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=67
Últimos 30 días
100.0%
n=166
Tiempo de respuesta mediano
3,560ms
n=166
Basado en 546 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)
166
Respuestas OK (30d)
166
Total de llamadas (7d)
67
Respuestas OK (7d)
67
Veredictos del benchmark Tokonomix
Performance decline with significant latency increase and coding drop
Qwen2.5-VL-72B-Instruct has experienced notable performance degradation in this benchmark window. The overall quality score decreased from 87.3 to 85.4, representing a modest but measurable decline in capabilities. Most concerning is the latency increase of 69%, with p50 response times rising from 7495ms to 12700ms, which will impact user experience significantly for interactive applications. The coding performance showed the most dramatic drop, falling from 98 to 69, a decline of nearly 30 points that suggests potential issues with code generation or understanding tasks. Multilingual capabilities remained relatively stable, decreasing slightly from 92 to 87, while reasoning performance maintained its perfect score of 100 across both windows. The absence of factual scoring in the current window prevents direct comparison in that category. With only 5 test runs in each window, these results should be interpreted with appropriate caution, though the consistency of the reasoning scores and the magnitude of the coding decline suggest real changes in model behavior. Users requiring strong coding assistance should be aware of this regression, while those prioritizing reasoning tasks can expect continued reliable performance.
Calidad
85.4
Latencia p50
12,700 ms
Ejecuciones de test
5