StepFun: Step 3.7 Flash vs Thinking Machines: Inkling

平均分几乎持平，为 8.0 vs 8.0。 Step 3.7 Flash (medium) benchmark 成本更低，为 $0.515 vs $1.006。 Step 3.7 Flash (medium) 更快，为 26.37s vs 64.16s，通过率为 72.7% vs 77.3%。

推荐模型Step 3.7 Flash (medium)它在这里得分最高（8.0），同时成本比Inkling (high)低约 2.0 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-18

指标	Step 3.7 Flash Step 3.7 Flash medium 发布日期: 2026-05-29	Inkling Inkling high 发布日期: 2026-07-18

指标	Step 3.7 Flash Step 3.7 Flash medium 发布日期: 2026-05-29	Inkling Inkling high 发布日期: 2026-07-18
分数	8.0	8.0
排名	#29	#28
可靠性	9.9	9.8
一致性	8.9	8.9
测试正确
尝试通过率	72.7%	77.3%
不稳定测试	3	3
总运行次数	64	66
每个结果成本	3.676	6.704
总成本	$0.515	$1.006
输入价格	$0.200 / 1M	$1.000 / 1M
输出价格	$1.150 / 1M	$4.050 / 1M
总输入令牌	114,062	86,746
输出令牌	427,572	6,055
推理令牌	0	220,791
响应时间（平均）	26.37s	64.16s
响应时间（最大）	152.83s	327.51s
响应时间（总计）	580.25s	1411.59s

Hamster playing table tennis

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

#29 Step 3.7 Flash

medium

成本: $0.006
时间: 46.2s
令牌: 4,466 tok

#28 Thinking Machines: Inkling

high

成本: $0.005
时间: 32.2s
令牌: 1,275 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

类别:

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		9.65s	756	32,185	0
Inkling	10.0	10.0	100.0%	0		12.68s	702	455	7,204

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	8.8	7.8	88.9%	1		27.42s	7,437	44,797	0
Inkling	8.5	10.0	66.7%	0		148.36s	7,374	430	78,982

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	7.3	5.8	83.3%	1		80.94s	87,764	114,720	0
Inkling	7.3	5.8	83.3%	1		63.78s	61,296	3,854	19,895

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	10.0	10.0	100.0%	0		2.75s	7,398	3,020	0
Inkling	10.0	10.0	100.0%	0		8.19s	7,068	216	2,349

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	7.7	10.0	66.7%	0		48.27s	708	70,347	0
Inkling	7.7	10.0	66.7%	0		186.39s	683	59	76,777

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	4.0	10.0	0.0%	0		6.85s	525	3,987	0
Inkling	10.0	10.0	100.0%	0		6.53s	501	182	1,151

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		1.83s	735	2,166	0
Inkling	9.8	10.0	100.0%	0		7.00s	708	93	2,098

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	5.7	9.9	33.3%	0		6.19s	756	15,071	0
Inkling	6.9	4.9	77.8%	2		10.69s	714	429	4,623

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		4.16s	7,746	2,115	0
Inkling	3.0	10.0	0.0%	0		6.52s	7,481	307	601

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		113.98s	237	139,164	0
Inkling	3.0	10.0	0.0%	0		153.57s	219	30	27,111

快速对比

切换对比组合

GPT-5.2 ChatnonevsStep 3.7 Flashmedium GPT-5.2 ChatnonevsInklinghigh Step 3.7 FlashmediumvsGLM 5.2high Muse Spark 1.1highvsStep 3.7 Flashmedium GPT-5 MinimediumvsInklinghigh Kimi K3maxvsStep 3.7 Flashmedium GPT-5.6 TerrahighvsStep 3.7 Flashmedium Kimi K3maxvsInklinghigh Seed-2.0-LitemediumvsInklinghigh Qwen3.7 PlusmediumvsInklinghigh Gemini 2.5 FlashmediumvsInklinghigh Qwen3.6 PlusmediumvsInklinghigh