AI BENCHY 对比
Qwen: Qwen3.6 27B vs StepFun: Step 3.7 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-04
| 指标 | Qwen3.6 27B Qwen3.6 27B medium | Step 3.7 Flash Step 3.7 Flash high |
|---|---|---|
| 分数 | 6.8 | 7.0 |
| 排名 | #78 | #71 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.2 | 8.2 |
| 测试正确 | ||
| 尝试通过率 | 60.3% | 63.5% |
| 不稳定测试 | 5 | 4 |
| 总运行次数 | 63 | 63 |
| 每个结果成本 | 3.361 | 10.434 |
| 总成本 | $0.444 | $1.148 |
| 输入价格 | $0.290 / 1M | $0.200 / 1M |
| 输出价格 | $3.200 / 1M | $1.150 / 1M |
| 总输入令牌 | 39,376 | 38,391 |
| 输出令牌 | 16,189 | 991,355 |
| 推理令牌 | 122,521 | 0 |
| 响应时间（平均） | 59.71s | 64.46s |
| 响应时间（最大） | 168.22s | 364.99s |
| 响应时间（总计） | 1254.01s | 1353.57s |
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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 8.3 | 10.0 | 75.0% | 0 | 12.62s | 453 | 582 | 4,311 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 7.7 | 10.0 | 66.7% | 0 | 142.99s | 5,051 | 7,968 | 43,367 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 7.0 | 3.7 | 66.7% | 1 | 83.07s | 15,104 | 2,088 | 14,689 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.01s | 13,638 | 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 3.5 | 1.4 | 50.0% | 2 | 37.30s | 7,778 | 568 | 9,404 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 2.9 | 7.2 | 11.1% | 1 | 73.38s | 662 | 3,510 | 20,352 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 6.5 | 3.4 | 66.7% | 1 | 39.53s | 516 | 81 | 3,045 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 10.0 | 10.0 | 100.0% | 0 | 37.96s | 699 | 346 | 6,548 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 7.7 | 10.0 | 66.7% | 0 | 61.14s | 696 | 255 | 12,044 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 10.0 | 10.0 | 100.0% | 0 | 16.88s | 8,213 | 390 | 2,954 | |
| 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 |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3.6 27B | 3.0 | 10.0 | 0.0% | 0 | 80.99s | 204 | 401 | 5,807 | |
| 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-5.4 NanomediumvsStep 3.7 FlashhighClaude Opus 4.6mediumvsStep 3.7 FlashhighClaude Opus 4.8nonevsStep 3.7 FlashhighMiniMax M3mediumvsStep 3.7 FlashhighClaude Sonnet 4.6nonevsQwen3.6 27BmediumDeepSeek V3.2mediumvsStep 3.7 FlashhighQwen3.5-35B-A3BmediumvsStep 3.7 FlashhighStep 3.7 FlashhighvsGrok 4.20mediumSeed-2.0-MinimediumvsStep 3.7 FlashhighStep 3.7 FlashhighvsMiMo-V2-FlashmediumGPT-5.3 ChatnonevsStep 3.7 FlashhighQwen3.6 Max PreviewnonevsStep 3.7 Flashhigh