导航
AI BENCHY
Advertise here

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：Step 3.7 Flash 平均分领先，为 7.7 vs 7.6。 Step 3.7 Flash benchmark 成本更低，为 $0.341 vs $0.927。 Step 3.7 Flash 更快，为 15.74s vs 49.90s，通过率为 68.3% vs 61.9%。

推荐模型: Step 3.7 Flash - 它在这里得分最高（7.7），同时成本比Grok Build 0.1低约 2.7 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-12

指标 Step 3.7 Flash Step 3.7 Flash low 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 7.7 7.6
排名 #42 #44
可靠性 10.0 10.0
一致性 8.4 9.9
测试正确
尝试通过率 68.3% 61.9%
不稳定测试 4 0
总运行次数 63 63
每个结果成本 2.840 7.124
总成本 $0.341 $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 40,101 44,418
输出令牌 289,325 2,782
推理令牌 0 438,018
响应时间（平均） 15.74s 49.90s
响应时间（最大） 124.75s 252.69s
响应时间（总计） 330.63s 1047.92s

Generation showcase

Hamster playing table tennis

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

#42 Step 3.7 Flash

low
Invalid SVG
Cost
$0.004
Time
25.3s
Tokens
3,072 tok

#44 xAI: Grok Build 0.1

medium
Cost
$0.028
Time
81.3s
Tokens
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 8.7 7.9 91.7% 1 4.02s 756 10,896 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 8.2 7.2 88.9% 1 9.46s 7,437 18,685 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 7.98s 13,683 6,426 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 7.3 5.8 83.3% 1 2.29s 7,398 2,667 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 5.3 7.2 44.4% 1 43.31s 828 104,487 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 3.4 9.3 0.0% 0 7.00s 525 4,604 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 1.58s 735 1,857 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 5.5 9.9 33.3% 0 1.84s 756 3,564 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 3.25s 7,746 1,360 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% 0 124.75s 237 134,779 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

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 FlashlowGemini 3.1 Flash LitemediumvsStep 3.7 FlashlowQwen3.5 Plus 2026-04-20mediumvsStep 3.7 FlashlowGemini 3.1 Flash Lite PreviewmediumvsStep 3.7 FlashlowGPT-5.3 ChatnonevsGrok Build 0.1mediumMiniMax M3mediumvsStep 3.7 FlashlowClaude Sonnet 4.6mediumvsStep 3.7 FlashlowQwen3.6 PlusmediumvsStep 3.7 FlashlowKimi K2.5mediumvsStep 3.7 Flashlow