导航
AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY 对比

StepFun: Step 3.7 Flash vs xAI: Grok Build 0.1

摘要

Step 3.7 Flash vs Grok Build 0.1 benchmark 对比：Grok Build 0.1 平均分领先，为 7.6 vs 7.1。 Grok Build 0.1 benchmark 成本更低，为 $0.927 vs $1.148。 Grok Build 0.1 更快，为 49.90s vs 64.46s，通过率为 63.5% vs 61.9%。

推荐模型: Grok Build 0.1 - 它在本次比较中得分最高（7.6），并且在全部 2 个模型中兼顾成本和响应时间最好。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-02

指标 Step 3.7 Flash Step 3.7 Flash high 发布日期: 2026-05-29 Grok Build 0.1 Grok Build 0.1 medium 发布日期: 2026-05-21
分数 7.1 7.6
排名 #65 #44
可靠性 10.0 10.0
一致性 8.2 9.9
测试正确
尝试通过率 63.5% 61.9%
不稳定测试 4 0
总运行次数 63 63
每个结果成本 10.434 7.124
总成本 $1.148 $0.927
输入价格 $0.200 / 1M $1.000 / 1M
输出价格 $1.150 / 1M $2.000 / 1M
总输入令牌 38,391 44,418
输出令牌 991,355 2,782
推理令牌 0 438,018
响应时间（平均） 64.46s 49.90s
响应时间（最大） 364.99s 252.69s
响应时间（总计） 1353.57s 1047.92s

生成展示

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#65 Step 3.7 Flash

high
成本
$0.007
时间
63.6s
令牌
6,030 tok

#44 xAI: Grok Build 0.1

medium
成本
$0.028
时间
81.3s
令牌
14,009 tok

按分数排名的模型

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
Step 3.7 Flash 10.0 10.0 100.0% 0 13.40s 696 42,656 0
Grok Build 0.1 8.3 10.0 75.0% 0 7.43s 2,010 220 12,162
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
Step 3.7 Flash 4.0 6.0 22.2% 1 206.21s 6,057 327,340 0
Grok Build 0.1 5.7 9.7 33.3% 0 108.46s 8,304 1,138 161,452
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
Step 3.7 Flash 10.0 10.0 100.0% 0 13.01s 13,638 8,802 0
Grok Build 0.1 10.0 10.0 100.0% 0 32.81s 12,909 231 16,917
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
Step 3.7 Flash 10.0 10.0 100.0% 0 14.72s 7,368 23,113 0
Grok Build 0.1 10.0 10.0 100.0% 0 10.72s 7,761 180 8,876
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
Step 3.7 Flash 4.1 4.4 44.5% 2 149.64s 783 410,502 0
Grok Build 0.1 5.3 10.0 33.3% 0 158.00s 1,764 492 175,294
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
Step 3.7 Flash 5.5 10.0 0.0% 0 4.17s 510 2,862 0
Grok Build 0.1 4.4 9.9 0.0% 0 18.41s 825 76 6,345
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
Step 3.7 Flash 9.8 10.0 100.0% 0 1.52s 705 2,010 0
Grok Build 0.1 9.8 10.0 100.0% 0 12.36s 1,362 57 9,599
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
Step 3.7 Flash 5.3 7.2 44.4% 1 10.22s 711 25,422 0
Grok Build 0.1 7.7 10.0 66.7% 0 18.26s 1,689 195 20,841
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
Step 3.7 Flash 10.0 10.0 100.0% 0 2.79s 7,701 1,172 0
Grok Build 0.1 10.0 10.0 100.0% 0 13.12s 7,263 180 4,969
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
Step 3.7 Flash 3.0 10.0 0.0% 0 149.34s 222 147,476 0
Grok Build 0.1 3.0 10.0 0.0% 0 53.51s 531 13 21,563

快速对比

切换对比组合

Step 3.7 FlashhighvsGLM 5.1mediumDeepSeek V4 ProhighvsGrok Build 0.1mediumLaguna XS 2.1medium免费可用vsStep 3.7 FlashhighStep 3.7 FlashhighvsGLM 5.2noneQwen3.7 PlusnonevsStep 3.7 FlashhighKimi K2.7 CodemediumvsStep 3.7 FlashhighGPT-5.3 ChatnonevsGrok Build 0.1mediumGemma 4 26B A4Bmedium免费可用vsStep 3.7 FlashhighDeepSeek V4 PrononevsStep 3.7 FlashhighGemini 3.5 FlashnonevsStep 3.7 FlashhighStep 3.7 FlashlowvsGrok Build 0.1mediumClaude Opus 4.8nonevsStep 3.7 Flashhigh