenta. Crea una cuenta en llmtr.com y recarga crédito prepago.
2. Clave de API. Crea una clave en Dashboard > API Keys. La clave completa se muestra una vez; guárdala en la variable de entorno LLMTR_API_KEY.
3. Primera solicitud. En un SDK compatible con OpenAI, cambia base_url y api_key y envía la primera solicitud a https://llmtr.com/v1 con stepfun/step-5-preview como modelo.

Frequently asked questions

¿Cuánto cuesta la API de Step 5 Preview?

En LLMTR, stepfun/step-5-preview cuesta 1,00 $ por 1M de tokens de entrada, 0,10 $ por 1M de tokens de entrada en caché y 2,70 $ por 1M de tokens de salida. Los tokens de razonamiento se facturan al precio de salida.

¿De qué tamaño es la ventana de contexto de Step 5 Preview?

El catálogo de LLMTR indica 1.024.000 tokens; StepFun lo escribe como 1M de tokens.

¿Se puede usar Step 5 Preview con el SDK de OpenAI?

Sí. Pon base_url en https://llmtr.com/v1, api_key con tu clave de LLMTR y model en stepfun/step-5-preview; las solicitudes van al endpoint /v1/chat/completions.

Artículos relacionados

• Entrada de video e imagen con Step 5 Preview: una solicitud a la API con base64
• ¿Step 5 Preview o Step 3.7 Flash? Contexto y coste para trabajo con agentes

• Modelo Step 5 Preview
• Documentación de StepFun
• Guía de Chat Completions
• Documentación de reasoning effort