OpenAI: GPT-5.3 Chat vs StepFun: Step 3.7 Flash

GPT-5.3 Chat 平均分领先，为 7.5 vs 7.3。 Step 3.7 Flash (low) benchmark 成本更低，为 $0.454 vs $0.571。 GPT-5.3 Chat 更快，为 6.88s vs 20.68s，通过率为 68.2% vs 68.2%。

推荐模型GPT-5.3 Chat它在这里得分最高（7.5），同时响应速度比Step 3.7 Flash (low)快约 3.0 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-25

指标	GPT-5.3 Chat GPT-5.3 Chat none 发布日期: 2026-03-03	Step 3.7 Flash Step 3.7 Flash low 发布日期: 2026-05-29

指标	GPT-5.3 Chat GPT-5.3 Chat none 发布日期: 2026-03-03	Step 3.7 Flash Step 3.7 Flash low 发布日期: 2026-05-29
分数	7.5	7.3
排名	#62	#75
可靠性	10.0	10.0
一致性	8.2	8.1
测试正确
尝试通过率	68.2%	68.2%
不稳定测试	5	5
总运行次数	66	66
每个结果成本	4.387	3.782
总成本	$0.571	$0.454
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	78,990	103,833
输出令牌	30,854	376,581
推理令牌	0	0
响应时间（平均）	6.88s	20.68s
响应时间（最大）	18.33s	124.75s
响应时间（总计）	151.31s	455.01s

Hamster playing table tennis

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

#62 GPT-5.3 Chat

none

成本: $0.008
时间: 8.1s
令牌: 634 tok

#75 Step 3.7 Flash

low

无效SVG

成本: $0.004
时间: 25.3s
令牌: 3,072 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
GPT-5.3 Chat	6.7	8.1	58.3%	1		3.86s	606	3,167	0
Step 3.7 Flash	8.7	7.9	91.7%	1		4.02s	756	10,896	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	8.2	7.2	88.9%	1		9.46s	7,437	18,685	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		15.07s	55,800	6,851	0
Step 3.7 Flash	7.3	5.8	83.3%	1		66.18s	77,415	93,682	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	7.3	5.8	83.3%	1		2.29s	7,398	2,667	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	5.3	7.2	44.4%	1		43.31s	828	104,487	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	3.4	9.3	0.0%	0		7.00s	525	4,604	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		1.58s	735	1,857	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	5.5	9.9	33.3%	0		1.84s	756	3,564	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		3.25s	7,746	1,360	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		124.75s	237	134,779	0

快速对比

切换对比组合

Claude Opus 4.8nonevsStep 3.7 Flashlow Kimi K2.6mediumvsStep 3.7 Flashlow Kimi K2.7 CodemediumvsGPT-5.3 Chatnone KAT-Coder-Pro V2.5highvsStep 3.7 Flashlow GPT-5.3 ChatnonevsQwen3.5 Plus 2026-02-15medium Nemotron 3 Ultramedium免费可用vsGPT-5.3 Chatnone Gemini 3.1 Flash LitemediumvsStep 3.7 Flashlow Gemini 3.1 Flash Lite PreviewmediumvsStep 3.7 Flashlow Qwen3.5 Plus 2026-04-20mediumvsStep 3.7 Flashlow GPT-5.3 ChatnonevsQwen3.5-27Bmedium GPT-5.3 ChatnonevsGrok Build 0.1medium Claude Sonnet 4.6nonevsStep 3.7 Flashlow