AI BENCHY Compare

StepFun: Step 3.7 Flash vs xAI: Grok Build 0.1

Сводка

Сравнение benchmark Step 3.7 Flash vs Grok Build 0.1: Step 3.7 Flash лидирует по среднему баллу: 7.7 vs 7.6. Step 3.7 Flash имеет более низкую стоимость benchmark: $0.341 vs $0.927. Step 3.7 Flash быстрее: 15.74s vs 49.90s, с долей успешных попыток 68.3% vs 61.9%.

Рекомендуемая модель: Step 3.7 Flash - Здесь у него лучший балл (7.7), при этом он примерно в 2.7 раза дешевле, чем Grok Build 0.1.

Бенчмарки сгенерированы из тестовых наборов AI BENCHY в: 2026-06-12

Метрика	Step 3.7 Flash Step 3.7 Flash low Релиз: 2026-05-29	Grok Build 0.1 Grok Build 0.1 medium Релиз: 2026-05-21

Метрика	Step 3.7 Flash Step 3.7 Flash low Релиз: 2026-05-29	Grok Build 0.1 Grok Build 0.1 medium Релиз: 2026-05-21
Оценка	7.7	7.6
Ранг	#42	#44
Надежность	10.0	10.0
Стабильность	8.4	9.9
Тестов верно
Доля успешных попыток	68.3%	61.9%
Нестабильные тесты	4	0
Всего запусков	63	63
Стоимость за результат	2.840	7.124
Общая стоимость	$0.341	$0.927
Цена входа	$0.200 / 1M	$1.000 / 1M
Цена выхода	$1.150 / 1M	$2.000 / 1M
Общее число входных токенов	40,101	44,418
Выходные токены	289,325	2,782
Токены рассуждений	0	438,018
Время ответа (среднее)	15.74s	49.90s
Время ответа (макс.)	124.75s	252.69s
Время ответа (суммарно)	330.63s	1047.92s

Generation showcase

Hamster playing table tennis

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

#42 Step 3.7 Flash

low

Invalid SVG

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

#44 xAI: Grok Build 0.1

medium

Cost: $0.028
Time: 81.3s
Tokens: 14,009 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 Build 0.1	8.3	10.0	75.0%	0		7.43s	2,010	220	12,162

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 Build 0.1	5.7	9.7	33.3%	0		108.46s	8,304	1,138	161,452

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 Build 0.1	10.0	10.0	100.0%	0		32.81s	12,909	231	16,917

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 Build 0.1	10.0	10.0	100.0%	0		10.72s	7,761	180	8,876

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 Build 0.1	5.3	10.0	33.3%	0		158.00s	1,764	492	175,294

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 Build 0.1	4.4	9.9	0.0%	0		18.41s	825	76	6,345

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 Build 0.1	9.8	10.0	100.0%	0		12.36s	1,362	57	9,599

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 Build 0.1	7.7	10.0	66.7%	0		18.26s	1,689	195	20,841

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 Build 0.1	10.0	10.0	100.0%	0		13.12s	7,263	180	4,969

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 Build 0.1	3.0	10.0	0.0%	0		53.51s	531	13	21,563

Быстрое сравнение

Сменить пару сравнения