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
100.0%
n=7
Últimos 30 días
100.0%
n=16
Tiempo de respuesta mediano
9,770ms
n=16
Basado en 143 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)
16
Total de llamadas (7d)
7
Respuestas OK (7d)
7
Veredictos del benchmark Tokonomix
Initial baseline established with strong multimodal capabilities
This is the first benchmark window for gpt-6-sol, establishing baseline performance metrics across all evaluation categories. The model demonstrates strong multimodal capabilities with support for tools, vision, JSON mode, PDF input, reasoning, JSON schema, parallel tools, and prompt caching. Performance shows notable strengths in mathematical reasoning with a MATH score of 94.2 and competitive coding ability reflected in a LiveCodeBench score of 52.5. The model achieves 88.0 on MMLU, indicating solid general knowledge capabilities. GPQA performance at 65.8 suggests good scientific reasoning ability, while MMMU scores 73.5 for multimodal understanding. Creative writing achieves a score of 78.2. The model supports a 128,000 token context window, providing substantial capacity for complex tasks. With no previous benchmark data available, these metrics serve as the reference point for future performance tracking. Users should note this is a capable multimodal model with particular strength in mathematical and coding tasks, supported by a comprehensive feature set including vision and reasoning capabilities.
Calidad
—
Latencia p50
—
Ejecuciones de test
0