导航
AI BENCHY
Advertise here

AI BENCHY 对比

StepFun: Step 3.7 Flash vs xAI: Grok 4.5

摘要

Step 3.7 Flash (low) vs Grok 4.5 (medium) benchmark 对比：Grok 4.5 (medium) 平均分领先，为 8.3 vs 7.7。 Step 3.7 Flash (low) benchmark 成本更低，为 $0.341 vs $1.696。 Step 3.7 Flash (low) 更快，为 15.74s vs 62.63s，通过率为 68.3% vs 77.8%。

推荐模型: Step 3.7 Flash (low) - 它的得分接近这里的最高分（7.7 vs 8.3），同时成本比Grok 4.5 (medium)低约 5.0 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-08

指标 Step 3.7 Flash Step 3.7 Flash low 发布日期: 2026-05-29 Grok 4.5 Grok 4.5 medium 发布日期: 2026-07-08
分数 7.7 8.3
排名 #43 #23
可靠性 10.0 9.9
一致性 8.4 8.9
测试正确
尝试通过率 68.3% 77.8%
不稳定测试 4 3
总运行次数 63 63
每个结果成本 2.840 11.304
总成本 $0.341 $1.696
输入价格 $0.200 / 1M $2.000 / 1M
输出价格 $1.150 / 1M $6.000 / 1M
总输入令牌 40,101 53,500
输出令牌 289,325 1,621
推理令牌 0 263,127
响应时间（平均） 15.74s 62.63s
响应时间（最大） 124.75s 436.38s
响应时间（总计） 330.63s 1315.20s

生成展示

Hamster playing table tennis

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

#43 Step 3.7 Flash

low
无效SVG
成本
$0.004
时间
25.3s
令牌
3,072 tok

#23 xAI: Grok 4.5

medium
成本
$0.044
时间
59.4s
令牌
7,512 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 8.7 7.9 91.7% 1 4.02s 756 10,896 0
Grok 4.5 10.0 10.0 100.0% 0 23.50s 2,991 147 4,018
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 8.2 7.2 88.9% 1 9.46s 7,437 18,685 0
Grok 4.5 7.6 7.2 77.8% 1 155.69s 9,579 390 104,634
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 7.98s 13,683 6,426 0
Grok 4.5 10.0 10.0 100.0% 0 15.65s 15,084 261 4,254
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 7.3 5.8 83.3% 1 2.29s 7,398 2,667 0
Grok 4.5 10.0 10.0 100.0% 0 6.29s 8,937 225 3,657
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 5.3 7.2 44.4% 1 43.31s 828 104,487 0
Grok 4.5 2.9 7.2 11.1% 1 198.89s 2,212 11 121,922
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 3.4 9.3 0.0% 0 7.00s 525 4,604 0
Grok 4.5 6.5 3.4 66.7% 1 12.84s 1,077 71 2,384
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 1.58s 735 1,857 0
Grok 4.5 9.8 10.0 100.0% 0 6.06s 1,857 57 2,728
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 5.5 9.9 33.3% 0 1.84s 756 3,564 0
Grok 4.5 10.0 10.0 100.0% 0 7.75s 2,430 254 3,641
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 3.25s 7,746 1,360 0
Grok 4.5 10.0 10.0 100.0% 0 6.57s 8,544 192 968
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% 0 124.75s 237 134,779 0
Grok 4.5 3.0 10.0 0.0% 0 74.44s 789 13 14,921

快速对比

切换对比组合

Claude Opus 4.6mediumvsStep 3.7 FlashlowStep 3.7 FlashlowvsGrok 4.3mediumQwen3.5-122B-A10BmediumvsStep 3.7 FlashlowKimi K2.6medium免费可用vsStep 3.7 FlashlowDeepSeek V4 FlashhighvsGrok 4.5mediumGemini 3.1 Flash LitemediumvsStep 3.7 FlashlowQwen3.5 Plus 2026-04-20mediumvsStep 3.7 FlashlowGemini 3.1 Flash Lite PreviewmediumvsStep 3.7 FlashlowMiniMax M3mediumvsStep 3.7 FlashlowDeepSeek V4 ProhighvsStep 3.7 FlashlowStep 3.7 FlashlowvsGrok Build 0.1mediumClaude Sonnet 4.6mediumvsStep 3.7 Flashlow