AI BENCHY 对比
StepFun: Step 3.7 Flash vs Xiaomi: MiMo-V2.5
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 low | MiMo-V2.5 MiMo-V2.5 medium |
|---|---|---|
| 分数 | 7.4 | 7.4 |
| 排名 | #60 | #58 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.7 | 8.4 |
| 测试正确 | ||
| 尝试通过率 | 68.3% | 70.0% |
| 不稳定测试 | 3 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 2.796 | 2.876 |
| 总成本 | $0.336 | $0.346 |
| 输入价格 | $0.200 / 1M | $0.140 / 1M |
| 输出价格 | $1.150 / 1M | $0.280 / 1M |
| 输出令牌 | 285,209 | 2,806 |
| 推理令牌 | 0 | 161,888 |
| 响应时间（平均） | 16.06s | 20.35s |
| 响应时间（最大） | 124.75s | 97.49s |
| 响应时间（总计） | 321.11s | 406.94s |
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 | 8.7 | 7.9 | 91.7% | 1 | 4.02s | 10,896 | 0 | |
| MiMo-V2.5 | 10.0 | 10.0 | 100.0% | 0 | 4.14s | 281 | 1,739 |
| 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 | 10.0 | 10.0 | 100.0% | 0 | 9.43s | 14,569 | 0 | |
| MiMo-V2.5 | 6.9 | 6.2 | 66.7% | 1 | 64.48s | 536 | 44,967 |
| 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 | 7.98s | 6,426 | 0 | |
| MiMo-V2.5 | 10.0 | 10.0 | 100.0% | 0 | 16.86s | 363 | 7,609 |
| 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 | 7.3 | 5.8 | 83.3% | 1 | 2.29s | 2,667 | 0 | |
| MiMo-V2.5 | 2.7 | 5.7 | 16.7% | 1 | 6.33s | 306 | 5,714 |
| 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 | 5.3 | 7.2 | 44.4% | 1 | 43.31s | 104,487 | 0 | |
| MiMo-V2.5 | 5.3 | 10.0 | 33.3% | 0 | 34.53s | 507 | 49,478 |
| 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 | 3.4 | 9.3 | 0.0% | 0 | 7.00s | 4,604 | 0 | |
| MiMo-V2.5 | 5.4 | 2.5 | 66.7% | 1 | 5.37s | 121 | 418 |
| 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 | 1.58s | 1,857 | 0 | |
| MiMo-V2.5 | 9.9 | 10.0 | 100.0% | 0 | 1.80s | 88 | 801 |
| 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 | 5.5 | 9.9 | 33.3% | 0 | 1.84s | 3,564 | 0 | |
| MiMo-V2.5 | 8.2 | 7.2 | 88.9% | 1 | 20.25s | 279 | 33,254 |
| 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 | 3.25s | 1,360 | 0 | |
| MiMo-V2.5 | 10.0 | 10.0 | 100.0% | 0 | 7.29s | 303 | 2,424 |
| 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 | 124.75s | 134,779 | 0 | |
| MiMo-V2.5 | 3.0 | 10.0 | 0.0% | 0 | 51.29s | 22 | 15,484 |
快速对比
切换对比组合
GPT-5.3 ChatnonevsMiMo-V2.5mediumKimi K2.6medium免费可用vsStep 3.7 FlashlowGemini 3.1 Flash LitelowvsMiMo-V2.5mediumGPT-5.3 ChatnonevsStep 3.7 FlashlowStep 3.7 FlashlowvsGLM 5V TurbomediumStep 3.7 FlashlowvsGLM 5.1mediumGPT-5.2mediumvsStep 3.7 FlashlowGemini 3.1 Flash Lite PreviewnonevsMiMo-V2.5mediumGPT-5.4 MinimediumvsStep 3.7 FlashlowGemini 3.1 Flash Lite PreviewnonevsStep 3.7 FlashlowClaude Opus 4.8nonevsStep 3.7 FlashlowDeepSeek V3.2mediumvsStep 3.7 Flashlow