GPT 6.1 Sol: inteligência próxima da Astra por um quinto do preço
O lançamento pela OpenAI do GPT‑6.1 Sol, um modelo “quase Astra” por cerca de um quinto do preço da Astra, está sendo recebido com otimismo em relação à capacidade high-end mais barata e ceticismo sobre ganhos reais no mundo real em comparação com modelos anteriores e com o Opus 5.5 da Anthropic. Os comentaristas se concentram muito na economia: cortes agressivos nos preços da API, tokens em cache muito mais baratos e reduções simultâneas nos limites das assinaturas são vistos como sinais de competição de preços cada vez mais intensa, iminência de IPOs e pressão de fortes modelos chineses e open-weight. Muitos relatam que os lançamentos recentes da OpenAI (especialmente GPT‑6 Sol) pareceram regressões para programação e trabalho agentic, reforçando a sensação de que a inteligência central está melhorando mais lentamente, enquanto os fornecedores agora competem בעיקר em custo, eficiência e qualidade do harness.
Qualidade percebida de GPT‑6.1 Sol vs 6.0, 5.6, Astra e Opus 5.5
- Muitos dizem que GPT‑6.0 Sol foi uma regressão clara em relação a 5.6 Sol: mais erros bobos, exagero de engenharia, código ruim, necessidade de “babysitting”; vários voltaram para 5.6 ou migraram para Opus.
- 6.1 Sol é amplamente visto como uma “correção” ou substituto: descrito como quase equivalente à Astra em capacidade, a um custo muito menor, e possivelmente derivado de Astra ou de uma variante “Astra Light”.
- Benchmarks e alguns testes de usuários mostram 6.1 Sol próximo da Astra e competitivo com Opus 5.5, especialmente em tarefas de programação/matemática, com menor custo por tarefa.
- No entanto, uma grande parcela ainda considera Opus 5.5 claramente melhor em projetos reais (programação complexa, raciocínio, “bom gosto” em código/prosa), e usa Astra principalmente para tarefas de visão/3D/Blender.
Preços, assinaturas e modelo de negócio
- Os preços de tokens da API e, em especial, os preços de cache são elogiados (notavelmente $0.10/M tokens em cache e paridade geral com DeepSeek/Anthropic).
- Ao mesmo tempo, o plano Pro de $200 está sendo reduzido de 20× para 10× de uso, enquanto um novo plano de $500 aparece; isso é amplamente visto como um “nerf” e um empurrão para faixas mais altas ou para a API pura.
- Vários usuários dizem que, no momento, as assinaturas da Claude entregam mais computação utilizável por dólar; outros observam que modelos de fronteira são caros para servir e que a OpenAI provavelmente está perdendo dinheiro com assinaturas.
Cadência de lançamentos, “desaceleração” e conversa sobre segurança
- GPT‑6.1 Sol chega apenas uma semana após 6.0 Sol; muitos veem isso como uma resposta apressada ao feedback negativo sobre 6.0 e ao Opus 5.5, e não como “ritmar a fronteira”.
- Alguns argumentam que toda a retórica recente sobre preços e coordenação trata de computação e limites de demanda por tokens, não de segurança; outros acham que o crescimento de capacidade ainda está claramente em andamento, sem plateau.
Benchmarks vs uso no mundo real
- Vários conjuntos de benchmarks mostram 6.1 Sol igualando Astra e praticamente empatando ou superando ligeiramente Opus 5.5 a custo semelhante ou menor.
- Muitos engenheiros desconfiam desses números: relatam que modelos podem ir bem em benchmarks e ainda assim ter desempenho inferior em bases de código legadas grandes, refatorações e fluxos de trabalho agentic longos.
- Há frustração recorrente com modelos que tornam o código mais verboso, adicionam abstrações desnecessárias e variam no seguimento de instruções, apesar de pontuações fortes.
Concorrência de modelos open-weight e chineses
- DeepSeek, Qwen, GLM, Kimi e MiMo são muito discutidos. Usuários gostam dos preços extremamente baixos e dizem que são “bons o suficiente” para a maioria de CRUD e programação rotineira.
- Outros observam que eles frequentemente consomem muito mais tokens (especialmente tokens de raciocínio), alucinam mais ou parecem “geniais, mas bobos”, então modelos de fronteira ainda podem ser mais baratos e melhores por tarefa concluída.
Harnesses, agentes e queima de tokens
- A experiência varia drasticamente dependendo do harness (Codex, Claude Code, OpenCode, Pi, OMP) e das estratégias de subagentes.
- Uso pesado de subagentes e compactação frequente pode queimar cotas semanais em horas; orquestração cuidadosa, limites de contexto e uso de submodelos mais baratos são vistos como cruciais.