GPT-6 Sol y Luna
El lanzamiento por parte de OpenAI de GPT‑6 Sol y Luna se percibe como un gran movimiento de precio y capacidad, especialmente porque los costes de tokens de Luna se reducen aproximadamente a la mitad sin dejar de ser “suficientemente bueno” para muchas tareas de codificación y automatización. Los comentaristas comparan los nuevos modelos con la línea Opus/Fable de Anthropic y con alternativas chinas o de pesos abiertos, debatiendo el coste real por tarea, los límites de suscripción y si OpenAI está infrapreciando temporalmente para recuperar cuota de mercado. Hay entusiasmo por agentes más baratos y automatización cotidiana de larga duración, atenuado por preocupaciones sobre regresiones del modelo, elecciones confusas de modelo/esfuerzo y la fragilidad de construir flujos de trabajo sobre políticas de precios y cuotas rápidamente cambiantes y opacas.
Precios, economía y sostenibilidad
- GPT‑6 Sol y, especialmente, Luna son elogiados por ser “insanamente” baratos: precios de API ~50% más bajos que 5.6, con el modo batch otro 50% adicional de descuento. Muchos dicen que Luna ahora es, en la práctica, “demasiado barato para medir” para muchas cargas de trabajo.
- Algunos sospechan que se trata de una estrategia para recortar a Anthropic, DeepSeek y proveedores chinos/de código abierto; otros argumentan que los precios actuales pueden estar por debajo del coste sostenible y habilitados por grandes márgenes de inferencia o subsidio de inversores.
- Varios señalan que lo que realmente importa es el coste por tarea (incluido el uso de caché y los tokens de “thinking”), no el precio de lista por token. En algunos flujos de trabajo, Luna o Sol pueden ser más baratos que DeepSeek aunque los precios visibles difieran.
Suscripciones, límites y UX
- Se informa que los recortes de precio se aplican a las suscripciones (Plus/Pro/20x) mediante un mayor uso efectivo, pero los detalles siguen siendo opacos; los usuarios solo ven medidores porcentuales, no recuentos reales de tokens.
- Hay un fuerte desacuerdo sobre qué proveedor es más generoso: algunos encuentran que los planes de Codex se agotan mucho más rápido que Claude Code; otros reportan lo contrario.
- El plan Codex 20x ha estado intermitentemente no disponible para nuevos usuarios, frustrando a quienes se degradaron. Los reinicios se describen tanto como un salvavidas como “maniobras” que distorsionan el valor percibido.
Calidad del modelo frente a 5.6 y Anthropic
- Muchos describen GPT‑6 Sol como solo una pequeña mejora sobre 5.6 Sol, y algunos reportan regresiones (p. ej., DeepSWE, código más “descuidado”, mayor uso). Varios desarrolladores se están quedando con 5.6 Sol o volviendo a él.
- Luna 6 a menudo obtiene pruebas ligeramente peores que Luna 5.6 en benchmarks de codificación, pero es ~50–60% más barato, lo que lleva a algunos a verlo principalmente como un recorte de precio más que como un salto de capacidad.
- Varios dicen que el nuevo Opus 5.5 de Anthropic se siente más fuerte para codificación de vanguardia, mientras que GPT‑6 brilla más en coste/rendimiento.
Roles de los modelos: Luna, Sol, Astra, Terra
- Luna es visto ampliamente como el mejor caballo de batalla en relación calidad-precio para tareas de datos, clasificación, codificación simple y automatización de larga duración, especialmente con esfuerzo alto/máximo.
- Sol se trata como un “ingeniero” o orquestador de nivel medio; Astra como un planificador/diseñador potente pero lento, hambriento de tokens, que puede sobreingenierizar y divagar.
- Muchos lamentan la eliminación de Terra, que algunos consideraban el caballo de batalla ideal de “inteligencia media”; otros argumentan que Sol High + Luna barato ahora dominan su nicho.
Agentes, contexto y herramientas
- Uso intensivo de flujos de trabajo agénticos: Astra o Sol como planificador, Luna o Sol como implementador/probador, con subagentes en Codex o plataformas de terceros.
- Opiniones mixtas sobre la compacción agresiva del contexto: algunos la evitan por ser con pérdida de información e inestabilizadora; otros informan que cientos de compactions funcionan bien en sesiones largas.
- La proliferación de modelos × niveles de esfuerzo se ve como confusa; varios piden un “auto-router” que elija el modelo y el esfuerzo según la tarea en lugar de ajustar manualmente.