AI BENCHY 对比
StepFun: Step 3.7 Flash vs xAI: Grok 4.20
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-29
| 指标 | Step 3.7 Flash Step 3.7 Flash high | Grok 4.20 Grok 4.20 medium |
|---|---|---|
| 分数 | 7.1 | 7.0 |
| 排名 | #74 | #80 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.2 | 8.4 |
| 测试正确 | ||
| 尝试通过率 | 65.8% | 63.3% |
| 不稳定测试 | 4 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 8.723 | 7.616 |
| 总成本 | $0.960 | $0.838 |
| 输入价格 | $0.200 / 1M | $1.250 / 1M |
| 输出价格 | $1.150 / 1M | $2.500 / 1M |
| 输出令牌 | 828,084 | 1,816 |
| 推理令牌 | 0 | 157,251 |
| 响应时间（平均） | 49.43s | 19.08s |
| 响应时间（最大） | 192.75s | 105.80s |
| 响应时间（总计） | 988.58s | 381.60s |
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 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.40s | 42,656 | 0 | |
| Grok 4.20 | 8.2 | 7.9 | 83.3% | 1 | 3.95s | 287 | 8,312 |
| 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 3.7 Flash | 3.6 | 4.6 | 25.0% | 1 | 126.82s | 164,069 | 0 | |
| Grok 4.20 | 4.1 | 1.8 | 50.0% | 2 | 65.07s | 265 | 40,877 |
| 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 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 13.01s | 8,802 | 0 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 17.40s | 232 | 9,556 |
| 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 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 14.72s | 23,113 | 0 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 4.17s | 180 | 5,333 |
| 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 3.7 Flash | 4.1 | 4.4 | 44.5% | 2 | 149.64s | 410,502 | 0 | |
| Grok 4.20 | 5.3 | 10.0 | 33.3% | 0 | 27.03s | 375 | 49,339 |
| 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 3.7 Flash | 5.5 | 10.0 | 0.0% | 0 | 4.17s | 2,862 | 0 | |
| Grok 4.20 | 3.9 | 2.6 | 33.3% | 1 | 24.48s | 65 | 6,440 |
| 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 3.7 Flash | 9.8 | 10.0 | 100.0% | 0 | 1.52s | 2,010 | 0 | |
| Grok 4.20 | 9.8 | 10.0 | 100.0% | 0 | 4.26s | 57 | 6,419 |
| 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 3.7 Flash | 5.3 | 7.2 | 44.4% | 1 | 10.22s | 25,422 | 0 | |
| Grok 4.20 | 7.7 | 10.0 | 66.7% | 0 | 6.22s | 149 | 7,913 |
| 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 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 2.79s | 1,172 | 0 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 13.68s | 197 | 6,620 |
| 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 3.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 149.34s | 147,476 | 0 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 63.48s | 9 | 16,442 |
快速对比
切换对比组合
GPT-5 MinimediumvsStep 3.7 FlashhighDeepSeek V4 ProhighvsGrok 4.20mediumGPT-5.4 NanomediumvsStep 3.7 FlashhighSeed-2.0-MinimediumvsStep 3.7 FlashhighClaude Sonnet 4.6nonevsGrok 4.20mediumQwen3.6 Max PreviewnonevsStep 3.7 FlashhighClaude Opus 4.6mediumvsStep 3.7 FlashhighStep 3.7 FlashhighvsMiMo-V2-FlashmediumRing-2.6-1TnonevsStep 3.7 FlashhighRing-2.6-1TmediumvsStep 3.7 FlashhighQwen3.6 Max PreviewnonevsGrok 4.20mediumQwen3.5-35B-A3BmediumvsStep 3.7 Flashhigh