AI BENCHY Compare

StepFun: Step 3.7 Flash vs xAI: Grok 4.20

Сводка

Сравнение benchmark Step 3.7 Flash vs Grok 4.20: Step 3.7 Flash лидирует по среднему баллу: 7.3 vs 7.1. Step 3.7 Flash имеет более низкую стоимость benchmark: $0.341 vs $0.609. Step 3.7 Flash быстрее: 15.74s vs 27.68s, с долей успешных попыток 68.3% vs 63.5%.

Рекомендуемая модель: Step 3.7 Flash - Здесь у него лучший балл (7.3), при этом он примерно в 1.8 раза дешевле, чем Grok 4.20.

Бенчмарки сгенерированы из тестовых наборов AI BENCHY в: 2026-06-04

Метрика	Step 3.7 Flash Step 3.7 Flash low Релиз: 2026-05-29	Grok 4.20 Grok 4.20 medium Релиз: 2026-03-31

Метрика	Step 3.7 Flash Step 3.7 Flash low Релиз: 2026-05-29	Grok 4.20 Grok 4.20 medium Релиз: 2026-03-31
Оценка	7.3	7.1
Ранг	#57	#65
Надежность	10.0	10.0
Стабильность	8.4	8.8
Тестов верно
Доля успешных попыток	68.3%	63.5%
Нестабильные тесты	4	3
Всего запусков	63	63
Стоимость за результат	2.840	8.309
Общая стоимость	$0.341	$0.609
Цена входа	$0.200 / 1M	$1.250 / 1M
Цена выхода	$1.150 / 1M	$2.500 / 1M
Общее число входных токенов	40,101	44,433
Выходные токены	289,325	1,819
Токены рассуждений	0	219,524
Время ответа (среднее)	15.74s	27.68s
Время ответа (макс.)	124.75s	199.66s
Время ответа (суммарно)	330.63s	581.26s

Generation showcase

Hamster playing table tennis

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

#57 Step 3.7 Flash

low

Invalid SVG

Cost: $0.004
Time: 25.3s
Tokens: 3,072 tok

#65 xAI: Grok 4.20

medium

Cost: $0.041
Time: 110.3s
Tokens: 16,336 tok

Лучшие модели по оценке

Оценка vs общая стоимость

Время ответа (среднее)

Оценка vs Время ответа (среднее)

Общее число выходных токенов

Оценка vs Общее число выходных токенов

Разбивка по категориям

Анти-ИИ уловки	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	8.7	7.9	91.7%	1		4.02s	756	10,896	0
Grok 4.20	8.2	7.9	83.3%	1		3.95s	2,010	287	8,312

Программирование	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	8.2	7.2	88.9%	1		9.46s	7,437	18,685	0
Grok 4.20	6.3	6.6	55.6%	1		109.93s	8,307	268	103,150

Комбинированный	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	10.0	10.0	100.0%	0		7.98s	13,683	6,426	0
Grok 4.20	10.0	10.0	100.0%	0		17.40s	12,909	232	9,556

Парсинг и извлечение данных	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	7.3	5.8	83.3%	1		2.29s	7,398	2,667	0
Grok 4.20	10.0	10.0	100.0%	0		4.17s	7,761	180	5,333

Предметно-ориентированное	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	5.3	7.2	44.4%	1		43.31s	828	104,487	0
Grok 4.20	5.3	10.0	33.3%	0		27.03s	1,764	375	49,339

Общий интеллект	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	3.4	9.3	0.0%	0		7.00s	525	4,604	0
Grok 4.20	3.9	2.6	33.3%	1		24.48s	825	65	6,440

Следование инструкциям	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	9.8	10.0	100.0%	0		1.58s	735	1,857	0
Grok 4.20	9.8	10.0	100.0%	0		4.26s	1,362	57	6,419

Решение головоломок	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	5.5	9.9	33.3%	0		1.84s	756	3,564	0
Grok 4.20	7.7	10.0	66.7%	0		6.22s	1,689	149	7,913

Вызов инструментов	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	10.0	10.0	100.0%	0		3.25s	7,746	1,360	0
Grok 4.20	3.0	10.0	0.0%	0		13.68s	7,275	197	6,620

Эрудиция	Оценка	Стабильность	Доля успешных попыток	Нестабильные тесты	Тестов верно	Время ответа (среднее)	Входные токены	Выходные токены	Токены рассуждений
Step 3.7 Flash	3.0	10.0	0.0%	0		124.75s	237	134,779	0
Grok 4.20	3.0	10.0	0.0%	0		63.48s	531	9	16,442

Быстрое сравнение

Сменить пару сравнения

Step 3.7 FlashlowvsMiMo-V2.5medium Gemini 3.1 Flash Lite PreviewnonevsStep 3.7 Flashlow Step 3.7 FlashlowvsGLM 5.1medium Step 3.7 FlashlowvsGLM 5V Turbomedium Kimi K2.6mediumБесплатно доступноvsStep 3.7 Flashlow GPT-5.3 ChatnonevsGrok 4.20medium GPT-5 MinimediumvsStep 3.7 Flashlow GPT-5.3 ChatnonevsStep 3.7 Flashlow Step 3.7 FlashlowvsMiMo-V2-Flashmedium Gemini 3.1 Flash LitelowvsGrok 4.20medium Claude Opus 4.8nonevsGrok 4.20medium Claude Sonnet 4.6mediumvsStep 3.7 Flashlow