AI BENCHY Compare
Inception: Mercury 2 vs StepFun: Step 3.5 Flash
Compară:
Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-03-05
| Metrică | Inception: Mercury 2 medium Lansare: 2026-02-24 | StepFun: Step 3.5 Flash medium Lansare: 2026-02-01 Disponibil gratuit |
|---|---|---|
| Rang | #40 | #13 |
| Scor mediu | 48 | 74 |
| Consistență | 83 | 94 |
| Cost per rezultat | 0.726 | 0.000 |
| Cost total | $0.044 | $0.000 |
| Teste corecte | ||
| Rată de trecere pe încercare | 51.1% | 68.9% |
| Teste instabile | 3 | 1 |
| Tokenuri de ieșire | 3,571 | 69,238 |
| Tokenuri de raționament | 45,379 | 152,563 |
Scor vs cost total
Defalcare pe categorii
| Trucuri anti-AI | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 73 | 98 | 66.7% | 0 | 2,531 | 2,410 | |
| StepFun: Step 3.5 Flash | 100 | 100 | 100.0% | 0 | 13,924 | 17,208 |
| Combinat | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 100 | 100 | 100.0% | 0 | 268 | 4,887 | |
| StepFun: Step 3.5 Flash | 100 | 100 | 100.0% | 0 | 1,176 | 12,984 |
| Parsare și extragere de date | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 55 | 59 | 83.3% | 1 | 183 | 1,656 | |
| StepFun: Step 3.5 Flash | 100 | 100 | 100.0% | 0 | 600 | 13,886 |
| Specific domeniului | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 100 | 72 | 11.1% | 1 | 41 | 30,754 | |
| StepFun: Step 3.5 Flash | 40 | 72 | 44.4% | 1 | 45,350 | 90,436 |
| Respectarea instrucțiunilor | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 55 | 100 | 50.0% | 0 | 14 | 958 | |
| StepFun: Step 3.5 Flash | 85 | 100 | 50.0% | 0 | 2,284 | 3,412 |
| Puzzle Solving | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 17 | 75 | 22.2% | 1 | 354 | 2,758 | |
| StepFun: Step 3.5 Flash | 40 | 100 | 33.3% | 0 | 5,629 | 10,835 |
| Apelare instrumente | Scor | Consistență | Rată de trecere pe încercare | Teste instabile | Teste corecte | Tokenuri de ieșire | Tokenuri de raționament |
|---|---|---|---|---|---|---|---|
| Inception: Mercury 2 | 100 | 100 | 100.0% | 0 | 180 | 1,956 | |
| StepFun: Step 3.5 Flash | 100 | 100 | 100.0% | 0 | 275 | 3,802 |
Comparație rapidă
Schimbă perechea de comparație
Gemini 3.1 Flash Lite PreviewlowvsStep 3.5 FlashmediumDisponibil gratuitGPT-5.3 ChatnonevsStep 3.5 FlashmediumDisponibil gratuitMercury 2mediumvsQwen3.5-122B-A10BnoneMercury 2mediumvsQwen3.5-FlashnoneDeepSeek V3.2nonevsMercury 2mediumGemini 3.1 Flash Lite PreviewnonevsStep 3.5 FlashmediumDisponibil gratuitMercury 2mediumvsQwen3.5-27BnoneGPT-5.2 ChatnonevsStep 3.5 FlashmediumDisponibil gratuitMercury 2mediumvsQwen3.5-35B-A3BnoneGemini 2.5 FlashnonevsMercury 2mediumMercury 2mediumvsGPT-5.4noneGemini 3.1 Flash Lite PreviewhighvsStep 3.5 FlashmediumDisponibil gratuit