GPT-6 Sol: ID del Modelo, Precios, Contexto de 872K y Benchmarks

Si viste gpt-6-sol en un registro de cambios el 22 de septiembre de 2026 y asumiste que era el GPT-5.6 Sol que ya habías integrado, detente ahí. No es el mismo modelo. OpenAI reutilizó el nombre del nivel y lanzó un nuevo modelo bajo el mismo, entrenado con métodos similares a GPT-6 Astra, a un precio diferente, con una ventana de contexto distinta y con un perfil de evaluación comparativa diferente.

Esa decisión de nomenclatura va a costar dinero y horas de depuración a los equipos. Este artículo cubre lo que realmente es GPT-6 Sol: el ID del modelo, lo que cuesta, los números publicados por OpenAI, la única métrica que ya está desactualizada y dónde puedes llamarlo hoy.

GPT-6 Sol de un vistazo

Para comparar dentro de la misma familia: GPT-6 Astra cuesta $10/$50, y GPT-6 Luna cuesta $0.10/$0.50 con una ventana de contexto de 1M y un índice de 37. La propia línea de OpenAI es que Astra “sigue siendo nuestro mejor modelo en todos los aspectos”, por lo que Sol no es el buque insignia. Es el nivel donde el costo por tarea se movió.

Es un nuevo modelo, no un nivel renombrado

La familia GPT-5.6 era Sol, Terra y Luna. La familia GPT-6 es Astra, Sol y Luna. Dos nombres se mantuvieron, uno no y uno es nuevo.

No hay GPT-6 Terra. Si construiste una escala de niveles alrededor del esquema de nombres de GPT-5.6, el peldaño del medio ha desaparecido y los peldaños restantes se encuentran a diferentes alturas. Nuestra comparación anterior de Sol contra Terra y Luna describe la generación anterior y debe leerse como historia.

El linaje de precios hace evidente la ruptura:

Los precios son por millón de tokens de entrada y por millón de tokens de salida. Las filas de precios de lista y promocionales de GPT-5.6 provienen de nuestra propia cobertura en ese momento: precios de GPT-5.6 y la reducción de precio de GPT-5.6.

Qué significa realmente “50% más barato”

OpenAI describe a Sol y Luna como un 50% más baratos que los precios **promocionales** de GPT-5.6. La palabra promocionales es de OpenAI, y es importante. La comparación es contra una tarifa con descuento, no contra la tarifa de lista con la que se lanzó GPT-5.6.

Medido contra el precio de lista de GPT-5.6 Sol de $5/$30, GPT-6 Sol a $2/$10 representa un recorte del 60% en la entrada y un 67% en la salida. La reducción real es mayor que el titular, y el titular se mide a partir de un descuento. Ambas afirmaciones son ciertas a la vez, y querrás la segunda en tu modelo de presupuesto en lugar de la primera.

Una cosa que no ha cambiado es que una tarifa por token más barata no produce automáticamente una factura más barata. Los modelos de razonamiento gastan tokens de salida en pensar. Un modelo que cuesta la mitad por token y piensa tres veces más tiempo no es un ahorro. Por eso OpenAI presentó sus cifras de lanzamiento con el costo por tarea en lugar del costo por token.

Los puntos de referencia publicados

Cada cifra a continuación proviene del material de lanzamiento de OpenAI. La configuración de esfuerzo de razonamiento está entre paréntesis porque estos modelos puntúan de manera muy diferente en distintos niveles de esfuerzo, y una fila de evaluación comparativa sin su configuración de esfuerzo no es un número utilizable.

El patrón es consistente en los cuatro: Sol se sitúa en o ligeramente por encima de los modelos de vanguardia con los que se compara, a una fracción del costo por tarea. En AutomationBench, Sol en xhigh supera a Claude Opus 5 en max por el 9% del costo por tarea de Opus 5. Una configuración de Claude Fable 5.1 con un fallback de Opus 5 puntúa 31.4%, por debajo de Sol, a más de 8.9 veces el costo.

OpenAI también afirma que Sol comete aproximadamente la mitad de errores de veracidad que su predecesor.

La comparación que expiró el día del lanzamiento

Lee esa tabla de nuevo y observa contra qué modelo de Claude compara. Claude Opus 5.

Anthropic lanzó Claude Opus 5.5 el mismo día, a $4/$20 frente a los $5/$25 de Opus 5, y ocupó el primer puesto de los 212 modelos clasificados en el Índice de Inteligencia de Análisis Artificial, con una puntuación de 58. La publicación de lanzamiento de OpenAI se escribió antes de que existiera ese modelo, por lo que cada línea que dice “supera a Opus 5 al 9% del costo” se mide contra un modelo que fue reemplazado en cuestión de horas.

Eso no hace que los números de OpenAI sean incorrectos. Son precisos para la comparación que realizaron. Sin embargo, significa que no debes llevarlos a una presentación de adquisición de 2027 como el estado actual de las cosas. Si necesitas una respuesta de Sol contra Opus 5.5, nadie ha publicado una todavía, y las cifras de enfrentamiento que circulan en las redes sociales provienen de probadores individuales en lugar de cualquiera de los proveedores.

Nuestro pilar de la guerra de precios rastrea los tres lanzamientos en una sola tabla.

El modelo barato no es el modelo rápido

Las mediciones de terceros de Artificial Analysis sitúan a GPT-6 Sol en 115.2 tokens de salida por segundo con un **tiempo hasta el primer token de 102.15 segundos** en su configuración de razonamiento máximo. GPT-6 Luna, el modelo más barato, mide un tiempo hasta el primer token más lento, con 124.23 segundos.

Dos advertencias antes de que planifiques con esos números. Son de terceros, no publicados por el proveedor. Y son específicamente para las variantes de razonamiento máximo, que es la configuración más cara de ejecutar y la más lenta en responder. Los niveles de esfuerzo más bajos se comportarán de manera diferente, y OpenAI no ha publicado sus propias cifras de latencia.

Incluso con ambas advertencias, la forma del resultado es lo que hay que asimilar. Una espera de 102 segundos antes de que llegue el primer token no es una brecha que su configuración de tiempo de espera existente probablemente sobreviva. Los tiempos de espera predeterminados del cliente HTTP se sitúan en 30 o 60 segundos. Los balanceadores de carga se quedan inactivos. Las funciones sin servidor alcanzan su límite de ejecución. Si está moviendo un endpoint síncrono de GPT-5.6 Sol a GPT-6 Sol con alto esfuerzo, el trabajo de integración está en su capa de tiempo de espera y transmisión, no en la instrucción.

Esto vale la pena medirlo usted mismo en lugar de confiar en nosotros o en Artificial Analysis. En Apidog, puede dirigir una solicitud al endpoint de OpenAI, establecer el ID del modelo como una variable de entorno para que una colección cubra cada nivel, y leer el tiempo de respuesta directamente de cada ejecución. Construya la misma solicitud tres veces en tres niveles de esfuerzo, guárdelas como un escenario de prueba, y tendrá su propia tabla de latencia para sus propias instrucciones en unos diez minutos. Ese número es el que debe usar para construir su configuración de tiempo de espera.

El almacenamiento en caché de prompts tuvo un lanzamiento real

Junto con los modelos, OpenAI lanzó cambios en el almacenamiento en caché que importan más que el precio principal para cualquiera que ejecute agentes:

• **90% de descuento en lecturas de entrada en caché.** Con una entrada de $2, una lectura en caché cuesta $0.20 por millón de tokens.
• **Mayores tasas de acierto de caché por defecto**, sin necesidad de cambiar el código.
• **Cambiar el esfuerzo de razonamiento o la disponibilidad de herramientas ya no rompe la caché.** Anteriormente, aumentar el esfuerzo a mitad de conversación invalidaba el prefijo en caché.
• **Puntos de interrupción explícitos**, para que usted elija dónde termina un prefijo en caché en lugar de adivinar.
• **Un Panel de Control de Caché de Prompts y una herramienta de diagnóstico**, para que la tasa de acierto deje de ser invisible.

GitHub informa de más del 50% menos de tokens de prompt que necesitan procesamiento nuevo en miles de millones de solicitudes. En una ventana de contexto de 872,000 tokens, la diferencia entre una tasa de acierto del 20% y una del 80% es la diferencia entre un producto de agente viable y uno que silenciosamente cierras.

El cambio en el esfuerzo y la disponibilidad de herramientas es el factor clave. Los bucles de agentes escalan rutinariamente el esfuerzo cuando una tarea se vuelve difícil e intercambian conjuntos de herramientas entre los pasos de planificación y ejecución. Bajo el comportamiento antiguo, ambos movimientos desechaban la caché exactamente cuando el contexto era más largo.

Dónde puedes llamarlo hoy

La brecha de Chat es la que confunde a la gente. Si normalmente verifica un prompt en la interfaz de usuario de ChatGPT antes de integrarlo en código, no encontrará GPT-6 Sol allí. Use Codex o vaya directamente a la API.

Una llamada mínima se ve así:

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-sol",
    "input": "Resume los cambios disruptivos en este diff de OpenAPI.",
    "reasoning": { "effort": "high" }
  }'

Confirme la forma de la solicitud contra la referencia de modelo actual de OpenAI antes de implementarla. El ID del modelo es la parte que hemos verificado.

Cuánto vale esto para ti

Un número del lanzamiento de OpenAI da una idea de a quién va dirigida esta política de precios: el investigador promedio de OpenAI gasta más de $600 al día en agentes de codificación, y el percentil 90 gasta $7,000 al día. A esa escala, un recorte del 80% en el costo por tarea es una partida presupuestaria, no un error de redondeo.

Para la mayoría de los equipos, el cálculo es más pequeño y específico:

Elija el camino que elija, el cambio es un cambio de comportamiento, no un cambio de configuración. El mismo prompt, nuevo modelo, diferentes salidas. Ejecute su suite de pruebas API existente contra el nuevo ID del modelo antes de enrutar el tráfico de producción hacia él, y asegúrese del esquema de respuesta y la latencia, no solo de un código de estado 200. Esa es exactamente la brecha entre un modelo que funciona bien en benchmarks y un modelo que funciona en su stack.