AI BENCHY 对比
Qwen: Qwen3.5-122B-A10B 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 | Qwen3.5-122B-A10B Qwen3.5-122B-A10B medium | Step 3.7 Flash Step 3.7 Flash medium |
|---|---|---|
| 分数 | 7.7 | 7.9 |
| 排名 | #43 | #32 |
| 可靠性 | 10.0 | 9.9 |
| 一致性 | 8.8 | 9.2 |
| 测试正确 | ||
| 尝试通过率 | 71.7% | 71.7% |
| 不稳定测试 | 3 | 2 |
| 总运行次数 | 60 | 58 |
| 每个结果成本 | 5.031 | 2.663 |
| 总成本 | $0.655 | $0.347 |
| 输入价格 | $0.260 / 1M | $0.200 / 1M |
| 输出价格 | $2.080 / 1M | $1.150 / 1M |
| 输出令牌 | 26,166 | 294,481 |
| 推理令牌 | 213,524 | 0 |
| 响应时间（平均） | 39.40s | 18.32s |
| 响应时间（最大） | 168.16s | 113.98s |
| 响应时间（总计） | 788.00s | 366.45s |
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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 9.75s | 269 | 16,835 | |
| Step 3.7 Flash | 8.7 | 7.9 | 91.7% | 1 | 9.65s | 32,185 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 4.1 | 5.8 | 33.3% | 1 | 119.57s | 8,036 | 45,074 | |
| Step 3.7 Flash | 8.2 | 6.7 | 83.3% | 1 | 10.64s | 19,320 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 107.79s | 483 | 11,337 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 9.06s | 7,106 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 23.41s | 270 | 16,558 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.75s | 3,020 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 2.9 | 7.2 | 11.1% | 1 | 63.40s | 15,537 | 64,889 | |
| Step 3.7 Flash | 7.7 | 10.0 | 66.7% | 0 | 48.27s | 70,347 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 3.4 | 2.2 | 33.3% | 1 | 34.11s | 66 | 7,592 | |
| Step 3.7 Flash | 4.0 | 10.0 | 0.0% | 0 | 6.85s | 3,987 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 9.88s | 77 | 7,372 | |
| Step 3.7 Flash | 9.8 | 10.0 | 100.0% | 0 | 1.83s | 2,166 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 17.89s | 284 | 27,575 | |
| Step 3.7 Flash | 5.7 | 9.9 | 33.3% | 0 | 6.19s | 15,071 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 10.0 | 10.0 | 100.0% | 0 | 4.60s | 322 | 1,226 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 4.16s | 2,115 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-122B-A10B | 3.0 | 10.0 | 0.0% | 0 | 52.87s | 822 | 15,066 | |
| Step 3.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 113.98s | 139,164 | 0 |
快速对比
切换对比组合
Qwen3.7 MaxnonevsStep 3.7 FlashmediumGPT-5.2 ChatnonevsStep 3.7 FlashmediumGemini 3 Flash PreviewnonevsQwen3.5-122B-A10BmediumGemini 3.5 FlashminimalvsStep 3.7 FlashmediumDeepSeek V4 Flashhigh免费可用vsQwen3.5-122B-A10BmediumGemini 3.1 Flash Lite PreviewlowvsQwen3.5-122B-A10BmediumGPT-5.2 ChatnonevsQwen3.5-122B-A10BmediumGemini 3.1 Flash Lite PreviewnonevsQwen3.5-122B-A10BmediumGemini 3 Flash PreviewnonevsStep 3.7 FlashmediumGemini 3.5 FlashminimalvsQwen3.5-122B-A10BmediumDeepSeek V4 Flashhigh免费可用vsStep 3.7 FlashmediumGemini 3.1 Flash LitelowvsQwen3.5-122B-A10Bmedium