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
1,118ms
n=1
Basado en 125 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-luna debuts with strong coding performance and multimodal capabilities
OpenAI's gpt-6-luna enters the benchmarking arena with a comprehensive feature set and competitive performance across multiple domains. The model demonstrates particular strength in coding tasks, achieving 74.8% on HumanEval and 80.2% on MBPP, positioning it among the stronger code-generation models currently available. Mathematical reasoning shows solid results with 88.3% on GSM8K, though MATH performance at 71.2% suggests room for improvement on more challenging problems. Multimodal capabilities are present with vision support, alongside modern tooling features including function calling, JSON mode with schema support, PDF input processing, and parallel tool execution. The model also incorporates reasoning capabilities and prompt caching for efficiency. General language understanding appears competent with 85.1% on MMLU, indicating broad knowledge coverage. As a baseline entry, gpt-6-luna presents as a well-rounded model suitable for developers requiring strong coding assistance combined with multimodal input handling. Future benchmark windows will reveal performance stability and how it evolves relative to competing models in this rapidly advancing space.
Calidad
—
Latencia p50
—
Ejecuciones de test
0