AI BENCHY 对比
OpenAI: GPT-5.3 Chat vs StepFun: Step 3.7 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-04
| 指标 | GPT-5.3 Chat GPT-5.3 Chat none | Step 3.7 Flash Step 3.7 Flash high |
|---|---|---|
| 分数 | 7.2 | 7.0 |
| 排名 | #63 | #71 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.1 | 8.2 |
| 测试正确 | ||
| 尝试通过率 | 66.7% | 63.5% |
| 不稳定测试 | 5 | 4 |
| 总运行次数 | 63 | 63 |
| 每个结果成本 | 3.605 | 10.434 |
| 总成本 | $0.433 | $1.148 |
| 输入价格 | $1.750 / 1M | $0.200 / 1M |
| 输出价格 | $14.000 / 1M | $1.150 / 1M |
| 总输入令牌 | 34,209 | 38,391 |
| 输出令牌 | 26,617 | 991,355 |
| 推理令牌 | 0 | 0 |
| 响应时间（平均） | 6.34s | 64.46s |
| 响应时间（最大） | 18.33s | 364.99s |
| 响应时间（总计） | 133.13s | 1353.57s |
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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 6.7 | 8.1 | 58.3% | 1 | 3.86s | 606 | 3,167 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 5.6 | 4.7 | 55.6% | 2 | 10.52s | 7,302 | 6,632 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 11.96s | 11,019 | 2,614 | 0 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.01s | 13,638 | 8,802 | 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 2.21s | 7,140 | 942 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 3.5 | 4.4 | 33.3% | 2 | 13.01s | 723 | 8,264 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 4.6 | 10.0 | 0.0% | 0 | 1.99s | 477 | 319 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 9.8 | 10.0 | 100.0% | 0 | 3.51s | 660 | 1,491 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 2.99s | 642 | 1,758 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 8.36s | 5,445 | 861 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 3.0 | 10.0 | 0.0% | 0 | 4.38s | 195 | 569 | 0 | |
| 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-5.4 NanomediumvsStep 3.7 FlashhighClaude Opus 4.6mediumvsStep 3.7 FlashhighClaude Opus 4.8nonevsStep 3.7 FlashhighMiniMax M3mediumvsStep 3.7 FlashhighGPT-5.3 ChatnonevsMiMo-V2-FlashmediumGPT-5.3 ChatnonevsStep 3.5 FlashmediumGemini 3.1 Flash LitelowvsGPT-5.3 ChatnoneKimi K2.6medium免费可用vsGPT-5.3 ChatnoneGPT-5.3 ChatnonevsGLM 5V TurbomediumGPT-5.3 ChatnonevsGrok 4.20mediumDeepSeek V3.2mediumvsStep 3.7 FlashhighGPT-5.3 ChatnonevsStep 3.7 Flashlow