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
—
Últimos 30 días
100.0%
n=1
Tiempo de respuesta mediano
2,505ms
n=1
Basado en 109 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)
0
Respuestas OK (7d)
0
Veredictos del benchmark Tokonomix
Grok 4.20 Reasoning debuts with strong multi-modal performance
Grok 4.20 Reasoning enters the benchmark landscape as xAI's first reasoning-focused model with comprehensive multi-modal capabilities. The model demonstrates solid performance across core competencies, achieving 88.9% on MMLU and 90.3% on GPQA Diamond, positioning it competitively in graduate-level reasoning tasks. Mathematical capabilities show strength with 85.7% on MATH-500 and reliable coding performance at 83.5% on HumanEval. Visual understanding proves capable at 72.9% on MMMU, while instruction following scores 72.6% on IFEval. The model supports JSON mode, tool use, vision processing, and extended reasoning capabilities out of the gate. With a 128K token context window, it handles substantial inputs while maintaining the ability to extract and reason over complex information. As a baseline entry, Grok 4.20 Reasoning establishes xAI's position in the reasoning model category with balanced performance across academic benchmarks, practical coding tasks, and multi-modal understanding. Users gain access to a versatile model combining reasoning depth with broad capability coverage, though future iterations will reveal optimization trajectories.
Calidad
—
Latencia p50
—
Ejecuciones de test
0