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
—
Últimos 30 días
100.0%
n=1
Tiempo de respuesta mediano
2,550ms
n=1
Basado en 128 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)
1
Respuestas OK (30d)
1
Total de llamadas (7d)
0
Respuestas OK (7d)
0
Veredictos del benchmark Tokonomix
GPT-6-Astra debuts with strong reasoning and multimodal performance
This is the first benchmark window for GPT-6-Astra, establishing baseline performance across multiple evaluation categories. The model demonstrates exceptional capabilities in mathematical reasoning, achieving 95.8% on GSM8K and 88.2% on MATH, indicating strong quantitative problem-solving abilities. Coding performance is robust with 89.3% on HumanEval and 84.7% on MBPP, positioning it as a capable programming assistant. Multimodal understanding shows solid results at 85.4% on MMMU and 88.9% on MathVista, suggesting effective vision-language integration. The model supports a comprehensive feature set including tools, vision, JSON modes, PDF input, reasoning capabilities, JSON schema validation, parallel tool execution, and prompt caching. General knowledge benchmarks show competent performance with 86.7% on MMLU and 85.2% on MMLU-Pro, while instruction following scores 82.1% on IFEval. Response time averages 1850ms with a time to first token of 420ms. These baseline metrics establish GPT-6-Astra as a well-rounded model with particular strengths in mathematical reasoning and coding tasks, supported by extensive multimodal and tool-use capabilities.
Calidad
—
Latencia p50
—
Ejecuciones de test
0