#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
196B în total (11B activi)MoESursă deschisă
(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 Combinat, 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.
Date despre model
Documentat la 2026-08-12
- Parametri
- 196B în total (11B activi)
- Arhitectură
- MoE
- Disponibilitate
- Sursă deschisă
- Licență
- Apache-2.0
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 |
|---|---|---|---|---|---|
| 2026-08-14 02:50 Retestare | 5.9 | 10.0 | $0.132 ↑ | 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 | Acoperire benchmark | 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 | 57/57 încercări | 7.4 | 8.7 | 9.3 | 11/19 | 3 | 263,806 | 0 | $0.015 | 43.29s |
| 2026-08-14 02:50 · Retestare | 63/63 încercări | 5.9 | 8.6 | 10.0 | 10/21 | 2 | 568,536 | 65,716 | $0.132 | 191.63s |
| Diferență | — | +1.4 | +0.1 | -0.7 | +1 | +1 | -304730 | -65716 | -$0.117 | -148342ms |
Acoperirea benchmark diferă: 57/57 încercări (Țintă: 3 repetări per test) față de 63/63 încercări (Țintă: 3 repetări per test). Totalurile și metricile sensibile la repetări nu sunt direct comparabile.
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 FlashmediumvsQwen3.5-35B-A3BnoneStep 3.5 FlashmediumvsDots 3 Note PreviewmediumDisponibil gratuitStep 3.5 FlashmediumvsQwen3.5-FlashnoneStep 3.5 FlashmediumvsGLM 5.3 FlashlowStep 3.5 FlashmediumvsGPT-5 NanomediumStep 3.5 FlashmediumvsGPT-5.4 MininoneStep 3.5 FlashmediumvsGPT-5.6 TerranoneStep 3.5 FlashmediumvsSeed 2.1 TurbononeStep 3.5 FlashmediumvsGemini 2.5 FlashnoneStep 3.5 FlashmediumvsGPT-5.4none
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 |