#43 Step 3.5 Flash
medium- Cost
- $0.008
- Timp
- 277.1s
- Tokenuri
- 23,695 tok
Stepfun
Lansare: 2026-02-01
Testat la: 2026-05-08 15:30
stepfun/step-3.5-flash::medium
(medium)
(none)
Rezumat
Step 3.5 Flash obține 7.6 pe AI BENCHY și este pe #43. Are fiabilitate 10.0, rată de reușită 66.7%, cost total $0.011 și timp mediu de răspuns 41.66s.
Ce face Step 3.5 Flash unic: Se remarcă cel mai mult la Parsare și extragere de date, unde este pe #1, iar Rezolvare de puzzle-uri este zona cea mai slabă, la #17. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
7.6
Consistență
9.2
10.0
$0.011
Total tokenuri de ieșire
251,708
Total tokenuri de intrare
0
Preț de intrare
$0.100 / 1M
Preț de ieșire
$0.300 / 1M
Teste instabile
2
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 | Compară | |
| 2026-05-08 15:30 Suită modificată | 7.6 | 10.0 | $0.011 | Rularea curentă | |
| 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) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-08 15:30 · Suită modificată | 7.6 | 9.2 | 10.0 | 11/18 | 2 | 251,708 | 0 | $0.011 | 41.66s |
| 2026-07-16 23:25 · Test nou adăugat | 6.0 | 9.0 | 9.2 | 11/21 | 1 | 402,554 | 65,707 | $0.108 | 174.22s |
| Diferență | +1.6 | +0.2 | +0.8 | 0 | +1 | -150846 | -65707 | -$0.097 | -132562ms |
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 | |
| 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 |