OpenAI: GPT-5.6 Sol vs StepFun: Step 3.7 Flash

平均分几乎持平，为 6.9 vs 6.9。 GPT-5.6 Sol benchmark 成本更低，为 $0.524 vs $1.207。 GPT-5.6 Sol 更快，为 2.16s vs 64.68s，通过率为 59.1% vs 63.6%。

推荐模型GPT-5.6 Sol它在这里得分最高（6.9），同时成本比Step 3.7 Flash (high)低约 2.3 倍。

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

指标	GPT-5.6 Sol GPT-5.6 Sol none 发布日期: 2026-07-09	Step 3.7 Flash Step 3.7 Flash high 发布日期: 2026-05-29

指标	GPT-5.6 Sol GPT-5.6 Sol none 发布日期: 2026-07-09	Step 3.7 Flash Step 3.7 Flash high 发布日期: 2026-05-29
分数	6.9	6.9
排名	#80	#83
可靠性	10.0	10.0
一致性	9.0	8.0
测试正确
尝试通过率	59.1%	63.6%
不稳定测试	3	5
总运行次数	66	66
每个结果成本	4.761	10.973
总成本	$0.524	$1.207
输入价格	$5.000 / 1M	$0.200 / 1M
输出价格	$30.000 / 1M	$1.150 / 1M
总输入令牌	78,593	98,691
输出令牌	4,357	1,032,395
推理令牌	0	0
响应时间（平均）	2.16s	64.68s
响应时间（最大）	12.81s	364.99s
响应时间（总计）	47.62s	1423.01s

Hamster playing table tennis

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

#80 GPT-5.6 Sol

none

成本: $0.116
时间: 78.7s
令牌: 3,944 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
GPT-5.6 Sol	8.3	10.0	75.0%	0		1.27s	606	154	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-5.6 Sol	5.5	10.0	33.3%	0		1.39s	7,302	390	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-5.6 Sol	6.5	10.0	50.0%	0		8.37s	55,394	2,881	0
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
GPT-5.6 Sol	10.0	10.0	100.0%	0		1.53s	7,140	222	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-5.6 Sol	3.6	7.2	22.2%	1		1.43s	723	54	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-5.6 Sol	6.5	3.4	66.7%	1		1.52s	477	91	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-5.6 Sol	8.5	6.8	83.3%	1		1.33s	660	84	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-5.6 Sol	7.7	10.0	66.7%	0		1.49s	642	211	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-5.6 Sol	10.0	10.0	100.0%	0		3.70s	5,454	246	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-5.6 Sol	3.0	10.0	0.0%	0		1.95s	195	24	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-5.5nonevsStep 3.7 Flashhigh GPT-5.6 SolnonevsMiMo-V2.5-Promedium Qwen3.6 FlashmediumvsStep 3.7 Flashhigh GPT-5.6 SolnonevsQwen3.6 Flashmedium Step 3.7 FlashhighvsMiMo-V2.5-Promedium KAT-Coder-Pro V2.5mediumvsGPT-5.6 Solnone Gemini 3.5 FlashminimalvsStep 3.7 Flashhigh DeepSeek V4 PrononevsStep 3.7 Flashhigh Seed-2.0-MinimediumvsGPT-5.6 Solnone KAT-Coder-Pro V2.5mediumvsStep 3.7 Flashhigh Gemini 3.5 FlashminimalvsGPT-5.6 Solnone Mercury 2mediumvsGPT-5.6 Solnone