नेव्हिगेशन
AI BENCHY
Advertise here

Step 3.7 Flash (low) vs Grok Build 0.1 (medium)

Grok Build 0.1 (medium) average score मध्ये पुढे आहे: 7.6 vs 7.3. Step 3.7 Flash (low) चा benchmark खर्च कमी आहे: $0.454 vs $1.097. Step 3.7 Flash (low) वेगवान आहे: 20.68s vs 52.06s, pass rates 68.2% vs 63.6%.

AI BENCHY टेस्ट सूटमधून बेंचमार्क या वेळी तयार झाले: 2026-07-28

क्रमांक
#77
एकूण आउटपुट टोकन्स
376,581
प्रतिसाद वेळ (सरासरी)
20.68s
एकूण खर्च
$0.454
क्रमांक
#56
एकूण आउटपुट टोकन्स
494,663
प्रतिसाद वेळ (सरासरी)
52.06s
एकूण खर्च
$1.097
शिफारस केलेले मॉडेल Step 3.7 Flash (low)

Its score stays close to the best score here (7.3 vs 7.6), while costing about 2.4x less than Grok Build 0.1 (medium).

तपशीलवार तुलना

मेट्रिक Step 3.7 Flash Step 3.7 Flash low प्रकाशन: 2026-05-29 Grok Build 0.1 Grok Build 0.1 medium प्रकाशन: 2026-05-21
स्कोअर 7.3 7.6
क्रमांक #77 #56
विश्वसनीयता 10.0 10.0
सुसंगतता 8.1 10.0
बरोबर चाचण्या
प्रति प्रयत्न पास दर 68.2% 63.6%
अस्थिर चाचण्या 5 0
एकूण रन 66 66
प्रति निकाल खर्च 3.782 7.830
एकूण खर्च $0.454 $1.097
इनपुट किंमत $0.200 / 1M $1.000 / 1M
आउटपुट किंमत $1.150 / 1M $2.000 / 1M
एकूण इनपुट टोकन्स 103,833 106,751
आउटपुट टोकन्स 376,581 7,993
रिझनिंग टोकन्स 0 486,670
प्रतिसाद वेळ (सरासरी) 20.68s 52.06s
प्रतिसाद वेळ (कमाल) 124.75s 252.69s
प्रतिसाद वेळ (एकूण) 455.01s 1145.27s

मॉडेल जनरेशन शोकेस

Hamster playing table tennis

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

#77 Step 3.7 Flash

low
अवैध SVG
खर्च
$0.004
वेळ
25.3s
टोकन्स
3,072 tok

#56 xAI: Grok Build 0.1

medium
खर्च
$0.028
वेळ
81.3s
टोकन्स
14,009 tok

स्कोअरनुसार शीर्ष मॉडेल्स

स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी)

स्कोअर vs प्रतिसाद वेळ (सरासरी)

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

श्रेणीवार तपशील

कोडिंग स्कोअर सुसंगतता प्रति प्रयत्न पास दर अस्थिर चाचण्या बरोबर चाचण्या प्रतिसाद वेळ (सरासरी) इनपुट टोकन्स आउटपुट टोकन्स रिझनिंग टोकन्स
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

झटपट तुलना

तुलना जोडी बदला