BenchLeader

Gemini 3.5 Flash vs Step 5 Preview

完整资料:Gemini 3.5 Flash(Google)和 Step 5 Preview(StepFun),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,质量上 Gemini 3.5 Flash 领先 Step 5 Preview(BenchLeader Index 62.5 比 56.0)。不过,Step 5 Preview 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $1.43 比 $3.38)。看重智能体与工具(63 比 49)、编程(60 比 50)和知识(63 比 54)选 Gemini 3.5 Flash;看重长上下文(69 比 61)和数学(60 比 58)选 Step 5 Preview。Gemini 3.5 Flash 的首次回答更快(9.9 秒 比 23.5 秒)。Gemini 3.5 Flash 的输出更快。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,Step 5 Preview 为 56.0(BenchLeader,2026年11月16日)。
  • Gemini 3.5 Flash 每百万 token 混合价格为 $3.38(标价,2026年11月16日)。
  • Step 5 Preview 每百万 token 混合价格为 $1.43(标价,2026年11月16日)。
  • Gemini 3.5 Flash 比 Step 5 Preview 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程Gemini 3.5 Flash类别得分 60 比 50;Arena Coding 1508 比 1505高
智能体与工具调用Gemini 3.5 Flash类别得分 63 比 49;Analyst Agent (AA) 45.0% 比 35.0%高
数学Step 5 Preview类别得分 60 比 58;ProofBench 42.0% 比 31.0%中
推理Gemini 3.5 Flash类别得分 61 比 52;Arena Hard Prompts 1496 比 1477高
知识Gemini 3.5 Flash类别得分 63 比 54;Excel Modeling Benchmark 63.5% 比 57.1%高
长文档Step 5 Preview类别得分 69 比 61;AA-LCR v1.1 88.3% 比 73.3%高
图像及其他媒体Gemini 3.5 Flash类别得分 66 比 59;Arena Vision 1308 比 1263中
对话质量(人类偏好)Gemini 3.5 FlashArena 投票 67 比 63中
成本最低Step 5 Preview每百万 token 混合价格 $1.43 比 $3.38;智能体编程会话 $0.071 比 $0.126–
首次回答最快Gemini 3.5 Flash首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 23.5 秒(Step 5 Preview)–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 质量上 Gemini 3.5 Flash (high) 领先:62.5 比 56.0。
  • Gemini 3.5 Flash (high) 在智能体与工具、编程、人类偏好、知识、多模态、推理方面更强。
  • Step 5 Preview 在长上下文、数学方面更强。
  • Step 5 Preview 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $1.43 比 $3.38)。
  • Gemini 3.5 Flash (high) 的输出速度是对方的 1.4 倍(176 比 124 token/秒)。

概览

规格Gemini 3.5 FlashStep 5 Preview
提供商GoogleStepFun
发布日期2026年5月19日2026年9月18日
上下文窗口(token)1,048,5761,000,000
对比时的配置Gemini 3.5 Flash (high)Step 5 Preview
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.50 / $9.00 / $0.150$1.00 / $2.70 / $0.105

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 3.5 Flash (high)Step 5 Preview领先者
推理60.651.7Gemini 3.5 Flash
编程59.549.9Gemini 3.5 Flash
智能体与工具62.849.1Gemini 3.5 Flash
数学57.760.1Step 5 Preview
知识63.353.7Gemini 3.5 Flash
指令遵循74.4–无法比较
人类偏好66.863.1Gemini 3.5 Flash
多模态66.259.3Gemini 3.5 Flash
长上下文61.269.0Step 5 Preview

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识长上下文多模态人类偏好Gemini 3.5 Flash, 推理: 60.6Gemini 3.5 Flash, 编程: 59.5Gemini 3.5 Flash, 智能体与工具: 62.8Gemini 3.5 Flash, 数学: 57.7Gemini 3.5 Flash, 知识: 63.3Gemini 3.5 Flash, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2Gemini 3.5 Flash, 人类偏好: 66.8Step 5 Preview, 推理: 51.7Step 5 Preview, 编程: 49.9Step 5 Preview, 智能体与工具: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知识: 53.7Step 5 Preview, 长上下文: 69.0Step 5 Preview, 多模态: 59.3Step 5 Preview, 人类偏好: 63.1

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 36 项基准测试中,Gemini 3.5 Flash 领先 18 项,Step 5 Preview 领先 18 项。所有同时评测两者的综合评分都认为 Gemini 3.5 Flash 更强。

综合 IndexGemini 3.5 Flash (high)Step 5 Preview领先者
BenchLeader Index62.556.0Gemini 3.5 Flash
Arena Text14781449Gemini 3.5 Flash

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 3.5 Flash (high)Step 5 Preview
每百万 token 混合价格$3.38$1.43
每百万 token 输入 / 输出$1.50 / $9.00$1.00 / $2.70
每百万 token 缓存输入$0.150$0.105
每项任务价格:聊天回复$0.0033$0.0012
每项任务价格:总结一份 30 页的报告$0.023$0.014
每项任务价格:代码编辑$0.022$0.010
每项任务价格:智能体编程会话$0.126$0.071
每项任务价格:结构化信息提取$0.0048$0.0025
智能体编程会话(输入大多命中缓存)$0.065$0.030
每项基准测试任务成本(AA Index)–$2.35
每项任务输出 token(AA Index)–113k
其中推理部分–80k
每项任务耗时(AA Index)–15 min
输出速度176 tok/s124 tok/s
首次回答时间9.9 秒23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 秒54.4 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.5 Flash (high) 得分 62.5,首个回答 token 需 10 秒;Gemini 3.5 Flash (medium) 为 61.8(9 秒),Gemini 3.5 Flash (minimal) 为 55.6(3 秒)。Step 5 Preview 得分 56.0,首个回答 token 需 24 秒。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 153 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 3.5 Flash (high)Step 5 Preview
BenchLeader IndexBenchLeader62.556.0
智能体与工具得分BenchLeader62.849.1
编程得分BenchLeader59.549.9
人类偏好得分BenchLeader66.863.1
指令遵循得分BenchLeader74.4–
知识得分BenchLeader63.353.7
长上下文得分BenchLeader61.269.0
数学得分BenchLeader57.760.1
多模态得分BenchLeader66.259.3
推理得分BenchLeader60.651.7
混合价格(美元/百万 token)BenchLeader$3.38$1.43
输出速度BenchLeader176 tok/s124 tok/s
首次回答时间BenchLeader9.9 秒23.5 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%–
SimpleBenchSimpleBench76.7%†–
Arena Hard PromptsArena (LMArena)14961477
LiveBench 2.0 ReasoningLiveBench–83.8%†
LiveBench 1.0 ReasoningLiveBench82.0%–
GPQA Diamond (AA)Artificial Analysis92.2%–
Humanity's Last Exam (AA)Artificial Analysis42.7%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
GPQA Diamond (Vals)Vals AI92.7%–
EnigmaEvalScale AI SEAL25.4%–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%–
CritPtArtificial Analysis13.1%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
Arena ExpertArena (LMArena)14911489
Chess PuzzlesEpoch AI Benchmarking Hub45.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%–
LMCAEpoch AI Benchmarking Hub47.1%–
DTBenchEpoch AI Benchmarking Hub94.7%–
ForecastBenchForecastBench64.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%58.9%
WeirdMLWeirdML62.6%–
Arena CodingArena (LMArena)15081505
显示全部 153 项基准测试
指标发布方Gemini 3.5 Flash (high)Step 5 Preview
编程
Arena WebDevArena (LMArena)15001573†
LiveBench 2.0 CodingLiveBench–67.6%†
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI87.6%–
IOIVals AI–38.1%
SWE-bench (Vals)Vals AI78.8%–
Code MigrationVals AI26.8%39.0%
Code Migration v1.1Vals AI–47.0%
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI48.7%70.4%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%–
ALE-BenchEpoch AI Benchmarking Hub911.0–
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%–
GameBench 2 OverallDuelLab GameBench 249.4†–
GameBench 2 by reasoning settingDuelLab GameBench 263.2–
Design Arena WebsiteDesign Arena1260†–
FrontierCode 1.1 (AA)Artificial Analysis–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
智能体与工具
APEX-AgentsMercor27.5%†–
Arena AgentArena (LMArena)–-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis40.9%–
τ²-Bench Telecom (AA)Artificial Analysis95.3%–
Terminal-Bench 2.1 (Vals)Vals AI74.2%–
MCP AtlasScale AI SEAL83.6%–
HiL-BenchScale AI SEAL27.7%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis12111591
τ³-Banking (AA)Artificial Analysis32.2%–
ITBench SRE (AA)Artificial Analysis40.4%55.6%
Analyst Agent (AA)Artificial Analysis45.0%35.0%
APEX-Agents (AA)Artificial Analysis47.0%38.0%
Finance Agent v2Vals AI57.9%50.7%
Finance Agent v2.1Vals AI–58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%
Harvey's Legal Agent Benchmark v1Vals AI2.5%9.2%
Legal Research BenchVals AI30.8%40.4%
SkillsBenchVals AI52.7%–
SREBenchVals AI–0.4%
Tax Agent BenchVals AI21.6%27.3%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI6.1%31.8%
Terminal-Bench ScienceVals AI5.7%2.9%
Web Search IndexVals AI37.0%–
Arena Agent Task CompletionArena (LMArena)–-1.5
GBAEvalEpoch AI Benchmarking Hub6.7%†–
Vending-Bench 2Andon Labs5396.4†–
AutomationBenchArtificial Analysis42.1%51.0%
GDP.pdf (AA)Artificial Analysis19.8%14.8%
EnterpriseOps-GymArtificial Analysis50.1%47.2%
AA-Briefcase v1.1Artificial Analysis8761424
Design Arena AgenticDesign Arena1174†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–2.4%
CWE-Bench (AA)Artificial Analysis–52.5%
DeepSec-Bench (AA)Artificial Analysis–15.8%
CyberGym end-to-end (AA)Artificial Analysis–74.8%
MKA (AA)Artificial Analysis–27.6%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%–
ProofBenchVals AI31.0%42.0%
LiveBench MathematicsLiveBench88.2%–
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
Arena MathsArena (LMArena)14971470
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%–
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
LiveBench 1.0 Data AnalysisLiveBench64.9%–
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI89.5%–
LegalBenchVals AI83.6%–
CorpFinVals AI64.7%–
TaxEvalVals AI74.4%–
BioMysteryBenchVals AI–67.4%
Excel Modeling BenchmarkVals AI63.5%57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI55.8%–
MedScribeVals AI76.6%–
Public Benefits Bench v1.1Vals AI59.5%58.1%
Financial Coaching BenchVals AI63.0%–
DrugDiscoveryBenchScale AI SEAL50.0%–
EBR-benchEpoch AI Benchmarking Hub4.8%–
GDP.pdfEpoch AI Benchmarking Hub14.0%†–
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
指令遵循
LiveBench LanguageLiveBench84.6%–
LiveBench Instruction FollowingLiveBench75.6%–
IFBenchArtificial Analysis76.3%–
Arena Instruction FollowingArena (LMArena)14651450
人类偏好
Arena TextArena (LMArena)14781449
EQ-Bench 4EQ-Bench1077†–
Arena Creative WritingArena (LMArena)14651413
Arena Multi-turnArena (LMArena)14801445
Arena Longer QueriesArena (LMArena)14831461
多模态
Arena VisionArena (LMArena)13081263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis84.3%76.4%
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.1%–
Humanity's Sixth SenseScale AI SEAL32.6%–
GeoBenchGeoBench85.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
长上下文
AA-LCR v1.1Artificial Analysis73.3%88.3%
Arena DocumentArena (LMArena)1455–
MLCRArtificial Analysis10.0%18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†–
LiveBench 2.0LiveBench–54.9%†
LiveBench 1.0LiveBench74.6%–
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis32.643.7
AA Progress Index v1Artificial Analysis305.1318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals Science IndexVals AI–29.6%
Vals Multimodal IndexVals AI62.9%–
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
DistressBenchScale AI SEAL66.9%†–
元数据
AA Openness IndexArtificial Analysis–33.3

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • Gemini 3.5 Flash (high):1 项新结果(GDPval-AA v2.1);1 项分数修订。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • Step 5 Preview:1 项分数修订。
  • Step 5 Preview:7 项分数修订。
  • Gemini 3.5 Flash (high):1 项分数修订。
  • Step 5 Preview:2 项新结果(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Step 5 Preview:1 项分数修订。
  • Gemini 3.5 Flash (high):BenchLeader Index 63.2 → 62.6。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3.5 Flash vs Step 5 Preview:常见问题

Gemini 3.5 Flash 比 Step 5 Preview 更好吗?
质量上 Gemini 3.5 Flash (high) 领先:62.5 比 56.0。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 3.5 Flash (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.5 Flash 和 Step 5 Preview 哪个更便宜?价格会变吗?
目前 Step 5 Preview 更便宜:每百万 token $1.43 比 $3.38(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 3.5 Flash 还是 Step 5 Preview 更好?
Gemini 3.5 Flash 在编程方面得分更高(类别得分 60 比 50,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 3.5 Flash 为 53.9%,Step 5 Preview 为 58.9%。
Gemini 3.5 Flash 和 Step 5 Preview 哪个更快?
Gemini 3.5 Flash 输出更快(输出 176 比 124 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.5 Flash 还是 Step 5 Preview 更好?
Gemini 3.5 Flash 在智能体任务方面得分更高(类别得分 63 比 49,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Step 5 Preview 在长上下文基准测试上得分更高(69 比 61)。两者都约为 1M token(Gemini 3.5 Flash 为 1,048,576,Step 5 Preview 为 1,000,000)。
哪个延迟更低?
Gemini 3.5 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 9.9 秒比 23.5 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Gemini 3.5 Flash 和 Step 5 Preview 的看法一致吗?
在两者都有结果的 36 项基准测试中,Gemini 3.5 Flash 领先 18 项,Step 5 Preview 领先 18 项。所有同时评测两者的综合评分都认为 Gemini 3.5 Flash 更强。
Step 5 Preview 是什么时候发布的?
Step 5 Preview 于 2026年9月18日 发布。