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

AI BENCHY Compare

StepFun: Step 3.7 Flash vs xAI: Grok 4.20

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-05-29

Metrică Step 3.7 Flash Step 3.7 Flash high Lansare: 2026-05-29 Grok 4.20 Grok 4.20 medium Lansare: 2026-03-31
Scor 7.1 7.0
Rang #74 #80
Fiabilitate 10.0 10.0
Consistență 8.2 8.4
Teste corecte
Rată de trecere pe încercare 65.8% 63.3%
Teste instabile 4 4
Rulări totale 60 60
Cost per rezultat 8.723 7.616
Cost total $0.960 $0.838
Preț de intrare $0.200 / 1M $1.250 / 1M
Preț de ieșire $1.150 / 1M $2.500 / 1M
Tokenuri de ieșire 828,084 1,816
Tokenuri de raționament 0 157,251
Timp de răspuns (mediu) 49.43s 19.08s
Timp de răspuns (maxim) 192.75s 105.80s
Timp de răspuns (total) 988.58s 381.60s

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

Trucuri anti-AI Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 10.0 10.0 100.0% 0 13.40s 42,656 0
Grok 4.20 8.2 7.9 83.3% 1 3.95s 287 8,312
Programare Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 3.6 4.6 25.0% 1 126.82s 164,069 0
Grok 4.20 4.1 1.8 50.0% 2 65.07s 265 40,877
Combinat Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 10.0 10.0 100.0% 0 13.01s 8,802 0
Grok 4.20 10.0 10.0 100.0% 0 17.40s 232 9,556
Parsare și extragere de date Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 10.0 10.0 100.0% 0 14.72s 23,113 0
Grok 4.20 10.0 10.0 100.0% 0 4.17s 180 5,333
Specific domeniului Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 4.1 4.4 44.5% 2 149.64s 410,502 0
Grok 4.20 5.3 10.0 33.3% 0 27.03s 375 49,339
Inteligență generală Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 5.5 10.0 0.0% 0 4.17s 2,862 0
Grok 4.20 3.9 2.6 33.3% 1 24.48s 65 6,440
Respectarea instrucțiunilor Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 9.8 10.0 100.0% 0 1.52s 2,010 0
Grok 4.20 9.8 10.0 100.0% 0 4.26s 57 6,419
Rezolvare de puzzle-uri Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 5.3 7.2 44.4% 1 10.22s 25,422 0
Grok 4.20 7.7 10.0 66.7% 0 6.22s 149 7,913
Apelare instrumente Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 10.0 10.0 100.0% 0 2.79s 1,172 0
Grok 4.20 3.0 10.0 0.0% 0 13.68s 197 6,620
Cultură generală Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Step 3.7 Flash 3.0 10.0 0.0% 0 149.34s 147,476 0
Grok 4.20 3.0 10.0 0.0% 0 63.48s 9 16,442

Comparație rapidă

Schimbă perechea de comparație

GPT-5 MinimediumvsStep 3.7 FlashhighDeepSeek V4 ProhighvsGrok 4.20mediumGPT-5.4 NanomediumvsStep 3.7 FlashhighSeed-2.0-MinimediumvsStep 3.7 FlashhighClaude Sonnet 4.6nonevsGrok 4.20mediumQwen3.6 Max PreviewnonevsStep 3.7 FlashhighClaude Opus 4.6mediumvsStep 3.7 FlashhighStep 3.7 FlashhighvsMiMo-V2-FlashmediumRing-2.6-1TnonevsStep 3.7 FlashhighRing-2.6-1TmediumvsStep 3.7 FlashhighQwen3.6 Max PreviewnonevsGrok 4.20mediumQwen3.5-35B-A3BmediumvsStep 3.7 Flashhigh