BenchLeader

Gemini 3.7 Flash vs Step 5 Preview

完整资料:Gemini 3.7 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 10 个来源

截至 2026年11月16日,质量上 Gemini 3.7 Flash 领先 Step 5 Preview(BenchLeader Index 62.1 比 56.0)。两者价格相近(每百万 token 混合价格 $1.50 比 $1.43)。看重推理(68 比 52)、编程(62 比 50)和知识(66 比 54)选 Gemini 3.7 Flash;看重长上下文(69 比 66)选 Step 5 Preview。Gemini 3.7 Flash 的首次回答更快(2.2 秒 比 23.5 秒)。Step 5 Preview 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,Step 5 Preview 为 56.0(BenchLeader,2026年11月16日)。
  • Gemini 3.7 Flash 每百万 token 混合价格为 $1.50(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)。
  • Step 5 Preview 比 Gemini 3.7 Flash 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 35 项基准测试中,Gemini 3.7 Flash 领先 20 项(BenchLeader,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 3.7 Flash类别得分 62 比 50;Arena Coding 1520 比 1505高
智能体与工具调用均可类别得分 49 比 49;Arena Agent -2.2 比 -3.7均可
数学Gemini 3.7 Flash类别得分 63 比 60;Arena Maths 1502 比 1470中
推理Gemini 3.7 Flash类别得分 68 比 52;Arena Hard Prompts 1510 比 1477高
知识Gemini 3.7 Flash类别得分 66 比 54;Excel Modeling Benchmark 71.3% 比 57.1%高
长文档Step 5 Preview类别得分 69 比 66;AA-LCR v1.1 88.3% 比 81.7%中
图像及其他媒体Gemini 3.7 Flash类别得分 67 比 59;Arena Vision 1313 比 1263高
对话质量(人类偏好)Gemini 3.7 FlashArena 投票 68 比 63中
成本最低均可每百万 token 混合价格 $1.50 比 $1.43;智能体编程会话 $0.060 比 $0.071–
首次回答最快Gemini 3.7 Flash首个回答 token 2.2 秒(Gemini 3.7 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 3.7 Flash (high) 领先:62.1 比 56.0。
  • Gemini 3.7 Flash (high) 在编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Step 5 Preview 在智能体与工具、长上下文方面更强。
  • 两者价格相近(每百万 token 混合价格 $1.43)。
  • Step 5 Preview 的输出速度是对方的 1.3 倍(124 比 95 token/秒)。

概览

规格Gemini 3.7 FlashStep 5 Preview
提供商GoogleStepFun
发布日期2026年8月13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 3.7 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)$0.750 / $3.75 / $0.075$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 3.7 Flash (high)Step 5 Preview领先者
推理67.851.7Gemini 3.7 Flash
编程62.349.9Gemini 3.7 Flash
智能体与工具48.949.1持平
数学62.660.1Gemini 3.7 Flash
知识65.953.7Gemini 3.7 Flash
人类偏好68.163.1Gemini 3.7 Flash
多模态67.259.3Gemini 3.7 Flash
长上下文65.569.0Step 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 3.7 Flash, 推理: 67.8Gemini 3.7 Flash, 编程: 62.3Gemini 3.7 Flash, 智能体与工具: 48.9Gemini 3.7 Flash, 数学: 62.6Gemini 3.7 Flash, 知识: 65.9Gemini 3.7 Flash, 长上下文: 65.5Gemini 3.7 Flash, 多模态: 67.2Gemini 3.7 Flash, 人类偏好: 68.1Step 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 35 项基准测试中,Gemini 3.7 Flash 领先 20 项,Step 5 Preview 领先 14 项,1 项持平。所有同时评测两者的综合评分都认为 Gemini 3.7 Flash 更强。

综合 IndexGemini 3.7 Flash (high)Step 5 Preview领先者
BenchLeader Index62.156.0Gemini 3.7 Flash
Arena Text14891449Gemini 3.7 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 3.7 Flash (high)Step 5 Preview
每百万 token 混合价格$1.50$1.43
每百万 token 输入 / 输出$0.750 / $3.75$1.00 / $2.70
每百万 token 缓存输入$0.075$0.105
每项任务价格:聊天回复$0.0014$0.0012
每项任务价格:总结一份 30 页的报告$0.011$0.014
每项任务价格:代码编辑$0.010$0.010
每项任务价格:智能体编程会话$0.060$0.071
每项任务价格:结构化信息提取$0.0023$0.0025
智能体编程会话(输入大多命中缓存)$0.030$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95 tok/s124 tok/s
首次回答时间2.2 秒23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–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 3.7 Flash (high) 得分 62.1,首个回答 token 需 2 秒;Gemini 3.7 Flash (medium) 为 60.1(2 秒),Gemini 3.7 Flash (low) 为 57.3(2 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 135 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 3.7 Flash (high)Step 5 Preview
BenchLeader IndexBenchLeader62.156.0
智能体与工具得分BenchLeader48.949.1
编程得分BenchLeader62.349.9
人类偏好得分BenchLeader68.163.1
知识得分BenchLeader65.953.7
长上下文得分BenchLeader65.569.0
数学得分BenchLeader62.660.1
多模态得分BenchLeader67.259.3
推理得分BenchLeader67.851.7
混合价格(美元/百万 token)BenchLeader$1.50$1.43
输出速度BenchLeader95 tok/s124 tok/s
首次回答时间BenchLeader2.2 秒23.5 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%–
Arena Hard PromptsArena (LMArena)15101477
LiveBench 2.0 ReasoningLiveBench–83.8%†
LiveBench 1.0 ReasoningLiveBench87.8%–
GPQA Diamond (AA)Artificial Analysis94.5%–
Humanity's Last Exam (AA)Artificial Analysis47.9%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
GPQA Diamond (Vals)Vals AI93.9%–
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize84.6%–
CritPtArtificial Analysis14.3%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
Arena ExpertArena (LMArena)15191489
Chess PuzzlesEpoch AI Benchmarking Hub66.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
LMCAEpoch AI Benchmarking Hub50.4%–
DTBenchEpoch AI Benchmarking Hub96.8%–
ForecastBenchForecastBench66.2%–
编程
SciCodeSciCode57.2%58.9%
FrontierCodeCognition43.6%†–
Arena CodingArena (LMArena)15201505
Arena WebDevArena (LMArena)15881573†
LiveBench 2.0 CodingLiveBench–67.6%†
LiveBench 1.0 CodingLiveBench78.9%–
显示全部 135 项基准测试
指标发布方Gemini 3.7 Flash (high)Step 5 Preview
编程
LiveCodeBenchVals AI88.7%–
IOIVals AI67.8%38.1%
SWE-bench (Vals)Vals AI80.8%–
Code MigrationVals AI34.8%39.0%
Code Migration v1.1Vals AI–47.0%
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI70.4%70.4%
MirrorCodeEpoch AI Benchmarking Hub41.1%–
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%–
ALE-BenchEpoch AI Benchmarking Hub904.3–
FrontierSWEEpoch AI Benchmarking Hub20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%–
Design Arena WebsiteDesign Arena1295†–
FrontierCode 1.1 (AA)Artificial Analysis–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
智能体与工具
Terminal-BenchTerminal-Bench12.4%–
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†–
Arena AgentArena (LMArena)-2.2-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
LiveBench Agentic CodingLiveBench58.3%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis14041591
τ³-Banking (AA)Artificial Analysis32.8%–
ITBench SRE (AA)Artificial Analysis–55.6%
Analyst Agent (AA)Artificial Analysis60.0%35.0%
APEX-Agents (AA)Artificial Analysis–38.0%
CyberBenchVals AI43.8%–
Finance Agent v2Vals AI59.0%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 AI8.8%9.2%
Legal Research BenchVals AI34.6%40.4%
SkillsBenchVals AI65.9%–
SREBenchVals AI4.6%0.4%
Tax Agent BenchVals AI22.8%27.3%
Terminal-Bench 4.0 (Vals)Vals AI12.1%31.8%
Terminal-Bench ScienceVals AI7.1%2.9%
Arena Agent Task CompletionArena (LMArena)-3.5-1.5
AutomationBenchArtificial Analysis62.0%51.0%
GDP.pdf (AA)Artificial Analysis23.6%14.8%
EnterpriseOps-GymArtificial Analysis50.4%†47.2%
AA-Briefcase v1.1Artificial Analysis11151424
Design Arena AgenticDesign Arena1222†–
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 Hub71.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%–
ProofBenchVals AI58.0%†42.0%
LiveBench MathematicsLiveBench93.5%–
Arena MathsArena (LMArena)15021470
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%–
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
LiveBench 1.0 Data AnalysisLiveBench68.0%–
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.3%–
TaxEvalVals AI74.7%–
BioMysteryBenchVals AI–67.4%
Excel Modeling BenchmarkVals AI71.3%57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI53.4%–
MedScribeVals AI83.9%–
Public Benefits Bench v1.1Vals AI–58.1%
GDP.pdfEpoch AI Benchmarking Hub23.8%–
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
指令遵循
LiveBench LanguageLiveBench85.5%–
LiveBench Instruction FollowingLiveBench79.9%–
Arena Instruction FollowingArena (LMArena)14861450
人类偏好
Arena TextArena (LMArena)14891449
EQ-Bench Creative Writing v3EQ-Bench1720†–
Arena Creative WritingArena (LMArena)14871413
Arena Multi-turnArena (LMArena)14901445
Arena Longer QueriesArena (LMArena)15011461
多模态
Arena VisionArena (LMArena)13131263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis85.5%76.4%
MMMU-Pro (Vals)Vals AI89.0%–
MortgageTaxVals AI66.7%–
Humanity's Sixth SenseScale AI SEAL39.8%–
Furniture AssemblyEpoch AI Benchmarking Hub26.7%–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
长上下文
AA-LCR v1.1Artificial Analysis81.7%88.3%
Arena DocumentArena (LMArena)1468–
MLCRArtificial Analysis12.2%18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†–
LiveBench 2.0LiveBench–54.9%†
LiveBench 1.0LiveBench78.8%–
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis39.143.7
AA Progress Index v1Artificial Analysis317.4318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals RSI IndexVals AI18.3%–
Vals Science IndexVals AI–29.6%
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
DistressBenchScale AI SEAL69.0%†–
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。

变化

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • Gemini 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Step 5 Preview:1 项分数修订。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Step 5 Preview:7 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • Step 5 Preview:2 项新结果(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。

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 3.7 Flash vs Step 5 Preview:常见问题

Gemini 3.7 Flash 比 Step 5 Preview 更好吗?
质量上 Gemini 3.7 Flash (high) 领先:62.1 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 3.7 Flash (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.7 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 $1.50(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 3.7 Flash 还是 Step 5 Preview 更好?
Gemini 3.7 Flash 在编程方面得分更高(类别得分 62 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 3.7 Flash 为 57.2%,Step 5 Preview 为 58.9%。
Gemini 3.7 Flash 和 Step 5 Preview 哪个更快?
Step 5 Preview 输出更快(约 1.5 倍;输出 124 比 95 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.7 Flash 还是 Step 5 Preview 更好?
两者在智能体任务方面持平(类别得分 49 比 49)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Gemini 3.7 Flash 为 -2.2,Step 5 Preview 为 -3.7。
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 66)。两者都约为 1M token(Gemini 3.7 Flash 为 1,048,576,Step 5 Preview 为 1,000,000)。
哪个延迟更低?
Gemini 3.7 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.2 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 3.7 Flash 和 Step 5 Preview 的看法一致吗?
在两者都有结果的 35 项基准测试中,Gemini 3.7 Flash 领先 20 项,Step 5 Preview 领先 14 项,1 项持平。所有同时评测两者的综合评分都认为 Gemini 3.7 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。