AI BENCHY 对比
OpenAI: GPT-5 Mini vs StepFun: Step 3.5 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-01
| 指标 | GPT-5 Mini GPT-5 Mini medium | Step 3.5 Flash Step 3.5 Flash medium |
|---|---|---|
| 分数 | 7.2 | 7.4 |
| 排名 | #73 | #61 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 9.1 | 9.1 |
| 测试正确 | ||
| 尝试通过率 | 61.7% | 61.4% |
| 不稳定测试 | 2 | 2 |
| 总运行次数 | 60 | 57 |
| 每个结果成本 | 1.348 | 0.133 |
| 总成本 | $0.149 | $0.062 |
| 输入价格 | $0.250 / 1M | $0.090 / 1M |
| 输出价格 | $2.000 / 1M | $0.300 / 1M |
| 输出令牌 | 6,723 | 90,478 |
| 推理令牌 | 63,082 | 173,544 |
| 响应时间（平均） | 23.75s | 43.20s |
| 响应时间（最大） | 88.15s | 170.45s |
| 响应时间（总计） | 475.03s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 7.1 | 7.6 | 66.7% | 1 | 13.86s | 1,715 | 6,378 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 40.57s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 10.0 | 10.0 | 100.0% | 0 | 30.74s | 580 | 12,544 | |
| Step 3.5 Flash | 2.5 | 6.0 | 33.3% | 1 | 62.83s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 10.0 | 10.0 | 100.0% | 0 | 88.15s | 754 | 11,520 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 29.57s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 10.0 | 10.0 | 100.0% | 0 | 12.58s | 453 | 3,200 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 15.01s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 3.6 | 7.2 | 22.2% | 1 | 44.63s | 293 | 14,016 | |
| Step 3.5 Flash | 5.3 | 7.2 | 44.4% | 1 | 170.45s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 4.5 | 10.0 | 0.0% | 0 | 13.50s | 349 | 1,856 | |
| Step 3.5 Flash | 5.5 | 10.0 | 0.0% | 0 | 22.39s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 10.0 | 10.0 | 100.0% | 0 | 11.59s | 310 | 3,968 | |
| Step 3.5 Flash | 8.3 | 10.0 | 50.0% | 0 | 4.78s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 5.6 | 9.8 | 33.3% | 0 | 15.20s | 1,622 | 6,144 | |
| Step 3.5 Flash | 5.3 | 10.0 | 33.3% | 0 | 7.22s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 10.0 | 10.0 | 100.0% | 0 | 18.64s | 487 | 1,600 | |
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 11.91s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5 Mini | 3.0 | 10.0 | 0.0% | 0 | 9.99s | 160 | 1,856 | |
| Step 3.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 108.45s | 2,354 | 10,372 |
快速对比
切换对比组合
GPT-5 MinimediumvsStep 3.7 FlashhighGPT-5.3 ChatnonevsStep 3.5 FlashmediumGemini 3.1 Flash LitelowvsStep 3.5 FlashmediumRing-2.6-1TnonevsGPT-5 MinimediumGPT-5 MinimediumvsQwen3.6 Max PreviewnoneClaude Opus 4.8nonevsStep 3.5 FlashmediumGemini 3.1 Flash Lite PreviewnonevsStep 3.5 FlashmediumClaude Opus 4.8nonevsGPT-5 MinimediumRing-2.6-1TnonevsStep 3.5 FlashmediumClaude Sonnet 4.6nonevsGPT-5 MinimediumGPT-5 MinimediumvsStep 3.7 FlashlowGemini 3.1 Flash LitelowvsGPT-5 Minimedium