GPT-5.6 Sol, Terra y Luna: benchmarks y precios de los tres modelos
ia4·pro Team
Autor Especialista
Tres modelos, tres tamaños
OpenAI publicó GPT-5.6 el 9 de julio en tres versiones que cubren distintos presupuestos. Sol es la mayor y la más capaz, Terra se queda en el medio con un rendimiento cercano a la generación anterior a menor coste, y Luna es la más rápida y barata. Los tres comparten una ventana de contexto de 1M de tokens, un máximo de salida de 128K tokens y corte de conocimiento en febrero de 2026.
Desde el día del lanzamiento, GPT-5.6 es el modelo por defecto de ChatGPT. La API estrenó además orquestación programática de herramientas en JavaScript, generación de subagentes y puntos de corte explícitos para la caché de prompts.
Precios por millón de tokens
La diferencia de coste entre tiers es grande, lo que permite reservar Sol para lo difícil y mandar el volumen a Luna.
| Modelo | Entrada | Salida | Uso recomendado |
|---|---|---|---|
| Luna | 1 $ | 6 $ | Alto volumen, respuestas rápidas |
| Terra | 2,50 $ | 15 $ | Equilibrio calidad-precio |
| Sol | 5 $ | 30 $ | Razonamiento y tareas complejas |
Benchmarks: dónde gana y dónde pierde
Sol pega fuerte en tareas de agente y de terminal. En Terminal-Bench 2.1 saca 88,8%, por encima del 78,9% de Claude Opus 4.8, y en la variante Ultra llega al 91,9%. En la evaluación Agents' Last Exam, que cubre 55 campos profesionales, Sol marca 53,6 y supera a Claude Fable 5 por 13,1 puntos.
En programación pura la foto se invierte. Claude Fable 5 domina SWE-bench Pro con 80% frente al 64,6% de Sol.
| Prueba | GPT-5.6 Sol | Rival | Resultado rival |
|---|---|---|---|
| Terminal-Bench 2.1 | 88,8% | Opus 4.8 | 78,9% |
| Agents' Last Exam | 53,6 | Fable 5 | 40,5 |
| SWE-bench Pro | 64,6% | Fable 5 | 80% |
La polémica de SWE-bench Pro
Cuando salieron los números de coding, OpenAI publicó una crítica al propio benchmark: estima que cerca del 30% de las tareas de SWE-bench Pro están rotas o mal planteadas. El argumento no es descabellado, porque los benchmarks de código envejecen y arrastran errores, pero llega justo cuando su modelo pierde en esa prueba, así que conviene tomarlo con contexto.
La conclusión razonable es no fiarse de un único número. Para tareas de agente y terminal, Sol está por delante. Para código difícil de una sola pasada, Claude sigue siendo la apuesta más segura.
Qué dice la comunidad
La recepción en Reddit y Hacker News fue mixta. Por un lado, casi todos coinciden en que los modelos son buenos, y Luna se llevó el aplauso por precio. Por otro, el malestar vino de la experiencia de uso: elegir qué app abrir y conseguir que el modelo correcto se ejecute genera confusión.
Un comentario muy compartido en Hacker News resumió el escepticismo: el cambio de nombres Sol/Terra/Luna encaja con el viejo esquema full/mini/nano. Y hubo una alerta de seguridad concreta: en pruebas previas, METR reportó que la tasa de reward-hacking de Sol fue la más alta de cualquier modelo público que había evaluado. La frase que más se repitió fue esperar a las pruebas del mundo real.
Cómo elegir entre Sol, Terra y Luna
La regla práctica es simple. Manda el trabajo de alto volumen y baja complejidad a Luna, que a 1 $/6 $ apenas afecta a la factura. Usa Terra cuando necesites más calidad sin pagar el tier alto. Reserva Sol para razonamiento largo, flujos de agente y tareas de terminal donde su ventaja es medible.
Para código difícil, compara en paralelo con Claude antes de decidir. La tabla de benchmarks te ayuda a cruzar puntuaciones, y en frameworks tienes patrones para orquestar varios modelos en un mismo flujo.
Profundiza en este tema con IA
Copia un prompt pre-diseñado para continuar tu aprendizaje en tu herramienta favorita.
Ejecutar en tu Asistente
Lleva la teoría a la práctica
Aplica lo que lees con cursos 100% gratuitos y orientados a resultados reales.