Step 3.7 Flash vs Qwen3.6 27B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Step 3.7 Flash от StepFun и Qwen3.6 27B от Alibaba — две ключевые модели ИИ в своём классе. Step 3.7 Flash предлагает контекстное окно 256K токенов по цене $0.00/$0.00 за 1 млн токенов, а Qwen3.6 27B — контекст 262.1K токенов по цене $0.00/$0.00 за 1 млн токенов. Ниже представлено сравнение бенчмарков, задержки и экономики.
Выбирайте и сравнивайте любые модели
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Step 3.7 Flash
Сверхбыстрый инференсStep 3.7 Flash от StepFun — специализированная ИИ-модель для работы в реальном времени с минимальной задержкой и высоконагруженной маршрутизации, обеспечивающая контекстное окно 256K, скорость 160 ток/с и индекс интеллекта 76/100 (бесплатны
$0.00 / 1M
$0.00 / 1M
256K tokens
N/A
Qwen3.6 27B
Нативная мультимодальная ИИQwen3.6 27B от Alibaba — специализированная ИИ-модель для нативной мультимодальной обработки текста и изображений, а также анализа документов, обеспечивающая контекстное окно 262K, скорость 92 ток/с и индекс интеллекта 77/100 (бесплатным до
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Ключевые отличия кратко
- Both models cost the same under this workload — choose on capability, not price.
- Qwen3.6 27B has a larger context window (262K vs 256K tokens).
- Step 3.7 Flash is faster at 160 tok/s vs 92 tok/s.
| Feature | Step 3.7 Flash | Qwen3.6 27B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 76 | 77 |
Provider | StepFun | Alibaba |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 256K tokens~384 A4 pages of text | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 160 tok/s | 92 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | N/A | 58% |
Кто лидирует в каждой категории?
At-a-glance decision frameworkEvaluations ongoing
Результаты проверенных бенчмарков
Official evaluation metrics verified by independent third-party research labs.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Задержка и скорость ответа
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Интерактивный калькулятор стоимости токенов
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Step 3.7 Flash · Strengths & Key Advantages
- Контекстное окно 256K и генерация до 8K выходных токенов за ответ (MMLU-Pro 73% · Arena Elo 1275)
- Высокая скорость генерации 160 токенов/сек при задержке до первого токена (TTFT) всего 250 мс
- Открытые веса модели (Confidential / 70B MoE) для локального хостинга и дообучения через vLLM, SGLang или Ollama
Considerations & Trade-offs
- Для локального запуска в полной точности требуются GPU-серверы с достаточным объемом видеопамяти (VRAM)
- В сверхсложных научных доказательствах специализированные тяжелые модели рассуждения могут показывать большую глубину
Qwen3.6 27B · Strengths & Key Advantages
- Контекстное окно 262K и генерация до 8K выходных токенов за ответ (GPQA Diamond 58% · MMLU-Pro 75.5%)
- Высокая скорость генерации 92 токенов/сек при задержке до первого токена (TTFT) всего 390 мс
- Открытые веса модели (27B) для локального хостинга и дообучения через vLLM, SGLang или Ollama
Considerations & Trade-offs
- Для локального запуска в полной точности требуются GPU-серверы с достаточным объемом видеопамяти (VRAM)
- В сверхсложных научных доказательствах специализированные тяжелые модели рассуждения могут показывать большую глубину
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Step 3.7 Flash | Qwen3.6 27B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 12K | 14K |
Reasoning Tokens / Task Thinking tokens burned per task | 2K | 3K |
Технические характеристики
Architecture, release timeline, capabilities, and modalities.
| Feature | Step 3.7 Flash | Qwen3.6 27B |
|---|---|---|
| Official API Model ID (SDK) | step-3-7-flash | qwen3-6-27b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-05 | 2026-04 |
| Knowledge Cutoff | March 2026 | February 2026 |
| Architecture | High-Velocity Open Reasoning MoE | Refined Dense Multimodal Transformer |
| Parameters | Confidential / 70B MoE | 27B |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (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) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full 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 Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / 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) · 17 GB VRAM (4-bit Quantized) · 58 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-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 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text, vision |
| Output Modalities | text | text |
Step 3.7 Flash vs Qwen3.6 27B: Быстрые ответы (FAQ)
Which is more intelligent, Step 3.7 Flash or Qwen3.6 27B?
Qwen3.6 27B is more intelligent. It scores 77 compared with 76 on the composite Intelligence Index.
Which model is faster?
Step 3.7 Flash is faster, generating 160 tokens per second compared with 92 tokens per second.
Which model has lower latency?
Step 3.7 Flash has lower latency, with a time to first token of 0.25s compared with 0.39s.
Which model has a larger context window?
Qwen3.6 27B has a larger context window, supporting 262.1K tokens compared with 256K tokens.
Вердикт
И Step 3.7 Flash (Оптимально для работы в реальном времени с минимальной задержкой и высоконагруженной маршрутизации, корпоративных RAG-пайплайнов и масштабируемых API-сервисов.), и Qwen3.6 27B (Оптимально для нативной мультимодальной обработки текста и изображений, а также анализа документов, корпоративных RAG-пайплайнов и масштабируемых API-сервисов.) отлично подходят для продакшена: Qwen3.6 27B лидирует в сложных тестах логики и кода, Step 3.7 Flash обеспечивает более высокую скорость генерации, а Step 3.7 Flash выгоднее при больших объёмах API-запросов.
Часто задаваемые вопросы (FAQ)
Что лучше для программирования и логики: Step 3.7 Flash или Qwen3.6 27B?+
По сводному индексу интеллекта и тестам программирования лидирует Qwen3.6 27B. Подробные баллы SWE-bench и GPQA приведены в таблице выше.
У какой модели дешевле API — Step 3.7 Flash или Qwen3.6 27B?+
Тариф Step 3.7 Flash составляет $0.00 / $0.00 за 1 млн входных/выходных токенов, а Qwen3.6 27B — $0.00 / $0.00. По смешанной стоимости выгоднее Step 3.7 Flash.
У какой модели больше окно контекста и выше скорость?+
Step 3.7 Flash поддерживает контекст 256K токенов против 262.1K токенов у Qwen3.6 27B, а по скорости генерации токенов лидирует Step 3.7 Flash.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Gemma 4 26B A4B против Qwen3.6 27B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Qwen3.6 35B-A3B против Qwen3.6 27B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Step 3.7 Flash против Command A Plus: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Aion-3.0 против Aion-Mini: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Aion-3.0 против Gemini 3.6 Flash: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Aion-Mini против Laguna XS 2.1: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
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.
Официальные источники: Официальная документация API StepFun и Alibaba, системные карточки и независимые бенчмарки (2026).