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
94.1%
n=17
Son 30 gün
94.4%
n=18
Medyan yanıt süresi
17,715ms
n=17
Baz alınan 142 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)
18
OK yanıtlar (30d)
17
Toplam çağrı (7d)
17
OK yanıtlar (7d)
16
Tokonomix kıyaslama kararları
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.
Kalite
—
Gecikme p50
—
Test çalıştırmaları
0