Análisis de velocidad
Latencia medida en todas las ejecuciones de benchmark. P50 (mediana) y P95 (percentil 95) dan una imagen realista de la velocidad de respuesta bajo carga normal y máxima.
Puntuaciones de calidad
Cómo se sitúa este modelo frente al resto del campo en cada categoría de prompts, a partir de un ajuste por pares sobre los mismos prompts. La nota bruta del juez aparece debajo de cada número.
Tasa de victorias por categoría: con qué frecuencia este modelo vence a un modelo medio en un prompt de esa categoría. 50% es la media, no un suspenso. No es un porcentaje de aciertos.
Precios
Lo que pagas por millón de tokens al usar este modelo en Tokonomix, más una estimación para una conversación típica.
Tokens por segundo
Rendimiento en tokens por segundo, derivado de la latencia P50 medida. Más alto es mejor; las fluctuaciones reflejan la carga del lado del proveedor.
Estimado a partir de latencia P50 × 200 tokens de salida — el número absoluto depende de esta suposición; lo que importa es la tendencia.
Capacidades
Disponibilidad
Disponibilidad
Con qué frecuencia responde este modelo cuando lo llamamos — medido en solicitudes reales de API y pruebas en vivo durante los últimos 30 días. Esto es independiente de la calidad: estos números solo indican si el modelo responde, no qué tan buena es la respuesta.
Últimos 7 días
85.7%
n=14
Últimos 30 días
87.5%
n=16
Tiempo de respuesta mediano
12,735ms
n=14
Basado en 140 mediciones en los últimos 30 días.
Detalles técnicos
Solo cuentan las llamadas reales a la API y las solicitudes de prueba en vivo — las sondas internas y las ejecuciones de referencia están excluidas.
Las llamadas con una clave API propia (BYOK) están excluidas: esos fallos son específicos de la clave, no una señal de inactividad del modelo.
Las llamadas fallidas NO se incluyen en las puntuaciones de calidad — la calidad se mide solo en respuestas exitosas. Disponibilidad y calidad son señales independientes.
Tiempo de respuesta mediano (p50) en llamadas exitosas con una duración registrada. Los valores atípicos afectan menos a la mediana que a la media.
Total de llamadas (30d)
16
Respuestas OK (30d)
14
Total de llamadas (7d)
14
Respuestas OK (7d)
12
Veredictos del benchmark Tokonomix
Gemini 3.8 Flash debuts with comprehensive multimodal capabilities
Gemini 3.8 Flash enters the benchmark arena as Google's latest compact model, establishing its baseline performance across multiple evaluation frameworks. The model demonstrates solid general capabilities with an MMLU score of 78.0 and achieves 71.9 on MMLU-Pro, indicating competent reasoning across academic domains. Mathematical performance shows moderate strength with a MATH score of 58.5, while coding capabilities register at 67.5 on HumanEval. The model exhibits strong multilingual support, scoring 76.6 on MMMLU, suggesting broad language coverage. Multimodal performance is notable, with the model achieving 59.6 on MathVista for visual mathematical reasoning and 72.8 on MMMU for multimodal understanding tasks. The model ships with an extensive feature set including tool use, vision processing, JSON mode, PDF input handling, reasoning capabilities, audio input, structured output via JSON schema, parallel tool execution, and prompt caching for optimization. As a first-generation benchmark entry, these results establish the performance envelope users can expect from this model variant. The combination of multimodal inputs and structured output options positions this model for diverse application scenarios requiring flexible input handling and predictable response formats.
Calidad
—
Latencia p50
—
Ejecuciones de test
0