AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com
#209

Step 3.7 Flash

Stepfun प्रकाशन: 2026-05-29 चाचणी तारीख: 2026-10-01 02:09 stepfun/step-3.7-flash::high
198B एकूण (11B सक्रिय)MoEमुक्त स्रोत
(high) (medium) (low)

सारांश

Step 3.7 Flash AI BENCHY वर 6.6 स्कोर करते आणि #209 वर आहे. याची reliability 10.0, pass rate 58.0%, एकूण खर्च $1.478, आणि सरासरी response time 72.72s आहे.

Step 3.7 Flash खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #2 आहे; तर कोडी सोडवणे हा सर्वात कमकुवत भाग आहे, rank #16.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

जाहीर केलेले
पॅरामीटर्स
198B एकूण (11B सक्रिय)
आर्किटेक्चर
MoE
उपलब्धता
मुक्त स्रोत
परवाना
Apache-2.0
पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

6.6

सुसंगतता

8.5

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$1.478 ↑ +9.5%

या किमतीवर चाचणी केली: $1.350

एकूण आउटपुट टोकन्स

1,100,052

एकूण इनपुट टोकन्स

421,200

इनपुट किंमत

$0.200 / 1M

आउटपुट किंमत

$1.150 / 1M

कॅश वाचण्याची किंमत

$0.040 / 1M

कॅश लिहिण्याची किंमत

लागू नाही

कॅशच्या किमती इनपुट टोकनला लागू होतात. वाचताना साठवलेले प्रॉम्प्ट पुन्हा वापरले जातात; लिहिताना ते साठवले जातात आणि अधिक खर्च होऊ शकतो. आउटपुट टोकनला आउटपुट किंमत लागू होते.

बरोबर चाचण्या

चुकीच्या चाचण्या: 12

प्रति प्रयत्न पास दर: 58.0%

अस्थिर चाचण्या

4

अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).

प्रतिसाद वेळ (सरासरी)

72.72s

प्रतिसाद वेळ (कमाल): 364.99s

प्रतिसाद वेळ (एकूण): 1672.53s

चुकीचे उत्तर: 8 उत्तर नाही: 2 API त्रुटी: 1 अवैध टूल कॉल: 1

Hamster playing table tennis

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

#209 Step 3.7 Flash

high
खर्च
$0.007
वेळ
63.6s
टोकन्स
6,030 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-10-01 02:09 पुन्हा चाचणी 6.6 10.0 $1.478 ↑ सध्याची रन
2026-07-16 22:46 नवीन चाचणी जोडली 6.9 10.0 $1.207 तुलना करा
2026-06-04 14:10 नवीन चाचणी जोडली 7.0 10.0 $1.148 तुलना करा
2026-05-29 11:53 पहिला रन 7.1 9.9 $0.960 तुलना करा

या रनमध्ये वेगळा बेंचमार्क सूट वापरला गेला. ऐतिहासिक बदल वाचताना सूटमधील बदल लक्षात घ्या.

रन तुलना

रनबेंचमार्क कव्हरेजस्कोअरसुसंगतताविश्वसनीयताबरोबर चाचण्याअस्थिर चाचण्याएकूण आउटपुट टोकन्सएकूण इनपुट टोकन्सएकूण खर्चप्रतिसाद वेळ (सरासरी)
2026-10-01 02:09 · सध्याची रन69/69 प्रयत्न6.68.510.011/2341,100,052421,200$1.47872.72s
2026-07-16 22:46 · नवीन चाचणी जोडली66/66 प्रयत्न6.98.010.011/2251,032,39598,691$1.20764.68s
फरक—-0.3+0.50.00-1+67657+322509+$0.271+8036ms

बेंचमार्क कव्हरेज वेगळे आहे: 69/69 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 66/66 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती). एकूण मूल्ये आणि पुनरावृत्तीवर अवलंबून मेट्रिक्स थेट तुलना करता येत नाहीत.

या दोन रनमध्ये वेगवेगळे बेंचमार्क सूट वापरले गेले, त्यामुळे फरकांमध्ये मॉडेलमधील आणि सूटमधील दोन्ही बदल दिसतात.

किंमत इतिहास

OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.

तारीख इनपुट किंमत आउटपुट किंमत कॅश वाचण्याची किंमत कॅश लिहिण्याची किंमत
2026-08-14 12:51 $0.200 / 1M $1.150 / 1M लागू नाही लागू नाही
2026-10-01 18:33 $0.200 / 1M $1.150 / 1M $0.040 / 1M लागू नाही

चार्ट्स

पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

झटपट तुलना

Step 3.7 FlashhighvsMercury 2mediumStep 3.7 FlashhighvsKAT-Coder-Pro V2.5lowStep 3.7 FlashhighvsLongCat 2.0lowStep 3.7 FlashhighvsClaude Sonnet 5.5mediumStep 3.7 FlashhighvsQwen3.7 FlashmediumStep 3.7 FlashhighvsQwen3.6 35B A3BmediumStep 3.7 FlashhighvsGLM 5.2noneStep 3.7 FlashhighvsMercury 2.5 PreviewhighStep 3.7 FlashhighvsGPT-5.5noneStep 3.7 FlashhighvsMercury 2.5high

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
स्वायत्त एजंट कार्ये 5.4 9.6
अँटी-एआय युक्त्या 10.0 10.0
कोडिंग 4.0 6.0
संयुक्त 8.7 6.9
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 3.6 7.2
Samanya Buddhimatta 5.5 10.0
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 5.3 7.2
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स