Opus 5.5, GPT-6 Sol y Luna: precios, tablas y qué mide cada test
ia4·pro Team
Autor Especialista
Dos modelos frontera el mismo día
El 22 de septiembre Anthropic publicó Claude Opus 5.5 y OpenAI publicó GPT-6 Sol y GPT-6 Luna. Los tres cuestan menos que el modelo al que sustituyen. Cada compañía eligió tests distintos para contarlo.
Precios por millón de tokens
| Modelo | Entrada | Salida | Lectura de caché |
|---|---|---|---|
| Claude Opus 5.5 | 4 $ | 20 $ | 0,20 $ |
| Claude Opus 5 | 5 $ | 25 $ | 0,50 $ |
| GPT-6 Sol | 2 $ | 10 $ | 0,20 $ |
| GPT-5.6 Sol | 4 $ | 20 $ | sin dato |
| GPT-6 Luna | 0,10 $ | 0,50 $ | 0,01 $ |
Opus 5.5 añade un modo rápido a 8 y 40 dólares que va 2,5 veces más deprisa. Las escrituras de caché quedan en 5 dólares. Anthropic dice que el conjunto sale un 40% más barato de operar que Opus 5 en cargas típicas, bastante más que el 20% que baja la tarifa de lista, porque el modelo gasta menos tokens para llegar al mismo sitio.
La tabla que publicó Anthropic
| Test | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 66,4% | 55,8% | 52,3% | 57,9% |
| FrontierCode v1.1 | 54,4% | 50,3% | 48,0% | 53,3% |
| CursorBench 4.0 | 57,8% | 51,8% | 46,6% | sin dato |
| AutomationBench | 40,0% | 31,4% | 26,9% | 41,4% |
| Humanity's Last Exam | 67,7% | 65,6% | 63,6% | 57,2% |
| Terminal-Bench-Science 0.1 | 58,7% | 52,6% | 29,0% | 64,6% |
| OSWorld 2.0 | 81,8% | 80,7% | 74,0% | sin dato |
| Chartography | 89,0% | 88,4% | 83,4% | sin dato |
| GDPval-AA v2.1 | 1846 Elo | 1735 Elo | 1708 Elo | 1542 Elo |
Dos casillas merecen atención: en AutomationBench y en Terminal-Bench-Science gana GPT-6 Astra. Anthropic las publica igual. El modelo incorpora además una salvaguarda que devuelve las tareas de ciberseguridad y biología a Opus 4.8, junto a "preserved thinking", la protección contra destilación que llegó con Fable 5.1.
Los números de OpenAI vienen de otros tests
Las cifras que circulan de Sol y Luna se miden en pruebas que no aparecen en la tabla anterior:
| Test | GPT-6 Sol | GPT-6 Luna | GPT-6 Astra |
|---|---|---|---|
| DeepSWE v1.1 | 68,8% | 66,6% | sin dato |
| OSWorld 2.0 offline | 60,5% | 58,1% | 72,6% |
| AutomationBench 1.0.6 | 33,2% | sin dato | 30,3% |
| Agents' Last Exam | 56,4% | sin dato | 59,3% |
Fíjate en OSWorld: Anthropic da 81,8% a Opus 5.5 y esta tabla da 72,6% a Astra en la variante offline. Son montajes distintos de la misma prueba, con niveles de esfuerzo distintos, así que cruzar las dos tablas no dice nada. OpenAI añade su propia medida interna, que Sol comete "alrededor de la mitad de errores" que GPT-5.6 Sol.
Falta SWE-bench Verified
La tabla de Anthropic no incluye SWE-bench Verified, que durante dos años fue la cifra con la que todo el mundo hablaba de código. En su lugar aparecen Terminal-Bench, CursorBench y GDPval, pruebas de tarea completa y de varios pasos. Cualquier número de SWE-bench Verified para Opus 5.5 que veas estos días viene de terceros, no del fabricante.
El cambio encaja con lo que se le pide hoy a un modelo de código: sesiones de dos horas con veinte herramientas por delante. También complica la comparación histórica, porque las tablas de 2025 no tienen estas columnas.
El mismo modelo con dos puntuaciones
El 24 de septiembre ARC Prize publicó dos resultados de Gemini 3.8 Flash en su prueba: 10,4% con el arnés estándar y 35,0% con el adaptador del proveedor. Mismo modelo, misma prueba, más del triple de diferencia según cómo se le pase el problema.
Cuando alguien cita un porcentaje sin decir con qué arnés y con qué nivel de esfuerzo se obtuvo, ese número no se puede comparar con ningún otro.
Vending-Bench 2 mide en dólares
Andon Labs publicó el 24 de septiembre la segunda versión de Vending-Bench, donde el modelo gestiona una máquina expendedora durante mucho tiempo y el resultado se cuenta en dinero:
| Modelo | Resultado medio |
|---|---|
| GPT-6 Sol | 14.428 $ |
| Grok 4.7 | 10.537 $ |
| Claude Opus 5.5 | 9.235 $ |
El orden no coincide con el de las tablas de código. Una prueba que mide decisiones sostenidas durante semanas premia cosas distintas que una que mide parches en un repositorio.
Qué elegir según la tarea
- Sesiones largas de código con muchas herramientas: Opus 5.5 lidera Terminal-Bench 4.0 y CursorBench 4.0 por márgenes amplios.
- Automatización de escritorio y navegación: Astra sigue por delante en la variante offline de OSWorld y en Agents' Last Exam.
- Clasificación, extracción y volumen alto: Luna, a 0,10 y 0,50, hace el trabajo por un precio que permite lanzarlo sobre todo el archivo.
- Trabajo de oficina juzgado por personas: GDPval-AA da 1846 Elo a Opus 5.5 frente a 1542 de Astra, la diferencia más grande de todas las tablas.
Antes de mover un flujo de producción, pasa tus propios casos por los dos modelos. Las tablas ordenan modelos en pruebas públicas y tu proceso no es ninguna de ellas. En benchmarks está la comparativa completa con contexto, precio y fecha de cada cifra.
Fuentes
- Introducing Claude Opus 5.5 (Anthropic)
- GPT-6 Sol and Luna benchmarks explained (Vellum)
- GPT-6 Sol y GPT-6 Luna en GitHub Copilot (changelog)
- Anthropic launches Claude Opus 5.5 with Fable-level performance at a lower price (MacRumors)
- Resultados de ARC Prize y Vending-Bench 2 del 24 de septiembre (The Neuron)
Profundiza en este tema con IA
Copia un prompt pre-diseñado para continuar tu aprendizaje en tu herramienta favorita.
Ejecutar en tu Asistente
Compartir en Redes
Genera una publicación de LinkedIn de menos de 1500 caracteres, en tono natural y citando la fuente.
Lleva la teoría a la práctica
Aplica lo que lees con cursos 100% gratuitos y orientados a resultados reales.