Ir al contenido
Tier B — Producción
Se ejecuta en:USCreado en:United States
OpenAI

gpt-6-luna

Tier B — Producción · 1.05M tokens

Equipo editorial Tokonomix·Revisado por Mes Kalkan··
Sección 01

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.

Latencia P50 (mediana)Latencia P95107 runs
50846428775129091704210-2611-22ms
Sección 02

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.

69%
Generación de código
media del juez 89
97%
Creativo
media del juez 92
84%
Factual
media del juez 84
57%
Razonamiento
media del juez 94

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.

Sección 03

Precios

Lo que pagas por millón de tokens al usar este modelo en Tokonomix, más una estimación para una conversación típica.

💰
Tarifas API — gpt-6-luna
$0.2000 por 1M de tokens de entrada
$0.9800 por 1M de tokens de salida
≈ $0.0003 por conversación típica (800 tokens)
Precio entrada vs salida (por 1M de tokens)
por 1M de tokens de entrada$0.2000
por 1M de tokens de salida$0.9800
Sección 04

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.

Rendimiento (tokens / s)205 / avg 248
39020

Estimado a partir de latencia P50 × 200 tokens de salida — el número absoluto depende de esta suposición; lo que importa es la tendencia.

Sección 05

Capacidades

toolssource: seed-newest-generation-2026-09-30visionjson modepdf inputreasoningjson schemaparallel toolsprompt cachingmax output tokens: 128000
Sección 06

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

100.0%

n=1

Últimos 30 días

100.0%

n=1

Tiempo de respuesta mediano

1,205ms

n=1

Basado en 375 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)

1

Respuestas OK (7d)

1

Sección 07

Veredictos del benchmark Tokonomix

⚖️
Endorsed by 1 judge
Independent LLM judges evaluated this model on our weekly intelligence tests
claude-sonnet-4-589/100 · 27 runs
22 correct3 partial2 wrong81% accuracy
● 2026-11-22

gpt-6-luna achieves significant quality gains with 43% faster response times

OpenAI's gpt-6-luna demonstrates substantial improvement across multiple dimensions in this benchmark window. The overall quality score jumped from 82.8 to 94.7, representing an 11.9 point increase that places it among top-tier models. Most notably, coding performance surged from 74 to a perfect 100, suggesting major enhancements to the model's programming capabilities. Response latency improved dramatically, with p50 times dropping from 5196ms to 2959ms, a 43% reduction that should meaningfully improve user experience. Reasoning scores held steady at 92, indicating consistent logical performance. A new creative writing category emerged with a score of 92, though direct comparison is unavailable. The benchmark window remains limited with only 3 test runs, which constrains statistical confidence but shows clear directional improvement. Users working with coding tasks will likely see the most dramatic benefits, while those focused on reasoning can expect maintained quality with significantly faster delivery. The combination of quality and speed improvements suggests meaningful architectural or optimization work between versions.

Calidad

94.7

Latencia p50

2,959 ms

Ejecuciones de test

3

✓ Quality up 11.9 points✓ 43% latency reduction✓ Coding score reached 100✗ Limited test run sample
Última prueba automática
22 nov 2026 · 08:04 UTC · Benchmark de velocidad
Latencia P50
976 ms
Latencia P95
1062 ms
Errores
0 / 6 ejecuciones
Última revisión por Equipo Tokonomix·22 de noviembre de 2026