AI BENCHY Compare

StepFun: Step 3.7 Flash vs xAI: Grok Build 0.1

Ringkasan

Perbandingan benchmark Step 3.7 Flash vs Grok Build 0.1: Step 3.7 Flash unggul dalam skor rata-rata dengan 7.7 vs 7.6. Step 3.7 Flash memiliki biaya benchmark lebih rendah di $0.341 vs $0.927. Step 3.7 Flash lebih cepat di 15.74s vs 49.90s, dengan tingkat keberhasilan 68.3% vs 61.9%.

Model yang direkomendasikan: Step 3.7 Flash - It has the best score here (7.7), while costing about 2.7x less than Grok Build 0.1.

Benchmark dihasilkan dari suite pengujian AI BENCHY pada: 2026-06-12

Metrik	Step 3.7 Flash Step 3.7 Flash low Rilis: 2026-05-29	Grok Build 0.1 Grok Build 0.1 medium Rilis: 2026-05-21

Metrik	Step 3.7 Flash Step 3.7 Flash low Rilis: 2026-05-29	Grok Build 0.1 Grok Build 0.1 medium Rilis: 2026-05-21
Skor	7.7	7.6
Peringkat	#42	#44
Keandalan	10.0	10.0
Konsistensi	8.4	9.9
Tes benar
Tingkat lulus per percobaan	68.3%	61.9%
Tes tidak stabil	4	0
Total Run	63	63
Biaya per hasil	2.840	7.124
Total Biaya	$0.341	$0.927
Harga input	$0.200 / 1M	$1.000 / 1M
Harga output	$1.150 / 1M	$2.000 / 1M
Total token input	40,101	44,418
Token output	289,325	2,782
Token penalaran	0	438,018
Waktu respons (rata-rata)	15.74s	49.90s
Waktu respons (maks)	124.75s	252.69s
Waktu respons (total)	330.63s	1047.92s

Generation showcase

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#42 Step 3.7 Flash

low

Invalid SVG

Cost: $0.004
Time: 25.3s
Tokens: 3,072 tok

#44 xAI: Grok Build 0.1

medium

Cost: $0.028
Time: 81.3s
Tokens: 14,009 tok

Model teratas berdasarkan skor

Skor vs Total Biaya

Waktu respons (rata-rata)

Skor vs Waktu respons (rata-rata)

Total token output

Skor vs Total token output

Rincian Kategori

Trik anti-AI	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	8.7	7.9	91.7%	1		4.02s	756	10,896	0
Grok Build 0.1	8.3	10.0	75.0%	0		7.43s	2,010	220	12,162

Pemrograman	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	8.2	7.2	88.9%	1		9.46s	7,437	18,685	0
Grok Build 0.1	5.7	9.7	33.3%	0		108.46s	8,304	1,138	161,452

Gabungan	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	10.0	10.0	100.0%	0		7.98s	13,683	6,426	0
Grok Build 0.1	10.0	10.0	100.0%	0		32.81s	12,909	231	16,917

Parsing dan ekstraksi data	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	7.3	5.8	83.3%	1		2.29s	7,398	2,667	0
Grok Build 0.1	10.0	10.0	100.0%	0		10.72s	7,761	180	8,876

Spesifik domain	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	5.3	7.2	44.4%	1		43.31s	828	104,487	0
Grok Build 0.1	5.3	10.0	33.3%	0		158.00s	1,764	492	175,294

Kecerdasan umum	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	3.4	9.3	0.0%	0		7.00s	525	4,604	0
Grok Build 0.1	4.4	9.9	0.0%	0		18.41s	825	76	6,345

Kepatuhan instruksi	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	9.8	10.0	100.0%	0		1.58s	735	1,857	0
Grok Build 0.1	9.8	10.0	100.0%	0		12.36s	1,362	57	9,599

Pemecahan teka-teki	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	5.5	9.9	33.3%	0		1.84s	756	3,564	0
Grok Build 0.1	7.7	10.0	66.7%	0		18.26s	1,689	195	20,841

Pemanggilan alat	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	10.0	10.0	100.0%	0		3.25s	7,746	1,360	0
Grok Build 0.1	10.0	10.0	100.0%	0		13.12s	7,263	180	4,969

Pengetahuan umum	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Step 3.7 Flash	3.0	10.0	0.0%	0		124.75s	237	134,779	0
Grok Build 0.1	3.0	10.0	0.0%	0		53.51s	531	13	21,563

Perbandingan Cepat

Ganti Pasangan Perbandingan