AI BENCHY 对比
OpenAI: GPT-5.4 Nano vs StepFun: Step 3.7 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-29
| 指标 | GPT-5.4 Nano GPT-5.4 Nano medium | Step 3.7 Flash Step 3.7 Flash high |
|---|---|---|
| 分数 | 7.2 | 7.1 |
| 排名 | #72 | #74 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.8 | 8.2 |
| 测试正确 | ||
| 尝试通过率 | 63.3% | 65.8% |
| 不稳定测试 | 3 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 0.900 | 8.723 |
| 总成本 | $0.099 | $0.960 |
| 输入价格 | $0.200 / 1M | $0.200 / 1M |
| 输出价格 | $1.250 / 1M | $1.150 / 1M |
| 输出令牌 | 2,993 | 828,084 |
| 推理令牌 | 70,928 | 0 |
| 响应时间（平均） | 11.79s | 49.43s |
| 响应时间（最大） | 94.06s | 192.75s |
| 响应时间（总计） | 235.81s | 988.58s |
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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 8.3 | 10.0 | 75.0% | 0 | 4.52s | 683 | 2,254 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.40s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 6.8 | 6.2 | 66.7% | 1 | 21.10s | 495 | 15,186 | |
| Step 3.7 Flash | 3.6 | 4.6 | 25.0% | 1 | 126.82s | 164,069 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 9.8 | 10.0 | 100.0% | 0 | 24.13s | 349 | 5,719 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.01s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 10.0 | 10.0 | 100.0% | 0 | 2.54s | 234 | 516 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 14.72s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 5.9 | 7.2 | 55.6% | 1 | 38.18s | 60 | 43,325 | |
| Step 3.7 Flash | 4.1 | 4.4 | 44.5% | 2 | 149.64s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 4.5 | 10.0 | 0.0% | 0 | 4.15s | 179 | 443 | |
| Step 3.7 Flash | 5.5 | 10.0 | 0.0% | 0 | 4.17s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 9.8 | 10.0 | 100.0% | 0 | 1.88s | 95 | 521 | |
| Step 3.7 Flash | 9.8 | 10.0 | 100.0% | 0 | 1.52s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 4.1 | 7.2 | 22.2% | 1 | 3.79s | 594 | 1,408 | |
| Step 3.7 Flash | 5.3 | 7.2 | 44.4% | 1 | 10.22s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 10.0 | 10.0 | 100.0% | 0 | 7.71s | 234 | 382 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.79s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 Nano | 3.0 | 10.0 | 0.0% | 0 | 4.81s | 70 | 1,174 | |
| Step 3.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 149.34s | 147,476 | 0 |
快速对比
切换对比组合
GPT-5 MinimediumvsStep 3.7 FlashhighSeed-2.0-MinimediumvsStep 3.7 FlashhighQwen3.6 Max PreviewnonevsStep 3.7 FlashhighRing-2.6-1TnonevsGPT-5.4 NanomediumClaude Opus 4.6mediumvsStep 3.7 FlashhighStep 3.7 FlashhighvsMiMo-V2-FlashmediumGPT-5.4 NanomediumvsQwen3.6 Max PreviewnoneRing-2.6-1TnonevsStep 3.7 FlashhighClaude Opus 4.8nonevsGPT-5.4 NanomediumRing-2.6-1TmediumvsStep 3.7 FlashhighQwen3.5-35B-A3BmediumvsStep 3.7 FlashhighClaude Sonnet 4.6nonevsStep 3.7 Flashhigh