OpenAI ha presentado GPT-6 Sol y GPT-6 Luna, dos modelos que se suman a GPT-6 Astra dentro de su familia GPT-6. La compañía rebaja los precios de su API un 50% respecto a la tarifa promocional de GPT-5.6, algo que os interesa si trabajáis con agentes o automatizáis tareas a gran escala, porque abarata de forma directa el coste de cada token procesado.
Vamos a ver qué aporta cada modelo. Sol y Luna comparten metodología de entrenamiento con Astra y heredan sus avances en trabajo profesional, fiabilidad factual, programación y manejo del ordenador, centrados en la eficiencia de costes. Las mejoras en caché e inferencia permiten servir estos modelos más baratos, trasladando el ahorro a quienes los usan. Astra sigue siendo la opción de referencia para el máximo nivel de precisión.
Cuánto cuesta usar GPT-6 Sol y Luna por millón de tokens
Los nuevos precios por millón de tokens quedan así: GPT-6 Sol pasa de 4 a 2 dólares en la entrada y de 20 a 10 dólares en la salida; GPT-6 Luna baja de 0,20 a 0,10 dólares en la entrada y de 1,20 a 0,50 dólares en la salida. En ambos casos la rebaja es del 50% frente a la tarifa promocional que tenían GPT-5.6 Sol y GPT-5.6 Luna, y sustituye directamente a esa tarifa anterior en el catálogo de la API.
GPT-6 Astra, presentado semanas antes dentro del mismo mes, se queda fuera de este recorte. Si necesitáis exprimir el presupuesto en tareas masivas, Sol y Luna son ahora la opción más razonable; si vuestro proyecto no admite errores, seguís teniendo Astra disponible, aunque cueste más por token procesado. Esa diferencia de precio es la que determina qué modelo conviene elegir según el volumen de peticiones que gestionéis cada día.
Sol frente a Claude Opus 5 en tareas de automatización
En AutomationBench, un test con 47 herramientas de ventas, marketing, operaciones, soporte, finanzas y recursos humanos, GPT-6 Sol con esfuerzo alto (xhigh) logra un 33,2% de acierto por 0,27 dólares por tarea. Claude Opus 5, en su esfuerzo máximo, se queda en 26,9% y cuesta 11,1 veces más por tarea.
La comparación con otros modelos: GPT-6 Astra con esfuerzo bajo llega al 30,3% a un coste 3,9 veces superior al de Sol, y Claude Fable 5.1 con reserva de Opus 5 alcanza el 31,4% con un gasto 8,9 veces mayor (cifra que no incluye el coste de los relanzamientos a Opus 5, activados en cerca del 40% de las tareas). En Agents’ Last Exam, con tareas largas repartidas en 55 subsectores profesionales, GPT-6 Sol con esfuerzo máximo anota un 56,4%, por encima del mejor resultado de Claude Opus 5, con un coste un 60% menor. GPT-6 Luna, con esfuerzo alto, mejora 5,4 puntos porcentuales respecto a su predecesor y reduce el coste por tarea un 58%.
Menos errores factuales, cerca del nivel de Astra
OpenAI mide la fiabilidad factual con conversaciones reales y anónimas de ChatGPT en las que los usuarios habían señalado un error de un modelo anterior. Sobre esa base, GPT-6 Sol comete aproximadamente la mitad de errores que su predecesor, acercándose al nivel de Astra con un coste mucho más bajo. Es un dato relevante si usáis estos modelos para tareas donde la precisión del dato final pesa más que la velocidad de respuesta.
GPT-6 Luna también mejora de forma notable: en los niveles de esfuerzo más altos, iguala a GPT-5.6 Sol pero con un coste que ronda la centésima parte. La propia compañía matiza que esas conversaciones con errores marcados no representan el uso habitual, donde los fallos factuales son mucho más raros, y que las puntuaciones no están ajustadas por longitud de respuesta, aunque sus pruebas de variación de extensión mostraron una dependencia casi nula respecto a ese factor. Conviene tener presente ese matiz antes de extrapolar los porcentajes a cualquier conversación cotidiana.
En programación, evaluado con FrontierCode (un test que juzga si el código generado por agentes está listo para fusionarse en repositorios reales, según calidad de pruebas, disciplina de alcance y estilo), GPT-6 Sol mejora de forma sustancial sobre GPT-5.6 Sol y llega a igualar a Claude Fable 5.1 en esfuerzo alto, con un coste mucho menor.