AI BENCHY 对比
Qwen: Qwen3.6 Flash 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 Flash Qwen3.6 Flash medium | Step 3.7 Flash Step 3.7 Flash low |
|---|---|---|
| 分数 | 7.5 | 7.3 |
| 排名 | #39 | #57 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.1 | 8.4 |
| 测试正确 | ||
| 尝试通过率 | 71.4% | 68.3% |
| 不稳定测试 | 5 | 4 |
| 总运行次数 | 63 | 63 |
| 每个结果成本 | 3.030 | 2.840 |
| 总成本 | $0.288 | $0.341 |
| 输入价格 | $0.188 / 1M | $0.200 / 1M |
| 输出价格 | $1.125 / 1M | $1.150 / 1M |
| 总输入令牌 | 42,362 | 40,101 |
| 输出令牌 | 2,995 | 289,325 |
| 推理令牌 | 245,358 | 0 |
| 响应时间（平均） | 19.25s | 15.74s |
| 响应时间（最大） | 122.87s | 124.75s |
| 响应时间（总计） | 404.20s | 330.63s |
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 Flash | 10.0 | 10.0 | 100.0% | 0 | 6.10s | 672 | 624 | 14,024 | |
| Step 3.7 Flash | 8.7 | 7.9 | 91.7% | 1 | 4.02s | 756 | 10,896 | 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 Flash | 5.0 | 5.1 | 44.5% | 2 | 42.85s | 7,895 | 495 | 67,967 | |
| Step 3.7 Flash | 8.2 | 7.2 | 88.9% | 1 | 9.46s | 7,437 | 18,685 | 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 Flash | 10.0 | 10.0 | 100.0% | 0 | 20.28s | 14,934 | 483 | 13,839 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 7.98s | 13,683 | 6,426 | 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 Flash | 10.0 | 10.0 | 100.0% | 0 | 9.65s | 7,782 | 270 | 13,155 | |
| Step 3.7 Flash | 7.3 | 5.8 | 83.3% | 1 | 2.29s | 7,398 | 2,667 | 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 Flash | 3.5 | 4.4 | 33.3% | 2 | 14.65s | 771 | 60 | 24,409 | |
| Step 3.7 Flash | 5.3 | 7.2 | 44.4% | 1 | 43.31s | 828 | 104,487 | 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 Flash | 4.8 | 9.9 | 0.0% | 0 | 9.88s | 516 | 140 | 5,445 | |
| Step 3.7 Flash | 3.4 | 9.3 | 0.0% | 0 | 7.00s | 525 | 4,604 | 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 Flash | 10.0 | 10.0 | 100.0% | 0 | 6.05s | 699 | 102 | 7,423 | |
| Step 3.7 Flash | 9.8 | 10.0 | 100.0% | 0 | 1.58s | 735 | 1,857 | 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 Flash | 8.2 | 7.2 | 88.9% | 1 | 6.29s | 696 | 460 | 10,860 | |
| Step 3.7 Flash | 5.5 | 9.9 | 33.3% | 0 | 1.84s | 756 | 3,564 | 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 Flash | 10.0 | 10.0 | 100.0% | 0 | 4.00s | 8,193 | 335 | 1,188 | |
| Step 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 3.25s | 7,746 | 1,360 | 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 Flash | 3.0 | 10.0 | 0.0% | 0 | 122.87s | 204 | 26 | 87,048 | |
| Step 3.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 124.75s | 237 | 134,779 | 0 |
快速对比
切换对比组合
Step 3.7 FlashlowvsMiMo-V2.5mediumGemini 3.1 Flash Lite PreviewnonevsStep 3.7 FlashlowStep 3.7 FlashlowvsGLM 5.1mediumStep 3.7 FlashlowvsGLM 5V TurbomediumKimi K2.6medium免费可用vsStep 3.7 FlashlowGPT-5 MinimediumvsStep 3.7 FlashlowGPT-5.3 ChatnonevsStep 3.7 FlashlowStep 3.7 FlashlowvsMiMo-V2-FlashmediumGemini 3 Flash PreviewnonevsQwen3.6 FlashmediumClaude Sonnet 4.6mediumvsStep 3.7 FlashlowGemini 3.1 Flash Lite PreviewlowvsQwen3.6 FlashmediumStep 3.7 FlashlowvsMimo V2 PROmedium