AI BENCHY
Advertise here
#60

Step 3.7 Flash

Stepfun प्रकाशन: 2026-05-29 चाचणी तारीख: 2026-05-29 11:49 stepfun/step-3.7-flash::low
(high) (medium) (low)

सारांश

Step 3.7 Flash AI BENCHY वर 7.4 स्कोर करते आणि #60 वर आहे. याची reliability 10.0, pass rate 68.3%, एकूण खर्च $0.336, आणि सरासरी response time 16.06s आहे.

Step 3.7 Flash खास का आहे: हे कोडिंग मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर Samanya Buddhimatta हा सर्वात कमकुवत भाग आहे, rank #15.

स्कोअर

7.4

सुसंगतता

8.7

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.336

एकूण आउटपुट टोकन्स

285,209

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$0.200 / 1M

आउटपुट किंमत

$1.150 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 8

प्रति प्रयत्न पास दर: 68.3%

अस्थिर चाचण्या

3

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

प्रतिसाद वेळ (सरासरी)

16.06s

प्रतिसाद वेळ (कमाल): 124.75s

प्रतिसाद वेळ (एकूण): 321.11s

चुकीचे उत्तर: 7 उत्तर नाही: 1

जनरेशन शोकेस

Hamster playing table tennis

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

#60 Step 3.7 Flash

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

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-06-04 13:49 नवीन चाचणी जोडली 7.3 10.0 $0.341 तुलना करा
2026-05-29 11:49 पहिला रन 7.4 10.0 $0.336 सध्याची रन

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 FlashlowvsGrok 4.3mediumStep 3.7 FlashlowvsQwen3.5-122B-A10BmediumStep 3.7 FlashlowvsMiniMax M3mediumStep 3.7 FlashlowvsKimi K2.6mediumमोफत उपलब्धStep 3.7 FlashlowvsDeepSeek V4 ProhighStep 3.7 FlashlowvsGemini 3.5 FlashhighStep 3.7 FlashlowvsGemini 3 Flash PreviewmediumStep 3.7 FlashlowvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धStep 3.7 FlashlowvsGPT-5.5low

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 8.7 7.9
कोडिंग 10.0 10.0
संयुक्त 10.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 7.3 5.8
डोमेन-विशिष्ट 5.3 7.2
Samanya Buddhimatta 3.4 9.3
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 5.5 9.9
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स