Google: Gemini 3 Flash Preview vs StepFun: Step 3.5 Flash
Rezumat
Comparație benchmark Gemini 3 Flash Preview (medium) vs Step 3.5 Flash: Gemini 3 Flash Preview (medium) conduce la scorul mediu cu 9.6 vs 2.6. Step 3.5 Flash are costul de benchmark mai mic, $0.020 vs $0.667. Gemini 3 Flash Preview (medium) este mai rapid cu 18.64s vs 39.03s, cu rate de reușită de 98.4% vs 28.6%.
Model recomandat: Gemini 3 Flash Preview (medium) - Are cel mai bun scor aici (9.6) și răspunde de aproximativ 2.1x mai rapid decât Step 3.5 Flash.
Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-07-09
Step 3.5 FlashStep 3.5 FlashnoneModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2026-02-01
Scor
9.6Scor mediu pe toate testele de benchmark.…
2.6Scor mediu pe toate testele de benchmark.…
Rang
#2
#187
Fiabilitate
10.0Scorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
10.0Scorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
Consistență
9.7Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
5.7Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Teste corecte
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)18.64sTimp de răspuns (maxim)117.26sTimp de răspuns (total)391.35sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 4Nu a urmat instrucțiunile: 1Răspuns greșit: 1Timp de răspuns (mediu)39.03sTimp de răspuns (maxim)114.12sTimp de răspuns (total)312.26sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Rată de trecere pe încercare
98.4%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
28.6%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
Teste instabile
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Rulări totale
63Rulări totale…
36Rulări totale…
Cost per rezultat
3.335Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
0.328Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
Cost total
$0.667Cost total (preț curent)…
$0.020Cost total (preț curent)…
Preț de intrare
$0.500 / 1MPreț de intrare…
$0.100 / 1MPreț de intrare…
Preț de ieșire
$3.000 / 1MPreț de ieșire…
$0.300 / 1MPreț de ieșire…
Total tokenuri de intrare
37,017Total tokenuri de intrare…
1,971Total tokenuri de intrare…
Tokenuri de ieșire
2,006Tokenuri de ieșire…
64,795Tokenuri de ieșire…
Tokenuri de raționament
214,153Tokenuri de raționament…
0Tokenuri de raționament…
Timp de răspuns (mediu)
18.64sTimp de răspuns (mediu)…
39.03sTimp de răspuns (mediu)…
Timp de răspuns (maxim)
117.26sTimp de răspuns (maxim)…
114.12sTimp de răspuns (maxim)…
Timp de răspuns (total)
391.35sTimp de răspuns (total)…
312.26sTimp de răspuns (total)…
Prezentare generare
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)3.88sTimp de răspuns (maxim)5.73sTimp de răspuns (total)15.53sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.88sTimp de răspuns (mediu)…
494Total tokenuri de intrare…
330Tokenuri de ieșire…
3,216Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)34.99sTimp de răspuns (maxim)109.60sTimp de răspuns (total)139.95sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.6Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
88.9%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)84.40sTimp de răspuns (maxim)117.26sTimp de răspuns (total)253.21sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
84.40sTimp de răspuns (mediu)…
8,122Total tokenuri de intrare…
462Tokenuri de ieșire…
161,084Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
9.8Scor mediu pe toate testele de benchmark.…
3.3Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)22.42sTimp de răspuns (maxim)22.42sTimp de răspuns (total)22.42sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
22.42sTimp de răspuns (mediu)…
12,873Total tokenuri de intrare…
351Tokenuri de ieșire…
10,485Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.43sTimp de răspuns (maxim)6.18sTimp de răspuns (total)10.86sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.43sTimp de răspuns (mediu)…
7,548Total tokenuri de intrare…
279Tokenuri de ieșire…
4,893Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
1.5Scor mediu pe toate testele de benchmark.…
5.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)15.27sTimp de răspuns (maxim)34.09sTimp de răspuns (total)45.80sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
15.27sTimp de răspuns (mediu)…
633Total tokenuri de intrare…
12Tokenuri de ieșire…
21,684Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.3Scor mediu pe toate testele de benchmark.…
3.3Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
33.3%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)34.54sTimp de răspuns (maxim)34.54sTimp de răspuns (total)34.54sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.19sTimp de răspuns (maxim)5.19sTimp de răspuns (total)5.19sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.19sTimp de răspuns (mediu)…
486Total tokenuri de intrare…
72Tokenuri de ieșire…
1,905Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
4.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 1Timp de răspuns (mediu)14.37sTimp de răspuns (maxim)14.37sTimp de răspuns (total)14.37sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)4.04sTimp de răspuns (maxim)4.70sTimp de răspuns (total)8.08sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.04sTimp de răspuns (mediu)…
615Total tokenuri de intrare…
72Tokenuri de ieșire…
2,709Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
5.0Scor mediu pe toate testele de benchmark.…
5.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
50.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)9.30sTimp de răspuns (maxim)9.30sTimp de răspuns (total)9.30sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)4.05sTimp de răspuns (maxim)5.64sTimp de răspuns (total)12.15sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.05sTimp de răspuns (mediu)…
558Total tokenuri de intrare…
183Tokenuri de ieșire…
4,365Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
0.0Scor mediu pe toate testele de benchmark.…
0.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)12.60sTimp de răspuns (maxim)12.60sTimp de răspuns (total)12.60sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
12.60sTimp de răspuns (mediu)…
5,532Total tokenuri de intrare…
234Tokenuri de ieșire…
1,487Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.50sTimp de răspuns (maxim)5.50sTimp de răspuns (total)5.50sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.50sTimp de răspuns (mediu)…
156Total tokenuri de intrare…
11Tokenuri de ieșire…
2,325Tokenuri de raționament…
Step 3.5 FlashModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)114.12sTimp de răspuns (maxim)114.12sTimp de răspuns (total)114.12sUn test este considerat trecut complet doar dacă toate rulările lui trec.…