GPT-6 Sol e Luna

Artigo original ↗ Discussão no Hacker News ↗

O lançamento do GPT‑6 Sol e Luna pela OpenAI é visto como um grande movimento de preço e capacidade, especialmente com os custos de tokens do Luna cortados aproximadamente pela metade enquanto permanece “bom o suficiente” para muitas tarefas de programação e automação. Os comentaristas contrastam os novos modelos com a linha Opus/Fable da Anthropic e com alternativas chinesas ou de pesos abertos, debatendo o custo real por tarefa, os limites de assinatura e se a OpenAI está temporariamente cobrando abaixo do custo para recuperar participação de mercado. Há entusiasmo por agentes baratos de longa duração e automação do dia a dia, temperado por preocupações com regressões de modelo, escolhas confusas de modelo/esforço e a fragilidade de construir fluxos de trabalho sobre políticas de preço e cotas que mudam rapidamente e são pouco transparentes.

Preços, economia e sustentabilidade

  • GPT‑6 Sol e, especialmente, Luna são elogiados por serem “insanamente” baratos: preços de API cerca de 50% menores do que os de 5.6, com batch trazendo mais 50% de desconto. Muitos dizem que Luna agora é efetivamente “barato demais para medir” para muitas cargas de trabalho.
  • Alguns suspeitam que isso seja um corte estratégico de preços para undercut Anthropic, DeepSeek e provedores chineses/abertos; outros argumentam que os preços atuais podem estar abaixo do custo sustentável e ser viabilizados por grandes margens de inferência ou subsídio de investidores.
  • Vários observam que o custo por tarefa (incluindo uso de cache e tokens de “thinking”), e não o preço de tabela por token, é o que realmente importa. Em alguns fluxos, Luna ou Sol podem sair mais baratos do que DeepSeek mesmo quando os preços de etiqueta diferem.

Assinaturas, limites e UX

  • As reduções de preço supostamente se aplicam às assinaturas (Plus/Pro/20x) por meio de maior uso efetivo, mas os detalhes continuam opacos; os usuários veem apenas medidores percentuais, não contagens reais de tokens.
  • Há forte discordância sobre qual provedor é mais generoso: alguns acham que os planos do Codex acabam muito mais rápido do que o Claude Code; outros relatam o contrário.
  • O plano Codex 20x esteve intermitentemente indisponível para novos usuários, frustrando pessoas que fizeram downgrade. Os resets são descritos tanto como salvação quanto como “manobras” que distorcem o valor percebido.

Qualidade do modelo vs 5.6 e Anthropic

  • Muitos descrevem GPT‑6 Sol como apenas uma pequena melhoria sobre 5.6 Sol, com alguns relatando regressões (por exemplo, DeepSWE, código mais “desleixado”, uso mais pesado). Vários desenvolvedores estão permanecendo com ou voltando para 5.6 Sol.
  • Luna 6 frequentemente se sai um pouco pior do que Luna 5.6 em benchmarks de programação, mas custa cerca de 50–60% menos, levando alguns a vê-la principalmente como um corte de preço e não como um salto de capacidade.
  • Vários dizem que o novo Opus 5.5 da Anthropic parece mais forte para coding de fronteira, enquanto GPT‑6 brilha mais em custo/desempenho.

Papéis dos modelos: Luna, Sol, Astra, Terra

  • Luna é amplamente vista como o melhor valor para tarefas de dados, classificação, programação simples e automação de longa duração, especialmente em esforço alto/máximo.
  • Sol é tratado como um “engenheiro” ou orquestrador de nível médio; Astra como um planejador/designer poderoso, porém lento e faminto por tokens, que pode exagerar no projeto e divagar.
  • Muitos lamentam a remoção de Terra, que alguns consideravam o “cavalo de batalha” ideal de “inteligência média”; outros argumentam que Sol High + Luna barato agora dominam esse nicho.

Agentes, contexto e ferramentas

  • Uso intenso de fluxos de trabalho agentic: Astra ou Sol como planejador, Luna ou Sol como implementador/testador, com subagentes no Codex ou em harnesses de terceiros.
  • Visões mistas sobre compactação agressiva de contexto: alguns a evitam por ser com perda de informação e desestabilizadora; outros relatam centenas de compactações funcionando bem em sessões longas.
  • A proliferação de modelos × níveis de esforço é vista como confusa; vários pedem um “auto-router” que escolha modelo e esforço com base na tarefa em vez de ajuste manual.