AI BENCHY 对比

DeepSeek: DeepSeek V3.2 vs StepFun: Step 3.7 Flash

摘要

DeepSeek V3.2 (medium) 平均分领先，为 7.0 vs 6.9。 DeepSeek V3.2 (medium) benchmark 成本更低，为 $0.078 vs $1.207。 Step 3.7 Flash (high) 更快，为 64.68s vs 68.62s，通过率为 65.2% vs 63.6%。

推荐模型DeepSeek V3.2 (medium)它在这里得分最高（7.0），同时成本比Step 3.7 Flash (high)低约 15.7 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-17

指标	DeepSeek V3.2 DeepSeek V3.2 medium 发布日期: 2025-12-01	Step 3.7 Flash Step 3.7 Flash high 发布日期: 2026-05-29

指标	DeepSeek V3.2 DeepSeek V3.2 medium 发布日期: 2025-12-01	Step 3.7 Flash Step 3.7 Flash high 发布日期: 2026-05-29
分数	7.0	6.9
排名	#73	#83
可靠性	10.0	10.0
一致性	7.4	8.0
测试正确
尝试通过率	65.2%	63.6%
不稳定测试	7	5
总运行次数	66	66
每个结果成本	0.671	10.973
总成本	$0.078	$1.207
输入价格	$0.269 / 1M	$0.200 / 1M
输出价格	$0.400 / 1M	$1.150 / 1M
总输入令牌	101,047	98,691
输出令牌	11,834	1,032,395
推理令牌	117,014	0
响应时间（平均）	68.62s	64.68s
响应时间（最大）	376.10s	364.99s
响应时间（总计）	1509.53s	1423.01s

生成展示

Hamster playing table tennis

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

#73 DeepSeek V3.2

medium

成本: $0.001
时间: 53.6s
令牌: 1,932 tok

#83 Step 3.7 Flash

high

成本: $0.007
时间: 63.6s
令牌: 6,030 tok

按分数排名的模型

分数 vs 总成本

响应时间（平均）

分数 vs 响应时间（平均）

总输出令牌

分数 vs 总输出令牌

类别细分

类别:

反AI技巧	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	8.2	7.9	83.3%	1		24.23s	448	3,247	6,953
Step 3.7 Flash	10.0	10.0	100.0%	0		13.40s	696	42,656	0

编程	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	6.0	7.2	55.6%	1		248.68s	5,717	649	52,014
Step 3.7 Flash	4.0	6.0	22.2%	1		206.21s	6,057	327,340	0

综合	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	7.3	5.8	83.3%	1		79.92s	76,997	5,219	24,229
Step 3.7 Flash	8.7	6.9	83.3%	1		41.23s	73,938	49,842	0

数据解析与提取	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	10.0	10.0	100.0%	0		36.09s	7,388	207	7,693
Step 3.7 Flash	10.0	10.0	100.0%	0		14.72s	7,368	23,113	0

领域专项	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	2.9	4.4	22.2%	2		24.27s	472	21	6,838
Step 3.7 Flash	4.1	4.4	44.5%	2		149.64s	783	410,502	0

通用智能	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	3.4	2.5	33.3%	1		58.29s	314	49	2,189
Step 3.7 Flash	5.5	10.0	0.0%	0		4.17s	510	2,862	0

指令遵循	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	10.0	10.0	100.0%	0		35.78s	627	1,397	2,845
Step 3.7 Flash	9.8	10.0	100.0%	0		1.52s	705	2,010	0

谜题求解	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	7.0	7.2	55.6%	1		37.69s	594	518	6,375
Step 3.7 Flash	5.3	7.2	44.4%	1		10.22s	711	25,422	0

工具调用	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	10.0	10.0	100.0%	0		34.81s	8,307	507	859
Step 3.7 Flash	10.0	10.0	100.0%	0		2.79s	7,701	1,172	0

常识问答	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
DeepSeek V3.2	3.0	10.0	0.0%	0		83.99s	183	20	7,019
Step 3.7 Flash	3.0	10.0	0.0%	0		149.34s	222	147,476	0

快速对比

切换对比组合

GPT-5.5nonevsStep 3.7 Flashhigh Qwen3.6 FlashmediumvsStep 3.7 Flashhigh DeepSeek V3.2mediumvsGemini 3.5 Flashnone Step 3.7 FlashhighvsMiMo-V2.5-Promedium Gemini 3.5 FlashminimalvsStep 3.7 Flashhigh GPT-5.6 SolnonevsStep 3.7 Flashhigh DeepSeek V4 PrononevsStep 3.7 Flashhigh KAT-Coder-Pro V2.5mediumvsStep 3.7 Flashhigh Seed-2.0-MinimediumvsStep 3.7 Flashhigh DeepSeek V3.2mediumvsGPT-5.6 Solnone Gemini 3 Flash PreviewnonevsStep 3.7 Flashhigh Gemini 3.5 FlashnonevsStep 3.7 Flashhigh