AI BENCHY 对比
StepFun: Step 3.7 Flash vs Z.ai: GLM 5V Turbo
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 | GLM 5V Turbo GLM 5V Turbo medium |
|---|---|---|
| 分数 | 7.1 | 7.4 |
| 排名 | #74 | #62 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.2 | 8.2 |
| 测试正确 | ||
| 尝试通过率 | 65.8% | 68.3% |
| 不稳定测试 | 4 | 5 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 8.723 | 3.695 |
| 总成本 | $0.960 | $0.407 |
| 输入价格 | $0.200 / 1M | $1.200 / 1M |
| 输出价格 | $1.150 / 1M | $4.000 / 1M |
| 输出令牌 | 828,084 | 2,334 |
| 推理令牌 | 0 | 86,653 |
| 响应时间（平均） | 49.43s | 20.21s |
| 响应时间（最大） | 192.75s | 95.88s |
| 响应时间（总计） | 988.58s | 404.14s |
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 | |
| GLM 5V Turbo | 7.2 | 6.1 | 75.0% | 2 | 10.76s | 587 | 7,872 |
| 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 | |
| GLM 5V Turbo | 6.8 | 10.0 | 50.0% | 0 | 54.83s | 427 | 26,111 |
| 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 | |
| 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 3.7 Flash | 10.0 | 10.0 | 100.0% | 0 | 14.72s | 23,113 | 0 | |
| 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 3.7 Flash | 4.1 | 4.4 | 44.5% | 2 | 149.64s | 410,502 | 0 | |
| 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 3.7 Flash | 5.5 | 10.0 | 0.0% | 0 | 4.17s | 2,862 | 0 | |
| 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 3.7 Flash | 9.8 | 10.0 | 100.0% | 0 | 1.52s | 2,010 | 0 | |
| 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 3.7 Flash | 5.3 | 7.2 | 44.4% | 1 | 10.22s | 25,422 | 0 | |
| GLM 5V Turbo | 7.7 | 10.0 | 66.7% | 0 | 10.24s | 131 | 4,496 |
| 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 | |
| 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 3.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 149.34s | 147,476 | 0 | |
| GLM 5V Turbo | 3.0 | 10.0 | 0.0% | 0 | 40.96s | 22 | 7,522 |
快速对比
切换对比组合
GPT-5 MinimediumvsStep 3.7 FlashhighStep 3.7 FlashlowvsGLM 5V TurbomediumGPT-5.4 NanomediumvsStep 3.7 FlashhighSeed-2.0-MinimediumvsStep 3.7 FlashhighGPT-5.3 ChatnonevsGLM 5V TurbomediumQwen3.6 Max PreviewnonevsStep 3.7 FlashhighClaude Opus 4.6mediumvsStep 3.7 FlashhighGemini 3.1 Flash LitelowvsGLM 5V TurbomediumClaude Opus 4.8nonevsGLM 5V TurbomediumStep 3.7 FlashhighvsMiMo-V2-FlashmediumRing-2.6-1TnonevsStep 3.7 FlashhighRing-2.6-1TmediumvsStep 3.7 Flashhigh