#58 Step 3.5 Flash
medium- Cost
- $0.008
- Timp
- 277.1s
- Tokenuri
- 23,695 tok
Stepfun
Lansare: 2026-02-01
Testat la: 2026-05-22 00:30
stepfun/step-3.5-flash::medium
(medium)
(none)
Rezumat
Step 3.5 Flash obține 7.4 pe AI BENCHY și este pe #58. Are fiabilitate 9.3, rată de reușită 65.8%, cost total $0.015 și timp mediu de răspuns 43.29s.
Ce face Step 3.5 Flash unic: Se remarcă cel mai mult la Trucuri anti-AI, unde este pe #1, iar Programare este zona cea mai slabă, la #18. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
7.4
Consistență
8.7
9.3
$0.015
Total tokenuri de ieșire
263,806
Total tokenuri de intrare
0
Preț de intrare
$0.090 / 1M
Preț de ieșire
$0.300 / 1M
Teste instabile
3
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
Istoric rulări
| Testat la | Scor | Fiabilitate | Teste corecte | Cost total | Compară |
|---|---|---|---|---|---|
| 2026-07-16 23:25 Test nou adăugat | 6.0 | 9.2 | $0.108 ↑ | Compară | |
| 2026-06-04 14:12 Test nou adăugat | 7.2 | 8.9 | $0.070 ↑ | Compară | |
| 2026-05-22 00:30 Suită modificată | 7.4 | 9.3 | $0.015 | Rularea curentă | |
| 2026-05-08 15:30 Suită modificată | 7.6 | 10.0 | $0.011 | Compară | |
| 2026-04-11 00:35 Prima rulare înregistrată | 7.9 | N/D | $0.000 | Compară |
Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.
Comparație între rulări
| Rulare | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:30 · Suită modificată | 7.4 | 8.7 | 9.3 | 11/19 | 3 | 263,806 | 0 | $0.015 | 43.29s |
| 2026-05-08 15:30 · Suită modificată | 7.6 | 9.2 | 10.0 | 11/18 | 2 | 251,708 | 0 | $0.011 | 41.66s |
| Diferență | -0.2 | -0.5 | -0.7 | 0 | +1 | +12098 | 0 | +$0.004 | +1629ms |
Aceste două rulări au folosit suite de benchmark diferite, așa că diferențele reflectă atât schimbări ale modelului, cât și ale suitei.
Grafice
Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.
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
Comparație rapidă
Step 3.5 FlashmediumvsInklinglowStep 3.5 FlashmediumvsQwen3.5-FlashnoneStep 3.5 FlashmediumvsGemini 3.1 Flash LitenoneStep 3.5 FlashmediumvsQwen3.5 Plus 2026-04-20noneStep 3.5 Flashmediumvsgpt-oss-120bmediumStep 3.5 FlashmediumvsQwen3.5-35B-A3BnoneStep 3.5 FlashmediumvsGemini 3 Flash PreviewmediumStep 3.5 FlashmediumvsGemini 3.5 FlashhighStep 3.5 FlashmediumvsNemotron 3 UltramediumDisponibil gratuitStep 3.5 FlashmediumvsGPT-5.5low
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 10.0 | 10.0 | |
| Programare | 3.0 | 6.0 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 7.2 | |
| Inteligență generală | 5.5 | 10.0 | |
| Respectarea instrucțiunilor | 8.5 | 6.8 | |
| Rezolvare de puzzle-uri | 5.3 | 10.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |