Hız analizi
Tüm benchmark çalıştırmalarında ölçülen gecikme. P50 (medyan) ve P95 (95. yüzdelik) normal ve yoğun yük altında yanıt hızının gerçekçi bir resmini verir.
Kalite puanları
Bu modelin her soru kategorisinde sahanın geri kalanına göre nerede durduğu; aynı sorular üzerinde ikili karşılaştırmayla hesaplanır. Ham jüri puanı her sayının altındadır.
Kategori başına kazanma oranı: bu modelin o kategoriden bir soruda ortalama bir modeli ne sıklıkla yendiği. %50 ortalamadır, kalma notu değildir. Doğru cevap yüzdesi de değildir.
Fiyatlar
Bu modeli Tokonomix üzerinden kullandığınızda milyon token başına ödediğiniz tutar ve tipik bir konuşma için tahmini maliyet.
Saniye başına token
Ölçülen P50 gecikmesinden türetilen saniye başına token verimi. Yüksek daha iyidir; dalgalanmalar sağlayıcı tarafındaki yükü yansıtır.
P50 gecikme × 200 çıkış token tahmininden hesaplandı — mutlak rakam bu varsayıma bağlıdır; önemli olan eğilimdir.
Yetenekler
Kullanılabilirlik
Kullanılabilirlik
Bu modelin çağrıldığında ne sıklıkla yanıt verdiği — son 30 gün içindeki gerçek API istekleri ve canlı testler üzerinden ölçülmüştür. Bu kaliteden bağımsızdır: bu sayılar yalnızca modelin yanıt verip vermediğini gösterir, yanıtın ne kadar iyi olduğunu değil.
Son 7 gün
—
Son 30 gün
100.0%
n=1
Medyan yanıt süresi
968ms
n=1
Baz alınan 134 ölçüm son 30 gün içinde.
Teknik detaylar
Yalnızca gerçek API çağrıları ve canlı test istekleri sayılır — dahili yoklamalar ve kıyaslama çalıştırmaları hariçtir.
Özel API anahtarıyla (BYOK) yapılan çağrılar hariçtir: bu hatalar anahtara özgüdür, model kesintisinin işareti değildir.
Başarısız çağrılar kalite puanlarına DAHİL EDİLMEZ — kalite yalnızca başarılı yanıtlar üzerinden ölçülür. Kullanılabilirlik ve kalite bağımsız sinyallerdir.
Kaydedilmiş süreye sahip başarılı çağrılarda medyan yanıt süresi (p50). Aykırı değerler medyanı ortalamadan daha az etkiler.
Toplam çağrı (30d)
1
OK yanıtlar (30d)
1
Toplam çağrı (7d)
0
OK yanıtlar (7d)
0
Tokonomix kıyaslama kararları
gpt-5.6-terra debuts with strong performance across all benchmarks
OpenAI's gpt-5.6-terra establishes a strong baseline with exceptional performance across coding, reasoning, and multimodal tasks. The model demonstrates particular strength in mathematical reasoning, scoring 94.8 on MATH500 and 96.5 on GSM8K, positioning it among the top-tier models for quantitative problem-solving. Coding capabilities are robust with 86.2 on HumanEval and 83.4 on MultiPL-E, while the 74.5 SWE-bench Verified score indicates solid real-world software engineering aptitude. Vision capabilities show competency across MMMU (73.2) and various visual question answering benchmarks, though with room for improvement compared to the model's text-based strengths. The instruction-following score of 87.8 on IFEval suggests reliable adherence to user constraints. Reasoning performance is notable, with 78.4 on GPQA Diamond and 84.6 on MMLU-Pro. The model ships with a comprehensive feature set including tools, vision, JSON modes, PDF input, reasoning capabilities, schema validation, parallel tool execution, and prompt caching. As an initial release, gpt-5.6-terra establishes itself as a versatile foundation model suitable for diverse enterprise and development workflows.
Kalite
—
Gecikme p50
—
Test çalıştırmaları
0