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
94.1%
n=17
Últimos 30 días
94.4%
n=18
Tiempo de respuesta mediano
17,715ms
n=17
Basado en 142 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)
18
Respuestas OK (30d)
17
Total de llamadas (7d)
17
Respuestas OK (7d)
16
Veredictos del benchmark Tokonomix
gpt-6.1-sol debuts with strong coding performance and vision capabilities
OpenAI's gpt-6.1-sol enters benchmarking as a capable model with notable strengths in programming tasks and multimodal processing. The model demonstrates exceptional performance in HumanEval at 95.1% and strong results in MBPP at 86.3%, positioning it as a solid choice for code generation and technical tasks. Mathematical reasoning shows competence with 88.7% on GSM8K, though MATH performance at 74.2% suggests room for improvement on more advanced problems. General knowledge and reasoning capabilities are well-balanced, with MMLU at 86.4% and ARC Challenge at 96.4% indicating strong foundational understanding. The model supports a comprehensive feature set including vision processing, JSON output modes, PDF input handling, and reasoning capabilities. Multimodal performance on MMMU reaches 69.8%, demonstrating adequate vision-language integration. Context handling extends to 200K tokens with reported caching support, suitable for long-document applications. As a baseline entry, gpt-6.1-sol establishes itself as a versatile model with particular strength in coding domains, though future benchmarks will reveal performance trajectory and consistency across updates.
Calidad
—
Latencia p50
—
Ejecuciones de test
0