GPT-5.6

Artículo original ↗ Discusión en Hacker News ↗

Rendimiento del modelo y benchmarks

  • Muchos ven GPT‑5.6 Sol como una fuerte mejora de codificación/modelo respecto a GPT‑5.5, con mejor planificación, menos errores y un comportamiento más de “hacerlo y ya”, a veces rivalizando o superando a Fable en el trabajo del día a día.
  • Otros informan que Sol aún queda por detrás de Fable/Mythos en razonamiento difícil o tareas de lectura de código; algunos dicen que Fable sigue siendo excepcionalmente bueno en revisión profunda de código y arquitectura.
  • Los benchmarks generan debate:
    • El “Agents’ Last Exam” de OpenAI y otros gráficos internos son criticados por estar seleccionados a conveniencia, con ejes engañosos y ajustes de Fable no máximos.
    • SWE‑Bench Pro es descrito como “roto” o saturado por varios comentaristas; algunos señalan que OpenAI ahora le da menos importancia mientras promociona DeepSWE y FrontierCode, donde los modelos GPT puntúan mejor.
    • El 7.8% de Sol en ARC‑AGI‑3 se considera un progreso real, pero aún muy lejos de “AGI”.

Experiencias de desarrolladores y harnesses

  • Gran subhilo sobre Codex frente a Claude Code:
    • Muchos elogian Codex por menos drama, mejor estabilidad, permisos más claros y uso más generoso; no les gustan el bloat, los bugs, las caídas y las cuotas opacas de Claude Code.
    • Otros sienten que Claude/Fable producen código más elegante, más alineado con la intención, y mejor trabajo de diseño/UI, describiendo Codex como más literal, verboso o “austero”.
    • Un patrón común: usar ambos—uno planifica, el otro implementa o revisa; algunos encadenan múltiples modelos (p. ej., Fable + GPT + DeepSeek) mediante OpenCode, Pi u otros harnesses.

Precios, cuotas y eficiencia

  • El precio de 5.6 (Sol/Terra/Luna) se ve como competitivo frente a Fable; Terra/Luna en particular resultan atractivos en gráficos de inteligencia por dólar.
  • Gran foco en la eficiencia de tokens: varios señalan que Sol es mucho más eficiente que Fable y Opus en benchmarks de coste por tarea, pero:
    • Sol Ultra y el uso intensivo de subagentes pueden agotar ventanas de 5 horas extremadamente rápido; algunos usuarios ven cómo se consumen ventanas enteras en minutos.
  • Los resets de cuota bancables de OpenAI son ampliamente elogiados; los resets aleatorios de Anthropic y los límites estrechos de sus suscripciones son ampliamente rechazados.

Seguridad, guardrails y políticas

  • Los filtros de seguridad de Fable (especialmente en biología, seguridad e incluso código inocuo con términos como “DNA” o “security”) son un gran punto de dolor; muchos biólogos e investigadores de seguridad informan haber abandonado Anthropic por esto.
  • Algunos celebran la postura declarada de OpenAI contra el sobrebloqueo de tareas de ciberdefensa, pero otros ya ven nuevas “additional safety checks” y ralentizaciones en 5.6.
  • Hay inquietud por los vínculos de todos los grandes laboratorios con gobiernos y defensa (Palantir, Maven, etc.); algunos comentaristas dicen que ahora prefieren modelos abiertos o no estadounidenses.

Comportamiento de prompting y UX

  • Se discute mucho la propia guía de OpenAI (prompts más cortos, evitar el genérico “be concise”):
    • A algunos les gusta el cambio lejos de la “verborrea”; otros se quejan de que necesitar instrucciones largas y precisas para ser breve anula el propósito de “solo sé breve”.
  • Los usuarios informan que 5.6 es más lento que 5.5 en muchos harnesses, especialmente en niveles de razonamiento más altos, pero a menudo de mayor calidad.
  • El nuevo nombre Sol/Terra/Luna se califica a la vez de intuitivo (sol/tierra/luna por tamaño) y confuso como marketing frente a las antiguas etiquetas “mini/nano” o simples “Pro/Max”.

Reacciones varias

  • La prueba SVG de larga duración del “pelican on a bicycle” muestra diferencias cualitativas claras entre Luna/Terra/Sol y los niveles de razonamiento; algunos sostienen que la prueba ya está en los datos de entrenamiento y está parcialmente saturada, mientras que otros siguen viéndola como una comprobación visual útil.
  • El sentimiento general: entusiasmo por una competencia fuerte frente a Fable y una mejor relación coste/eficiencia, mezclado con escepticismo sobre el marketing de benchmarks, los compromisos de seguridad y la complejidad cada vez mayor en las opciones de modelo/esfuerzo.