GetInfoUs
Head-to-Head Model Comparison

Step 3.7 Flash vs Command A Plus

Benchmarks, API Token Pricing, Context Window & Speed Comparison

GetInfoUs リサーチチーム監修最終確認日: October 2026編集方針
共有
Related topics (12)
AI CompareAI BenchmarkToken PricingModel CostModel SpecsSWE-bench CodingModel VersusWhich AI ModelLLM Speed & LatencyReasoning ModelsExtended ThinkingPrompt Caching ROI
Step 3.7 Flash vs Command A Plus: Benchmarks, Pricing & Speed Comparison

StepFunのStep 3.7 FlashとCohereのCommand A Plusは、注目度の高い主要AIモデルです。Step 3.7 Flashは256K トークンのコンテキストウィンドウを備え、API料金は100万トークンあたり入力$0.00/出力$0.00、一方のCommand A Plusは128K トークンのコンテキストで入力$3.00/出力$12.00です。以下でベンチマーク、速度、コストを詳しく比較します。

徹底比較 (VS)

任意のAIモデルを切り替えて比較

Select any AI models from our verified benchmark database to generate live side-by-side matrices.

Profile
Profile
Multi-Model Arena Stack:
5-Model Matrix Workbench
Popular Matchups:
StepFun

Step 3.7 Flash

超高速・低遅延レスポンス

StepFun の Step 3.7 Flash は、超低遅延のリアルタイム対話、高速ルーティング、大量リクエスト処理向けに設計されたAIモデルです。256K のコンテキストウィンドウ、毎秒 160 トークンの生成速度、知能指数 76/100（無料のオープンウェイト提供）を実現しています。

Intelligence Index76 / 100
Input Token:

$0.00 / 1M

Output Token:

$0.00 / 1M

Context Window:

256K tokens

SWE-bench Verified:

N/A

Cohere

Command A Plus

オープンウェイト基盤モデル

Cohere の Command A Plus は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。128K のコンテキストウィンドウ、毎秒 68 トークンの生成速度、知能指数 58/100（1Mトークンあたり入力$3・出力$12）を実現しています。

Intelligence Index58 / 100
Input Token:

$3.00 / 1M

Output Token:

$12.00 / 1M

Context Window:

128K tokens

SWE-bench Verified:

60.5%

ひと目でわかる主な違い

  • Step 3.7 Flash is 1.0x cheaper for API usage (input + output tokens combined).
  • Step 3.7 Flash has a larger context window (256K vs 128K tokens).
  • Step 3.7 Flash is faster at 160 tok/s vs 68 tok/s.
Need definitions for token pricing, context, or benchmarks?Explore AI Glossary →
FeatureStep 3.7 FlashCommand A Plus
Intelligence Index
Composite reasoning & knowledge score (0-100)
7658
Provider
StepFunCohere
Input Price
Cost per million input tokens
$0.00 / 1M$3.00 / 1M
Output Price
Cost per million output tokens
$0.00 / 1M$12.00 / 1M
Blended Price
Weighted 7:2:1 cache:input:output per 1M
$0.00 / 1M$2.33 / 1M
Context Window
Maximum input + output tokens
256K tokens~384 A4 pages of text128K tokens~192 A4 pages of text
Max Output Tokens
Per single request
8K33K
Throughput Speed
Tokens generated per second
160 tok/s68 tok/s
SWE-bench Verified
Real-world software engineering
N/A60.5%
GPQA Diamond
Graduate-level reasoning
N/A74%
Cached Input Price
Prompt caching discount per 1M tokens
$0.00 / 1M$0.75 / 1M

分野別勝者スコアカード

At-a-glance decision framework
Coding

Evaluations ongoing

Cost
Step 3.7 Flash
1.0x cheaper monthly runtime
Speed
Step 3.7 Flash
+135% faster generation
Context
Step 3.7 Flash
256K tokens window

検証済みベンチマークスコア比較

Official evaluation metrics verified by independent third-party research labs.

Step 3.7 FlashCommand A Plus
SWE-bench Verified (Autonomous Coding)

Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.

N/Avs60.5%
GPQA Diamond (Doctorate-Level Science & Math)

Challenging questions created by domain experts to test complex PhD-level reasoning.

N/Avs74%
MMLU-Pro (Multi-task Language Understanding)

Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.

73%vs86.8%
LMSYS Chatbot Arena Elo

Crowdsourced human preference evaluation based on blind, head-to-head model battles.

1275ptsvs1410pts
Terminal-Bench (Agentic Coding & Terminal Use)

Autonomous multi-step tasks executed inside a real command-line terminal environment.

N/Avs50%
AIME (Advanced Math Competition)

American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.

N/Avs82.5%
Long-Context Reasoning

Accuracy when reasoning over very large inputs that fill the model context window.

N/Avs88%
Generation Speed (Throughput)

Tokens emitted per second during active generation streaming.

160 tok/s vs68 tok/s

レイテンシ＆応答時間

Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.

Time to First Token (TTFT)Lower is better
Step 3.7 Flash0.25s
Command A Plus0.56s
Est. End-to-End Response (500 tokens)TTFT + generation time
Step 3.7 Flash3.38s
Command A Plus7.91s

リアルタイムAPIトークン料金シミュレーター

Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.

100K / day
10K500K1M
30K / day
5K150K300K
50% cached
0% (Cold)50%90% (Warm)
Step 3.7 Flash Monthly API Bill
$0.00 / month
$0/1M in · $0/1M out
Command A Plus Monthly API Bill
$16.43 / month
$3/1M in · $12/1M out
Step 3.7 Flash saves approximately $16.43 / month (100%) under this workload.1.0x Savings

Step 3.7 Flash · Strengths & Key Advantages

  • 256K のコンテキストウィンドウと最大 8K トークンの出力容量（MMLU-Pro 73% · Arena Elo 1275）
  • 毎秒 160 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 250ms の低遅延
  • オープンウェイトモデル (Confidential / 70B MoE)として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
  • 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
  • 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります

Command A Plus · Strengths & Key Advantages

  • 128K のコンテキストウィンドウと最大 33K トークンの出力容量（SWE-bench Verified 60.5% · GPQA Diamond 74%）
  • 毎秒 68 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 560ms の低遅延
  • オープンウェイトモデル (Confidential (~180B+ MoE))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
  • 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
  • 大量のトークンを処理する本番環境では、プロンプトキャッシュや Batch API の併用によるコスト最適化が推奨されます

Token Use & Task Economics

Estimated cost and token consumption to complete one representative agentic task.

MetricStep 3.7 FlashCommand A Plus
Cost per Task
Estimated USD to finish one task
$0.00$0.85
Output Tokens / Task
Tokens generated per task
12K45K
Reasoning Tokens / Task
Thinking tokens burned per task
2K22K

技術仕様・スペック

Architecture, release timeline, capabilities, and modalities.

FeatureStep 3.7 FlashCommand A Plus
Official API Model ID (SDK)step-3-7-flashcommand-a-plus
API ProtocolOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGIOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
Release Date2026-052026-05
Knowledge CutoffMarch 2026March 2026
ArchitectureHigh-Velocity Open Reasoning MoEFlagship Multimodal Agentic MoE
ParametersConfidential / 70B MoEConfidential (~180B+ MoE)
Enterprise Rate Limits (RPM / TPM)Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed CloudUnlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
Long-Context Tier (>128K/200K)Free across full context window (only KV-cache VRAM scales)Flat rate ($3/1M in) across full 128K window
Prompt Cache Policy & TTLAutomatic prefix KV-caching in vLLM / SGLang (0 cost)Cached input at $0.75/1M tokens
Computer Use / GUI AgentAPI / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
MCP & Parallel Tool CallingNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON SchemaNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
Web Search Grounding & SandboxSupported via external Tavily/Exa Search & E2B/Docker Sandbox toolsSupported via external Tavily/Exa Search & E2B/Docker Sandbox tools
Official Fine-Tuning SupportFull Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
Multimodal Token BillingText BPE (~4 chars/token)Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)
Quantization & Min GPU VRAMBF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 43 GB VRAM (4-bit Quantized) · 151 GB VRAM (Native BF16)BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 112 GB VRAM (4-bit Quantized) · 387 GB VRAM (Native BF16)
Safety & Frontier ClassificationOpen-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
Enterprise Compliance (ZDR/HIPAA/SOC2)100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Input Modalitiestexttext, vision
Output Modalitiestexttext

Step 3.7 Flash vs Command A Plus: よくある質問 (FAQ)

Which is more intelligent, Step 3.7 Flash or Command A Plus?

Step 3.7 Flash is more intelligent. It scores 76 compared with 58 on the composite Intelligence Index.

Which model is faster?

Step 3.7 Flash is faster, generating 160 tokens per second compared with 68 tokens per second.

Which model is cheaper to run?

Step 3.7 Flash is cheaper at $0.00 per 1M tokens blended, compared with $2.33 (7:2:1 cache:input:output ratio).

Which model has lower latency?

Step 3.7 Flash has lower latency, with a time to first token of 0.25s compared with 0.56s.

Which model has a larger context window?

Step 3.7 Flash has a larger context window, supporting 256K tokens compared with 128K tokens.

総合評価

Step 3.7 Flash（超低遅延のリアルタイム対話、高速ルーティング、大量リクエスト処理、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）とCommand A Plus（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）はいずれも優れた選択肢です。高度な推論・コーディング精度ではStep 3.7 Flashがリードし、応答速度とスループットではStep 3.7 Flashが優れ、APIコスト効率ではStep 3.7 Flashが有利です。

よくある質問 (FAQ)

コーディングや複雑な推論には Step 3.7 Flash と Command A Plus のどちらが適していますか？+

総合知能指数およびコーディング評価では Step 3.7 Flash が優位です。上部の SWE-bench や GPQA スコアもあわせてご確認ください。

Step 3.7 Flash と Command A Plus ではどちらのAPI料金が安いですか？+

Step 3.7 Flash は100万トークンあたり入力$0.00 / 出力$0.00、Command A Plus は入力$3.00 / 出力$12.00です。総合的なコスト効率では Step 3.7 Flash がより経済的です。

コンテキスト長と生成速度はどちらが優れていますか？+

コンテキストウィンドウは Step 3.7 Flash が 256K トークン、Command A Plus が 128K トークン です。出力スピード（トークン/秒）では Step 3.7 Flash がリードしています。

AI Terminology & Guide
Explore Glossary →

Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.

Tokens & PricingContext WindowAI BenchmarksReasoning ModelsTool CallingModel Context Protocol (MCP)

Related reading

Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.

公的ソース: StepFunおよびCohere公式APIドキュメント、システムカード、独立ベンチマーク評価 (2026)。