AI BENCHY Compare

Kwaipilot: KAT-Coder-Air V2.5 vs StepFun: Step 3.5 Flash

Rezumat

Step 3.5 Flash (medium) conduce la scorul mediu cu 6.6 vs 6.2. KAT-Coder-Air V2.5 (high) are costul de benchmark mai mic, $0.064 vs $0.070. KAT-Coder-Air V2.5 (high) este mai rapid cu 11.02s vs 72.53s, cu rate de reușită de 46.0% vs 54.0%.

Model recomandatKAT-Coder-Air V2.5 (high)Scorul rămâne aproape de cel mai bun scor de aici (6.2 vs 6.6) și răspunde de aproximativ 6.6x mai rapid decât Step 3.5 Flash (medium).

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-07-14

Metrică	KAT-Coder-Air V2.5 KAT-Coder-Air V2.5 high Lansare: 2026-07-14	Step 3.5 Flash Step 3.5 Flash medium Lansare: 2026-02-01

Metrică	KAT-Coder-Air V2.5 KAT-Coder-Air V2.5 high Lansare: 2026-07-14	Step 3.5 Flash Step 3.5 Flash medium Lansare: 2026-02-01
Scor	6.2	6.6
Rang	#110	#98
Fiabilitate	9.7	10.0
Consistență	7.6	8.9
Teste corecte
Rată de trecere pe încercare	46.0%	54.0%
Teste instabile	6	1
Rulări totale	63	60
Cost per rezultat	0.910	0.198
Cost total	$0.064	$0.070
Preț de intrare	$0.150 / 1M	$0.100 / 1M
Preț de ieșire	$0.600 / 1M	$0.300 / 1M
Total tokenuri de intrare	41,748	34,431
Tokenuri de ieșire	3,894	91,587
Tokenuri de raționament	91,773	195,973
Timp de răspuns (mediu)	11.02s	72.53s
Timp de răspuns (maxim)	104.98s	453.94s
Timp de răspuns (total)	231.37s	1015.47s

Prezentare generare

Hamster playing table tennis

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

#110 KAT-Coder-Air V2.5

high

SVG invalid

Cost: $0.000
Timp: 300.0s
Tokenuri: 0 tok

#98 Step 3.5 Flash

medium

Cost: $0.008
Timp: 277.1s
Tokenuri: 23,695 tok

Top modele după scor

Scor vs cost total

Timp de răspuns (mediu)

Scor vs Timp de răspuns (mediu)

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Defalcare pe categorii

Categorie:

Trucuri anti-AI	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	6.9	5.8	75.0%	2		2.49s	615	204	1,290
Step 3.5 Flash	10.0	10.0	100.0%	0		40.57s	694	20,391	24,176

Programare	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	4.3	7.3	11.1%	1		39.07s	6,948	1,166	55,883
Step 3.5 Flash	2.4	5.2	0.0%	0		258.38s	2,211	13,207	22,429

Combinat	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	10.0	10.0	100.0%	0		30.61s	15,132	422	8,958
Step 3.5 Flash	10.0	10.0	100.0%	0		29.57s	13,638	1,176	12,984

Parsare și extragere de date	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	6.5	10.0	50.0%	0		3.59s	7,776	284	2,140
Step 3.5 Flash	10.0	10.0	100.0%	0		15.01s	7,368	600	13,886

Specific domeniului	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	2.9	7.2	11.1%	1		7.47s	771	914	8,602
Step 3.5 Flash	5.3	7.2	44.4%	1		170.45s	673	45,350	90,436

Inteligență generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	5.1	10.0	0.0%	0		7.10s	516	179	539
Step 3.5 Flash	5.5	10.0	0.0%	0		22.39s	509	240	3,506

Respectarea instrucțiunilor	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	9.8	10.0	100.0%	0		1.51s	699	90	675
Step 3.5 Flash	8.3	10.0	50.0%	0		4.78s	705	2,364	3,521

Rezolvare de puzzle-uri	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	3.5	4.4	33.3%	2		2.47s	696	285	1,576
Step 3.5 Flash	5.3	10.0	33.3%	0		7.22s	711	5,630	10,861

Apelare instrumente	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	10.0	10.0	100.0%	0		4.77s	8,391	330	1,082
Step 3.5 Flash	10.0	10.0	100.0%	0		11.91s	7,701	275	3,802

Cultură generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
KAT-Coder-Air V2.5	3.0	10.0	0.0%	0		21.72s	204	20	11,028
Step 3.5 Flash	3.0	10.0	0.0%	0		108.45s	221	2,354	10,372

Comparație rapidă

Schimbă perechea de comparație

Seed-2.0-LitenonevsKAT-Coder-Air V2.5high KAT-Coder-Air V2.5highvsGPT-5.6 Lunalow KAT-Coder-Air V2.5highvsGPT-5.5none KAT-Coder-Air V2.5highvsQwen3.5-35B-A3Bmedium Gemini 2.5 FlashnonevsKAT-Coder-Air V2.5high Gemma 4 31BmediumDisponibil gratuitvsKAT-Coder-Air V2.5high KAT-Coder-Air V2.5highvsGPT-5.6 Solnone Gemini 3.1 Flash LiteminimalvsKAT-Coder-Air V2.5high KAT-Coder-Air V2.5highvsNemotron 3 SupermediumDisponibil gratuit Gemini 3.1 Flash LitenonevsKAT-Coder-Air V2.5high Gemini 3.1 Flash Lite PreviewlowvsStep 3.5 Flashmedium KAT-Coder-Air V2.5highvsQwen3.5-Flashnone