Geschwindigkeitsanalyse
Latenz über alle Benchmark-Läufe gemessen. P50 (Median) und P95 (95. Perzentil) zeigen ein realistisches Bild der Antwortgeschwindigkeit bei normaler und Spitzenlast.
Qualitätswerte
Wie sich dieses Modell je Prompt-Kategorie zum übrigen Feld verhält, aus einem paarweisen Fit über dieselben Prompts. Die rohe Jury-Wertung steht unter jeder Zahl.
Gewinnrate je Kategorie: wie oft dieses Modell ein durchschnittliches Modell bei einem Prompt dieser Kategorie schlägt. 50% ist der Durchschnitt, keine schlechte Note. Es ist kein Prozentsatz richtiger Antworten.
Preise
Was Sie pro Million Tokens zahlen, wenn Sie dieses Modell über Tokonomix nutzen, plus eine Schätzung für ein typisches Gespräch.
Tokens pro Sekunde
Durchsatz in Tokens pro Sekunde, abgeleitet aus gemessener P50-Latenz. Höhere Werte sind besser; Schwankungen spiegeln die Provider-seitige Last wider.
Geschätzt aus P50-Latenz × 200 Output-Tokens — die absolute Zahl hängt von dieser Annahme ab; entscheidend ist der Trend.
Fähigkeiten
Verfügbarkeit
Verfügbarkeit
Wie oft dieses Modell antwortet, wenn wir es aufrufen — gemessen anhand echter API-Anfragen und Live-Tests der letzten 30 Tage. Dies ist unabhängig von der Qualität: Diese Zahlen zeigen nur, ob das Modell antwortet, nicht wie gut die Antwort ist.
Letzte 7 Tage
100.0%
n=8
Letzte 30 Tage
100.0%
n=8
Mediane Antwortzeit
1,837ms
n=8
Basierend auf 388 Messungen in den letzten 30 Tagen.
Technische Details
Nur echte API-Aufrufe und Live-Test-Anfragen werden gezählt — interne Proben und Benchmark-Läufe sind ausgeschlossen.
Aufrufe mit einem eigenen API-Schlüssel (BYOK) sind ausgeschlossen: Diese Fehler sind schlüsselspezifisch und kein Zeichen für Modellausfälle.
Fehlgeschlagene Aufrufe werden NICHT in Qualitätswerten berücksichtigt — Qualität wird nur für erfolgreiche Antworten gemessen. Verfügbarkeit und Qualität sind unabhängige Signale.
Mediane Antwortzeit (p50) über erfolgreiche Aufrufe mit aufgezeichneter Dauer. Ausreißer beeinflussen den Median weniger als den Durchschnitt.
Gesamte Aufrufe (30d)
8
OK-Antworten (30d)
8
Gesamte Aufrufe (7d)
8
OK-Antworten (7d)
8
Tokonomix-Benchmark-Urteile
Quality jumps 8.7 points as factual reasoning shows major improvement
Qwen2.5-VL-72B-Instruct demonstrates significant quality improvement in this benchmark window, climbing from 73.2 to 81.9 overall. The most dramatic change appears in factual performance, which surged from 11 to 54 points, suggesting substantial enhancements in knowledge retrieval and accuracy. Coding performance remains rock solid at 92 points across both windows, while multilingual capabilities continue to excel at perfect 100 scores, reinforcing this model's strength in non-English language tasks. Latency increased slightly from 6152ms to 6516ms at the median, representing a 364ms slowdown that users should consider for time-sensitive applications. The absence of creative and reasoning category scores in the current window prevents direct comparison, though reasoning previously scored a perfect 100. With five test runs in each window, the sample size provides reasonable confidence in these trends. The quality trajectory suggests OVH's deployment has stabilized after addressing earlier factual knowledge gaps. Users requiring strong multilingual support and coding assistance will find consistent performance, while those prioritizing factual accuracy should see notably improved results compared to the previous window. The latency tradeoff appears modest relative to the quality gains achieved.
Qualität
81.9
Latenz p50
6,516 ms
Testläufe
5