AI BENCHY 对比

StepFun: Step 3.7 Flash vs Z.ai: GLM 5.2

摘要

Step 3.7 Flash vs GLM 5.2 benchmark 对比：GLM 5.2 平均分领先，为 8.7 vs 7.7。 GLM 5.2 benchmark 成本更低，为 $0.324 vs $0.341。 Step 3.7 Flash 更快，为 15.74s vs 23.28s，通过率为 68.3% vs 84.1%。

推荐模型: GLM 5.2 - 它在本次比较中得分最高（8.7），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：: 2026-06-17

指标	Step 3.7 Flash Step 3.7 Flash low 发布日期: 2026-05-29	GLM 5.2 GLM 5.2 medium 发布日期: 2026-06-17

指标	Step 3.7 Flash Step 3.7 Flash low 发布日期: 2026-05-29	GLM 5.2 GLM 5.2 medium 发布日期: 2026-06-17
分数	7.7	8.7
排名	#39	#14
可靠性	10.0	9.5
一致性	8.4	8.4
测试正确
尝试通过率	68.3%	84.1%
不稳定测试	4	4
总运行次数	63	63
每个结果成本	2.840	2.159
总成本	$0.341	$0.324
输入价格	$0.200 / 1M	$1.400 / 1M
输出价格	$1.150 / 1M	$4.400 / 1M
总输入令牌	40,101	37,199
输出令牌	289,325	12,261
推理令牌	0	49,500
响应时间（平均）	15.74s	23.28s
响应时间（最大）	124.75s	101.36s
响应时间（总计）	330.63s	488.94s

Generation showcase

Hamster playing table tennis

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

#39 Step 3.7 Flash

low

Invalid SVG

Cost: $0.004
Time: 25.3s
Tokens: 3,072 tok

#14 GLM 5.2

medium

Cost: $0.041
Time: 195.8s
Tokens: 9,287 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
GLM 5.2	10.0	10.0	100.0%	0		5.89s	639	497	2,634

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
GLM 5.2	8.2	7.2	88.9%	1		40.96s	7,317	1,475	17,123

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
GLM 5.2	10.0	10.0	100.0%	0		51.96s	12,696	458	4,531

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
GLM 5.2	10.0	10.0	100.0%	0		13.44s	7,149	348	2,345

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
GLM 5.2	4.1	4.4	44.5%	2		45.47s	551	8,188	11,606

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
GLM 5.2	10.0	10.0	100.0%	0		17.39s	498	54	1,842

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
GLM 5.2	9.9	10.0	100.0%	0		7.90s	678	94	1,518

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
GLM 5.2	8.2	7.2	88.9%	1		13.13s	672	536	4,822

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
GLM 5.2	10.0	10.0	100.0%	0		20.41s	6,861	230	550

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
GLM 5.2	3.0	10.0	0.0%	0		34.25s	138	381	2,529

快速对比

切换对比组合