#34

Step 3.5 Flash

Stepfun रिलीज़: 2026-02-01 परीक्षण किया गया: 2026-04-11 00:35 stepfun/step-3.5-flash::medium

(medium) (none)

स्कोर

7.9

संगति

9.1

विश्वसनीयता

लागू नहीं

कुल लागत (वर्तमान कीमत)

$0.000

कुल आउटपुट टोकन

227,511

कुल इनपुट टोकन

इनपुट कीमत

$0.100 / 1M

आउटपुट कीमत

$0.300 / 1M

सही परीक्षण

गलत टेस्ट: 6

प्रति प्रयास पास दर: 70.6%

अस्थिर टेस्ट

अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।

प्रतिक्रिया समय (औसत)

26.78s

प्रतिक्रिया समय (अधिकतम): 170.45s

प्रतिक्रिया समय (कुल): 294.58s

निर्देशों का पालन नहीं किया: 3 गलत उत्तर: 3

रन इतिहास

परीक्षण किया गया	स्कोर	विश्वसनीयता	कुल लागत	तुलना करें
2026-06-04 14:12 नया टेस्ट जोड़ा गया	7.2	8.9	$0.070 ↑	तुलना करें
2026-05-22 00:30 सूट बदला गया	7.4	9.3	$0.015	तुलना करें
2026-05-08 15:30 सूट बदला गया	7.6	10.0	$0.011	तुलना करें
2026-04-11 00:35 पहला दर्ज रन	7.9	लागू नहीं	$0.000	वर्तमान रन

रन तुलना

रन	स्कोर	संगति	विश्वसनीयता	सही परीक्षण	अस्थिर टेस्ट	कुल आउटपुट टोकन	कुल लागत	प्रतिक्रिया समय (औसत)
2026-04-11 00:35 · पहला दर्ज रन	7.9	9.1	लागू नहीं	11/17	2	227,511	$0.000	26.78s
2026-05-08 15:30 · सूट बदला गया	7.6	9.2	10.0	11/18	2	251,708	$0.011	41.66s
अंतर	+0.3	-0.1		0	0	-24197	-$0.011	-14879ms

इन दो रन में अलग-अलग बेंचमार्क सूट इस्तेमाल हुए थे, इसलिए अंतर मॉडल बदलाव और सूट बदलाव दोनों को दर्शाते हैं।

चार्ट

पहले मॉडल चुनें, फिर दूसरा मॉडल क्लिक करके साइड-बाय-साइड पेज खोलें।

स्कोर के अनुसार शीर्ष मॉडल

स्कोर vs कुल लागत

प्रतिक्रिया समय (औसत)

स्कोर vs प्रतिक्रिया समय (औसत)

कुल आउटपुट टोकन

स्कोर vs कुल आउटपुट टोकन

त्वरित तुलना

श्रेणी विवरण

श्रेणी	स्कोर	संगति
एंटी-एआई ट्रिक्स	10.0	10.0
संयुक्त	10.0	10.0
डेटा पार्सिंग और निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	5.3	7.2
Samanya Buddhimatta	5.5	10.0
निर्देश पालन	8.5	6.8
पहेली समाधान	5.3	10.0
टूल कॉलिंग	10.0	10.0

Step 3.5 Flash

चार्ट

स्कोर के अनुसार शीर्ष मॉडल

स्कोर vs कुल लागत

प्रतिक्रिया समय (औसत)

स्कोर vs प्रतिक्रिया समय (औसत)

कुल आउटपुट टोकन

स्कोर vs कुल आउटपुट टोकन

त्वरित तुलना

श्रेणी विवरण

तुलना किए गए मॉडल