GPT 6.1 Sol: inteligencia casi equivalente a Astra por una quinta parte del precio
El lanzamiento de GPT‑6.1 Sol por parte de OpenAI, un modelo “casi equivalente a Astra” a aproximadamente una quinta parte del precio de Astra, está recibiendo tanto optimismo por una capacidad de gama alta más barata como escepticismo sobre las mejoras reales frente a modelos anteriores y frente a Opus 5.5 de Anthropic. Los comentaristas se centran mucho en la economía: los recortes agresivos de precios de la API, los tokens cacheados mucho más baratos y las reducciones simultáneas en las cuotas de suscripción se ven como señales de una competencia de precios cada vez más intensa, próximas salidas a bolsa y presión de fuertes modelos chinos y de pesos abiertos. Muchos informan que los lanzamientos recientes de OpenAI (especialmente GPT‑6 Sol) se sintieron como regresiones para programación y trabajo agentic, reforzando la sensación de que la inteligencia central mejora más lentamente mientras los proveedores compiten sobre todo en coste, eficiencia y calidad del harness.
Calidad percibida de GPT‑6.1 Sol frente a 6.0, 5.6, Astra y Opus 5.5
- Muchos dicen que GPT‑6.0 Sol fue una clara regresión respecto a 5.6 Sol: más errores tontos, sobreingeniería, código deficiente, necesitaba “babysitting”; varios volvieron a 5.6 o cambiaron a Opus.
- 6.1 Sol se ve ampliamente como una “corrección” o reemplazo: descrito como casi equivalente a Astra en capacidad, pero a un coste mucho menor, y probablemente derivado de Astra o de una variante “Astra Light”.
- Los benchmarks y algunas pruebas de usuarios muestran que 6.1 Sol se acerca a Astra y compite con Opus 5.5, especialmente en tareas de programación/matemáticas, a menor coste por tarea.
- Sin embargo, un gran grupo sigue considerando que Opus 5.5 es claramente mejor en proyectos reales (programación compleja, razonamiento, “gusto” en código/prosa), y usa Astra principalmente para tareas de visión/3D/Blender.
Precios, suscripciones y modelo de negocio
- Se elogian los precios de los tokens de la API y, sobre todo, los precios de caché (en particular $0.10/M tokens cacheados y una paridad general con DeepSeek/Anthropic).
- Al mismo tiempo, el plan Pro de $200 se recorta de 20× a 10× de uso, mientras aparece un nuevo plan de $500; esto se ve ampliamente como un “nerf” y un empujón hacia niveles superiores o hacia la API pura.
- Varios usuarios dicen que las suscripciones de Claude actualmente ofrecen más cómputo utilizable por dólar; otros señalan que los modelos frontera son caros de servir y que es probable que OpenAI esté perdiendo dinero con las suscripciones.
Ritmo de lanzamiento, “desaceleración” y discurso de seguridad
- GPT‑6.1 Sol llega apenas una semana después de 6.0 Sol; muchos lo ven como una respuesta apresurada al feedback negativo sobre 6.0 y a Opus 5.5, no como “marcar el ritmo de la frontera”.
- Algunos argumentan que toda la retórica reciente sobre precios y coordinación trata de límites de cómputo y demanda de tokens, no de seguridad; otros creen que el crecimiento de capacidades sigue claramente en marcha y no se ha estancado.
Benchmarks frente a uso real
- Varios conjuntos de benchmarks muestran que 6.1 Sol iguala a Astra y empata o supera ligeramente a Opus 5.5 a un coste similar o inferior.
- Muchos ingenieros desconfían de esas cifras: informan que los modelos pueden rendir bien en benchmarks pero aun así ir peor en grandes bases de código heredadas, refactors y flujos de trabajo agentic largos.
- Se repite la frustración de que los modelos hacen el código más verboso, añaden abstracciones innecesarias y varían en el seguimiento de instrucciones a pesar de sus buenas puntuaciones.
Competencia de modelos de pesos abiertos y chinos
- Se habla mucho de DeepSeek, Qwen, GLM, Kimi y MiMo. A los usuarios les gustan sus precios extremadamente bajos y dicen que son “suficientemente buenos” para la mayoría de CRUD y la programación rutinaria.
- Otros señalan que a menudo consumen muchos más tokens (especialmente tokens de razonamiento), alucinan más o se sienten “brillantes pero estúpidos”, por lo que los modelos frontera aún pueden ser más baratos y mejores por tarea completada.
Harnesses, agentes y quema de tokens
- La experiencia varía muchísimo según el harness (Codex, Claude Code, OpenCode, Pi, OMP) y las estrategias de subagentes.
- El uso intensivo de subagentes y la compactación frecuente pueden agotar las cuotas semanales en horas; la orquestación cuidadosa, los límites de contexto y el uso de submodelos más baratos se consideran cruciales.