AI BENCHY 对比
StepFun: Step 3.5 Flash vs Z.ai: GLM 5V Turbo
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-10
| 指标 | Step 3.5 Flash Step 3.5 Flash medium | GLM 5V Turbo GLM 5V Turbo medium |
|---|---|---|
| 分数 | 7.6 | 7.5 |
| 排名 | #43 | #49 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 9.2 | 7.6 |
| 测试正确 | ||
| 尝试通过率 | 66.7% | 73.7% |
| 不稳定测试 | 2 | 6 |
| 总运行次数 | 54 | 57 |
| 每个结果成本 | 0.099 | 2.919 |
| 总成本 | $0.011 | $0.322 |
| ???? | $0.100 / 1M | $1.200 / 1M |
| ???? | $0.300 / 1M | $4.000 / 1M |
| 输出令牌 | 78,299 | 2,373 |
| 推理令牌 | 173,409 | 66,463 |
| 响应时间（平均） | 41.66s | 16.33s |
| 响应时间（最大） | 170.45s | 67.08s |
| 响应时间（总计） | 499.91s | 310.29s |
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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 40.57s | 20,391 | 24,176 | |
| GLM 5V Turbo | 7.2 | 6.1 | 75.0% | 2 | 10.76s | 587 | 7,872 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 29.57s | 1,176 | 12,984 | |
| GLM 5V Turbo | 6.9 | 3.8 | 66.7% | 1 | 15.06s | 403 | 2,523 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 15.01s | 600 | 13,886 | |
| GLM 5V Turbo | 10.0 | 10.0 | 100.0% | 0 | 9.60s | 236 | 4,333 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 5.3 | 7.2 | 44.4% | 1 | 170.45s | 45,350 | 90,436 | |
| GLM 5V Turbo | 5.3 | 7.2 | 44.4% | 1 | 38.15s | 32 | 29,035 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 5.5 | 10.0 | 0.0% | 0 | 22.39s | 240 | 3,506 | |
| GLM 5V Turbo | 10.0 | 10.0 | 100.0% | 0 | 11.09s | 131 | 2,183 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 8.5 | 6.8 | 83.3% | 1 | 4.98s | 2,284 | 3,412 | |
| GLM 5V Turbo | 9.9 | 10.0 | 100.0% | 0 | 3.74s | 72 | 1,813 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 5.3 | 10.0 | 33.3% | 0 | 7.72s | 5,629 | 10,835 | |
| GLM 5V Turbo | 7.6 | 7.2 | 77.8% | 1 | 10.91s | 193 | 5,789 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 11.91s | 275 | 3,802 | |
| GLM 5V Turbo | 7.0 | 3.7 | 66.7% | 1 | 12.53s | 293 | 765 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 108.45s | 2,354 | 10,372 | |
| GLM 5V Turbo | 3.0 | 10.0 | 0.0% | 0 | 40.96s | 22 | 7,522 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| GLM 5V Turbo | 10.0 | 10.0 | 100.0% | 0 | 13.78s | 404 | 4,628 |
快速对比
切换对比组合
Gemini 3.1 Flash LitelowvsStep 3.5 FlashmediumDeepSeek V4 FlashhighvsGLM 5V TurbomediumGPT-5.2 ChatnonevsStep 3.5 FlashmediumGPT-5.3 ChatnonevsStep 3.5 FlashmediumGPT-5.3 ChatnonevsGLM 5V TurbomediumDeepSeek V4 FlashhighvsStep 3.5 FlashmediumGemini 3.1 Flash LitelowvsGLM 5V TurbomediumGemini 3.1 Flash Lite PreviewnonevsStep 3.5 FlashmediumGPT-5.2 ChatnonevsGLM 5V TurbomediumGemini 3.1 Flash Lite PreviewnonevsGLM 5V TurbomediumGemini 3.1 Flash Lite PreviewlowvsStep 3.5 FlashmediumGemini 3 Flash PreviewnonevsStep 3.5 Flashmedium