#60 Step 3.7 Flash
low
অবৈধ SVG
- খরচ
- $0.004
- সময়
- 25.3s
- টোকেন
- 3,072 tok
Stepfun
প্রকাশ: 2026-05-29
পরীক্ষিত হয়েছে: 2026-05-29 11:49
stepfun/step-3.7-flash::low
198B মোট (11B সক্রিয়)MoEউন্মুক্ত উৎস
সারাংশ
Step 3.7 Flash AI BENCHY-তে 7.4 স্কোর করে এবং #60 স্থানে আছে। এর reliability 10.0, pass rate 68.3%, মোট খরচ $0.336, এবং গড় response time 16.06s.
Step 3.7 Flash কে আলাদা করে যা: এটি কোডিং-তে সবচেয়ে ভালোভাবে নজর কাড়ে, যেখানে এর rank #1; আর Sadharon Buddhimotta এর দুর্বলতম ক্ষেত্র, rank #18.
মডেলের তথ্য
গবেষণার তারিখ: 2026-08-12
- প্যারামিটার
- 198B মোট (11B সক্রিয়)
- আর্কিটেকচার
- MoE
- উপলভ্যতা
- উন্মুক্ত উৎস
- লাইসেন্স
- Apache-2.0
7.4
ধারাবাহিকতা
8.7
10.0
$0.336
মোট আউটপুট টোকেন
285,209
মোট ইনপুট টোকেন
0
ইনপুট মূল্য
$0.200 / 1M
আউটপুট মূল্য
$1.150 / 1M
অস্থির টেস্ট
3
অস্থির টেস্টে রানভেদে মিশ্র ফল হয়েছে (কমপক্ষে একটি পাস এবং একটি ফেল)।
16.06s
প্রতিক্রিয়া সময় (সর্বোচ্চ): 124.75s
প্রতিক্রিয়া সময় (মোট): 321.11s
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
রান ইতিহাস
| পরীক্ষিত হয়েছে | স্কোর | নির্ভরযোগ্যতা | সঠিক টেস্ট | মোট খরচ | তুলনা করুন |
|---|---|---|---|---|---|
| 2026-08-14 02:29 পুনরায় পরীক্ষা | 7.1 | 10.0 | $0.390 | তুলনা করুন | |
| 2026-07-16 22:46 নতুন টেস্ট যোগ হয়েছে | 7.3 | 10.0 | $0.454 | তুলনা করুন | |
| 2026-06-04 13:49 নতুন টেস্ট যোগ হয়েছে | 7.3 | 10.0 | $0.341 | তুলনা করুন | |
| 2026-05-29 11:49 প্রথম রান | 7.4 | 10.0 | $0.336 | বর্তমান রান |
রান তুলনা
| রান | বেঞ্চমার্ক কভারেজ | স্কোর | ধারাবাহিকতা | নির্ভরযোগ্যতা | সঠিক টেস্ট | অস্থির টেস্ট | মোট আউটপুট টোকেন | মোট ইনপুট টোকেন | মোট খরচ | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-29 11:49 · প্রথম রান | 60/60 প্রচেষ্টা | 7.4 | 8.7 | 10.0 | 12/20 | 3 | 285,209 | 0 | $0.336 | 16.06s |
| 2026-07-16 22:46 · নতুন টেস্ট যোগ হয়েছে | 66/66 প্রচেষ্টা | 7.3 | 8.1 | 10.0 | 12/22 | 5 | 376,581 | 103,833 | $0.454 | 20.68s |
| পার্থক্য | — | +0.1 | +0.6 | 0.0 | 0 | -2 | -91372 | -103833 | -$0.119 | -4627ms |
বেঞ্চমার্ক কভারেজ আলাদা: 60/60 প্রচেষ্টা (লক্ষ্য: প্রতি টেস্টে 3টি পুনরাবৃত্তি) বনাম 66/66 প্রচেষ্টা (লক্ষ্য: প্রতি টেস্টে 3টি পুনরাবৃত্তি)। মোট মান ও পুনরাবৃত্তি-সংবেদনশীল মেট্রিক সরাসরি তুলনাযোগ্য নয়।
এই দুই রান ভিন্ন বেঞ্চমার্ক স্যুইট ব্যবহার করেছে, তাই পার্থক্যগুলোতে মডেল পরিবর্তন এবং স্যুইট পরিবর্তন দুটোই ধরা পড়ে।
চার্ট
প্রথম মডেলটি নির্বাচন করুন, তারপর দ্বিতীয় মডেলে ক্লিক করে পাশাপাশি তুলনা পৃষ্ঠা খুলুন।
স্কোর অনুযায়ী শীর্ষ মডেল
স্কোর vs মোট খরচ
প্রতিক্রিয়া সময় (গড়)
স্কোর vs প্রতিক্রিয়া সময় (গড়)
মোট আউটপুট টোকেন
স্কোর vs মোট আউটপুট টোকেন
দ্রুত তুলনা
Step 3.7 FlashlowvsMuse Glimmer 30BlowStep 3.7 FlashlowvsSolar Pro 4highStep 3.7 FlashlowvsQwen3.5-122B-A10BmediumStep 3.7 FlashlowvsGrok 4.3mediumStep 3.7 FlashlowvsMuse Glimmer 30BmediumStep 3.7 FlashlowvsGPT-5.6 SolnoneStep 3.7 FlashlowvsQwen3.7 FlashlowStep 3.7 FlashlowvsDeepSeek V3.2mediumStep 3.7 FlashlowvsQwen3.5 Plus 2026-04-20mediumStep 3.7 FlashlowvsGLM 5.1medium
বিভাগভিত্তিক বিশ্লেষণ
| বিভাগ | স্কোর | ধারাবাহিকতা | সঠিক টেস্ট |
|---|---|---|---|
| অ্যান্টি-এআই কৌশল | 8.7 | 7.9 | |
| কোডিং | 10.0 | 10.0 | |
| সমন্বিত | 10.0 | 10.0 | |
| ডেটা পার্সিং ও নিষ্কাশন | 7.3 | 5.8 | |
| ডোমেইন-নির্দিষ্ট | 5.3 | 7.2 | |
| Sadharon Buddhimotta | 3.4 | 9.3 | |
| নির্দেশনা অনুসরণ | 9.8 | 10.0 | |
| ধাঁধা সমাধান | 5.5 | 9.9 | |
| টুল কলিং | 10.0 | 10.0 | |
| সাধারণ জ্ঞান | 3.0 | 10.0 |