AI BENCHY
Advertise here
#60

Step 3.7 Flash

Stepfun Lansare: 2026-05-29 Testat la: 2026-05-29 11:49 stepfun/step-3.7-flash::low
198B în total (11B activi)MoESursă deschisă
(high) (medium) (low)

Rezumat

Step 3.7 Flash obține 7.4 pe AI BENCHY și este pe #60. Are fiabilitate 10.0, rată de reușită 68.3%, cost total $0.336 și timp mediu de răspuns 16.06s.

Ce face Step 3.7 Flash unic: Se remarcă cel mai mult la Programare, unde este pe #1, iar Inteligență generală este zona cea mai slabă, la #18.

Date despre model

Documentat la 2026-08-12

Raportat
Parametri
198B în total (11B activi)
Arhitectură
MoE
Disponibilitate
Sursă deschisă
Licență
Apache-2.0
Sursa parametrilor Sursa disponibilității

Scor

7.4

Consistență

8.7

Fiabilitate

10.0

Cost total (preț curent)

$0.336

Total tokenuri de ieșire

285,209

Total tokenuri de intrare

0

Preț de intrare

$0.200 / 1M

Preț de ieșire

$1.150 / 1M

Teste corecte

Teste greșite: 8

Rată de trecere pe încercare: 68.3%

Teste instabile

3

Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).

Timp de răspuns (mediu)

16.06s

Timp de răspuns (maxim): 124.75s

Timp de răspuns (total): 321.11s

Răspuns greșit: 7 Fără răspuns: 1

Hamster playing table tennis

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

#60 Step 3.7 Flash

low
SVG invalid
Cost
$0.004
Timp
25.3s
Tokenuri
3,072 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-08-14 02:29 Retestare 7.1 10.0 $0.390 Compară
2026-07-16 22:46 Test nou adăugat 7.3 10.0 $0.454 Compară
2026-06-04 13:49 Test nou adăugat 7.3 10.0 $0.341 Compară
2026-05-29 11:49 Prima rulare 7.4 10.0 $0.336 Rularea curentă

Comparație între rulări

RulareAcoperire benchmarkScorConsistențăFiabilitateTeste corecteTeste instabileTotal tokenuri de ieșireTotal tokenuri de intrareCost totalTimp de răspuns (mediu)
2026-05-29 11:49 · Prima rulare60/60 încercări7.48.710.012/203285,2090$0.33616.06s
2026-07-16 22:46 · Test nou adăugat66/66 încercări7.38.110.012/225376,581103,833$0.45420.68s
Diferență—+0.1+0.60.00-2-91372-103833-$0.119-4627ms

Acoperirea benchmark diferă: 60/60 încercări (Țintă: 3 repetări per test) față de 66/66 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.

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Comparație rapidă

Step 3.7 FlashlowvsMuse Glimmer 30BlowStep 3.7 FlashlowvsSolar Pro 4highStep 3.7 FlashlowvsQwen3.5-122B-A10BmediumStep 3.7 FlashlowvsGrok 4.3mediumStep 3.7 FlashlowvsMuse Glimmer 30BmediumStep 3.7 FlashlowvsGPT-5.6 SolnoneStep 3.7 FlashlowvsQwen3.7 FlashlowStep 3.7 FlashlowvsDeepSeek V3.2mediumStep 3.7 FlashlowvsQwen3.5 Plus 2026-04-20mediumStep 3.7 FlashlowvsGLM 5.1medium

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Trucuri anti-AI 8.7 7.9
Programare 10.0 10.0
Combinat 10.0 10.0
Parsare și extragere de date 7.3 5.8
Specific domeniului 5.3 7.2
Inteligență generală 3.4 9.3
Respectarea instrucțiunilor 9.8 10.0
Rezolvare de puzzle-uri 5.5 9.9
Apelare instrumente 10.0 10.0
Cultură generală 3.0 10.0

Modele comparate