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.
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=16
Últimos 30 días
100.0%
n=17
Tiempo de respuesta mediano
3,987ms
n=17
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)
17
Respuestas OK (30d)
17
Total de llamadas (7d)
16
Respuestas OK (7d)
16
Veredictos del benchmark Tokonomix
Grok 4.20 Non-Reasoning debuts with strong multimodal performance
Grok 4.20 Non-Reasoning enters the benchmark landscape as xAI's latest offering, demonstrating competitive performance across key evaluation metrics. The model achieves a 78.8% score on MMLU, positioning it solidly in the upper tier of current language models, though trailing the leading systems that exceed 85%. On mathematical reasoning tasks via MATH, it scores 71.9%, showing respectable capability but remaining below the frontier models approaching or surpassing 90%. The model delivers 85.5% on MMLU-Pro and 74.9% on GPQA Diamond, indicating strong performance on more challenging academic benchmarks. Coding ability registers at 74.2% on HumanEval, a competent showing for general programming tasks. Multimodal capabilities are notable, with 78.2% on MMMU demonstrating solid vision-language understanding. The model supports JSON structured outputs and tool calling functionality, making it practical for application development. While this baseline verdict cannot assess performance changes, Grok 4.20 Non-Reasoning establishes itself as a capable general-purpose model with particular strength in multimodal tasks, suitable for production use cases requiring reliable but not necessarily state-of-the-art performance across diverse domains.
Calidad
—
Latencia p50
—
Ejecuciones de test
0