OpenAI presenta GPT-6 Sol y Luna, con menor costo para la API

OpenAI presentó GPT-6 Sol y GPT-6 Luna como dos opciones nuevas dentro de su familia de modelos. La documentación de la API los ubica junto a GPT-6 Astra y los diferencia por el tipo de trabajo que priorizan: Sol busca equilibrar inteligencia y costo, mientras Luna apunta a cargas sensibles al precio y de alto volumen.

También puede servirte: Qué es el fine-tuning en IA y cuándo conviene

La diferencia importa porque no todas las integraciones necesitan el modelo más capaz disponible. Un asistente que resume miles de registros, clasifica solicitudes o genera respuestas breves puede valorar un costo predecible y una capacidad suficiente. Un flujo que exige más razonamiento puede preferir Sol aunque cada llamada sea más cara que una tarea simple.

La presentación no convierte esas descripciones en una garantía de rendimiento para cualquier aplicación. Son criterios de posicionamiento publicados por OpenAI. Antes de cambiar un modelo conviene probar con datos representativos, medir errores y revisar los límites de la cuenta y del proyecto que va a usar la API.

La ficha oficial identifica los modelos con los nombres de API `gpt-6-sol` y `gpt-6-luna`. También indica que los modelos más recientes de OpenAI aceptan entradas de texto e imagen, producen texto, ofrecen capacidades multilingües y se consumen mediante la Responses API y los SDK oficiales.

La página de modelos publica precios separados para entrada y salida. En la consulta realizada para esta nota, Sol figura con 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida; Luna figura con 0,10 y 0,50 dólares respectivamente. Los precios pueden cambiar, por eso la tabla oficial debe ser la referencia al presupuestar.

La misma documentación registra una ventana de contexto de hasta 1,05 millones de tokens para estos modelos. Una ventana amplia permite enviar más información en una solicitud, pero no reemplaza el diseño de un flujo: hay que controlar qué documentos se incluyen, cómo se recuperan y cuánto cuesta procesarlos en cada etapa.

Para una tarea de alto volumen, el primer cálculo es el costo total de entrada y salida. Luna puede ser una opción razonable cuando las respuestas son cortas, el proceso se repite muchas veces y la aplicación tolera una capacidad menor. La elección debe medirse con ejemplos reales, no con el nombre del modelo.

Sol tiene sentido cuando el flujo necesita un equilibrio más alto entre capacidad y precio: análisis de código, extracción con reglas complejas o respuestas que combinan varias fuentes. En esos casos conviene medir también la cantidad de reintentos y correcciones, porque un modelo barato puede dejar de serlo si obliga a repetir llamadas.

Una práctica útil es definir un conjunto fijo de casos, guardar las respuestas y comparar exactitud, latencia, costo y tasa de revisión humana. Después se puede enrutar cada tipo de solicitud al modelo más conveniente. Esta síntesis de uso es una guía editorial de VisteEsto, no una prueba independiente de los modelos.

Primero hay que confirmar el identificador y la API que usará el proyecto. Cambiar el nombre del modelo sin revisar el SDK, el formato de herramientas o los límites de contexto puede romper una integración que funcionaba con otra versión.

Después conviene registrar un presupuesto por tarea y un límite de salida. Las credenciales deben quedar fuera del código y el sistema tiene que conservar trazabilidad de las solicitudes que disparan acciones externas. La ventana de contexto tampoco justifica enviar datos personales o secretos que la aplicación no necesita.

Por último, hay que documentar la fecha de la comparación. La disponibilidad, los precios y las capacidades de una familia nueva pueden cambiar. La documentación oficial de OpenAI es la fuente para verificar esos datos antes de poner GPT-6 Sol o Luna en producción.