AI BENCHY 对比
Google: Gemini 3.5 Flash vs StepFun: Step 3.5 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-03
| 指标 | Gemini 3.5 Flash Gemini 3.5 Flash low | Step 3.5 Flash Step 3.5 Flash medium |
|---|---|---|
| 分数 | 9.3 | 7.4 |
| 排名 | #3 | #55 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 10.0 | 9.4 |
| 测试正确 | ||
| 尝试通过率 | 90.0% | 59.7% |
| 不稳定测试 | 0 | 1 |
| 总运行次数 | 60 | 57 |
| 每个结果成本 | 1.582 | 0.133 |
| 总成本 | $0.285 | $0.062 |
| 输入价格 | $1.500 / 1M | $0.090 / 1M |
| 输出价格 | $9.000 / 1M | $0.300 / 1M |
| 总输入令牌 | 33,935 | 33,555 |
| 输出令牌 | 2,027 | 90,478 |
| 推理令牌 | 23,938 | 173,544 |
| 响应时间（平均） | 2.98s | 43.20s |
| 响应时间（最大） | 6.44s | 170.45s |
| 响应时间（总计） | 59.59s | 561.54s |
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
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.52s | 494 | 209 | 2,536 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 40.57s | 694 | 20,391 | 24,176 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 6.8 | 10.0 | 50.0% | 0 | 5.54s | 5,115 | 452 | 6,839 | |
| Step 3.5 Flash | 3.5 | 7.8 | 0.0% | 0 | 62.83s | 1,335 | 12,098 | 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 6.44s | 12,873 | 351 | 3,050 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 29.57s | 13,638 | 1,176 | 12,984 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 1.81s | 7,548 | 279 | 1,164 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 15.01s | 7,368 | 600 | 13,886 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 7.7 | 10.0 | 66.7% | 0 | 3.39s | 633 | 12 | 4,538 | |
| Step 3.5 Flash | 5.3 | 7.2 | 44.4% | 1 | 170.45s | 673 | 45,350 | 90,436 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.27s | 486 | 119 | 916 | |
| Step 3.5 Flash | 5.5 | 10.0 | 0.0% | 0 | 22.39s | 509 | 240 | 3,506 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 9.9 | 10.0 | 100.0% | 0 | 1.86s | 615 | 71 | 1,652 | |
| Step 3.5 Flash | 8.3 | 10.0 | 50.0% | 0 | 4.78s | 705 | 2,364 | 3,521 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.35s | 558 | 288 | 2,150 | |
| Step 3.5 Flash | 5.3 | 10.0 | 33.3% | 0 | 7.22s | 711 | 5,630 | 10,861 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 3.27s | 5,457 | 234 | 403 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 11.91s | 7,701 | 275 | 3,802 |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Gemini 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 1.88s | 156 | 12 | 690 | |
| Step 3.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 108.45s | 221 | 2,354 | 10,372 |
快速对比
切换对比组合
GPT-5.3 ChatnonevsStep 3.5 FlashmediumGemini 3.1 Flash LitelowvsStep 3.5 FlashmediumGemini 3.1 Flash Lite PreviewnonevsStep 3.5 FlashmediumClaude Opus 4.8nonevsStep 3.5 FlashmediumGemini 3.1 Flash Lite PreviewlowvsStep 3.5 FlashmediumDeepSeek V4 FlashhighvsStep 3.5 FlashmediumGemini 3 Flash PreviewnonevsStep 3.5 FlashmediumGemini 3.5 FlashlowvsQwen3.7 MaxmediumQwen3.6 Max PreviewnonevsStep 3.5 FlashmediumClaude Sonnet 4.6nonevsStep 3.5 FlashmediumClaude Opus 4.7mediumvsGemini 3.5 FlashlowGPT-5.2 ChatnonevsStep 3.5 Flashmedium