GPT-6 Astra para GPT-6 Sol: A Migração, Redução de Preço 5x e O Que Você Abre Mão

Se você moveu uma carga de trabalho de agente para o GPT-6 Astra no início de setembro, você já tem três semanas de faturas e já conhece a dimensão do problema. O Astra cobra US$10 por milhão de tokens de entrada e US$50 por milhão de tokens de saída. Um loop de longa duração com um prompt de sistema robusto e um esquema de ferramenta anexado consome isso mais rapidamente do que qualquer planilha previu.

Em 22 de setembro, a OpenAI lançou o GPT-6 Sol por US$2 e US$10. Mesma família de modelos, mesma superfície de API, um quinto do preço em cada linha da fatura.

Esta é a migração. O que muda no seu código é quase nada. O que muda na sua fatura é tudo. E a parte que a maioria da cobertura do dia do lançamento ignorou: a OpenAI ainda diz que o Astra é o melhor modelo, e a comparação direta publicada entre os dois não é o que parece ser.

TL;DR

• A troca de gpt-6-astra para gpt-6-sol é uma simples alteração de string do modelo para a maioria dos usuários. Janela de contexto, saída máxima, endpoints, ferramentas integradas, recursos suportados e níveis de limite de taxa são idênticos.
• Cada taxa cai exatamente 5x: entrada de US$10 para US$2, entrada em cache de US$1 para US$0,20, gravações de cache de US$12,50 para US$2,50, saída de US$50 para US$10. Sua fatura será dividida por cinco, independentemente da combinação de tokens.
• Sol adiciona um esforço de raciocínio none. Ele também restringe a chamada de função de Chat Completions a reasoning_effort: "none", a única mudança que pode quebrar uma integração funcional.
• O corte de conhecimento do Sol é 20 de abril de 2026. O do Astra é 30 de abril de 2026.
• A OpenAI diz que o Astra "continua sendo nosso melhor modelo em todos os aspectos". O benchmark Sol versus Astra publicado executa o Astra em low contra o Sol em xhigh, então ele mede a eficiência de custo, não o limite de capacidade.

A tabela de preços

Ambos os conjuntos de taxas vêm das páginas de modelos da OpenAI, gpt-6-astra e gpt-6-sol, consultadas em 23 de setembro de 2026.

Os modificadores de faturamento coincidem em ambos os modelos. Prompts com mais de 272K tokens de entrada são cobrados com 2x as taxas de entrada e cache e 1.5x a saída para toda a solicitação. O modo Batch e Flex custam metade do preço. O modo rápido custa o dobro, e no Astra ele não possui SLA de latência.

Como todas as quatro taxas caem pelo mesmo fator, você não precisa modelar sua combinação de tokens para prever a economia. Considere uma carga de trabalho de agente concreta: 10.000 solicitações por dia, cada uma com um prefixo em cache de 30.000 tokens, 10.000 tokens de entrada nova e 3.000 tokens de saída.

Mude a combinação para a saída, mude para o cache, execute com 272K de contexto e pague o multiplicador de prompt longo: a proporção permanece em cinco.

Para entender por que isso é importante, a OpenAI relatou que seu próprio pesquisador mediano gasta mais de US$600 por dia em agentes de codificação, com o percentil 90 gastando US$7.000 por dia. Divida esses valores por cinco e o número de experimentos que uma equipe pode pagar muda. O contexto mais amplo para ambos os lançamentos está em nossa análise da guerra de preços de modelos de IA de setembro de 2026.

Uma ressalva a ser observada: a OpenAI descreve o Sol como 50% mais barato que o GPT-5.6, e a comparação é contra o preço promocional do GPT-5.6, o que é uma declaração da própria OpenAI. Contra as taxas de tabela do GPT-5.6 que documentamos na época em nossa postagem sobre preços do GPT-5.6, o corte é maior. Contra o Astra, é uma redução direta de 5x.

O que permanece exatamente o mesmo

Esta é a seção que torna a migração barata.

A janela de contexto é o destaque. O Sol não é um modelo de contexto mais curto: ele possui a mesma janela de 1.050.000 tokens e o mesmo teto de entrada de 922.000 tokens que o Astra. Nada em sua estratégia de fragmentação, orçamento de recuperação ou compactação precisa ser alterado.

O que realmente muda no seu código

Quatro coisas, na ordem em que provavelmente causarão problemas.

1. 1. Chamada de função de Chat Completions. No Astra, Chat Completions funciona e a chamada de ferramenta exige a API Responses. No Sol, Chat Completions suporta chamada de função apenas quando reasoning_effort é "none". Se você estiver chamando ferramentas via Chat Completions com qualquer outro esforço, essa solicitação para de fazer o que fazia. O próprio guia do GPT-6 da OpenAI diz para usar Responses para raciocínio com ferramentas. Se você já usa Responses, isso não custará nada.
2. 2. O nível de esforço none. O Astra suporta de low a max. O Sol suporta todos esses mais none, que é a alavanca que o torna viável para trabalhos de classificação e extração onde os tokens de raciocínio são pura sobrecarga. O padrão em ambos é medium.
3. 3. Limite de conhecimento. O Astra é treinado até 30 de abril de 2026, o Sol até 20 de abril de 2026. Dez dias é pouco, mas se um prompt assumir conhecimento do final de abril, teste a suposição.
4. 4. Parâmetros não suportados. Sempre que o esforço de raciocínio não for none, temperature, top_p e top_logprobs devem estar ausentes, e Chat Completions também descarta logprobs. O Astra impõe a mesma regra, então uma integração limpa do Astra já está em conformidade. Isso só importa se você mudar para reasoning_effort: "none" no Sol e pensar em colocar temperature de volta.

Aqui está o antes e depois para uma chamada típica de Responses. A diferença é de uma linha.

 from openai import OpenAI

 client = OpenAI()

 response = client.responses.create(
-    model="gpt-6-astra",
+    model="gpt-6-sol",
     reasoning={"effort": "xhigh"},
     tools=[{"type": "function", "name": "run_api_test", "parameters": {...}}],
     input=[
         {"role": "developer", "content": "You are a senior API engineer. Bias towards action."},
         {"role": "user", "content": "Read this OpenAPI operation and propose three negative test cases."},
     ],
 )

Observe o nível de esforço nesse exemplo. Mover para o Sol e manter o mesmo esforço não é a migração interessante. Mover para o Sol e aumentar o esforço é, porque você tem cinco vezes o orçamento para gastar em tokens de raciocínio pelo mesmo valor.

O que você abre mão

Seja honesto sobre esta parte, porque os números de lançamento são fáceis de interpretar mal.

A OpenAI diz que o Astra ainda é o melhor modelo. A postagem de lançamento afirma que o Astra "continua sendo nosso melhor modelo em todos os aspectos". Essa é a própria abordagem do fornecedor sobre seu novo lançamento, e é a frase a ser citada a qualquer um que lhe diga que o Sol substitui o Astra.

A comparação direta publicada não é uma comparação de capacidade. No AutomationBench 1.0.6, o Sol em xhigh atinge 33,2% a US$0,27 por tarefa, e o Astra em low atinge 30,3% a 3,9 vezes o custo por tarefa do Sol. Observe os níveis de esforço. O Sol está no máximo, o Astra está no mínimo. O que essa combinação demonstra é que o limite do Sol supera o piso do Astra a aproximadamente um quarto do custo por tarefa, o que é um resultado real e útil. Não diz nada sobre o Sol em xhigh contra o Astra em max. Nenhum número publicado cobre esse confronto. Se sua carga de trabalho é uma em que o Astra com alto esforço foi o que finalmente a fez funcionar, o Sol é um teste, não uma troca.

Latência no limite superior. A Artificial Analysis mediu a variante de raciocínio máximo do GPT-6 Sol em 115,2 tokens de saída por segundo com um tempo até o primeiro token de 102,15 segundos. Esse número é de terceiros, não da OpenAI, e descreve especificamente a variante max, então não informa o que medium ou none fazem. Trate-o como um aviso de que o modelo barato não é automaticamente o modelo rápido em alto esforço, e meça seu próprio nível de esforço em vez de herdar o número.

Disponibilidade. O Sol chega ao ChatGPT Work e Codex para usuários Plus, Pro, Business, Enterprise e Edu, e ainda não está no Chat. A API está pronta; a interface de Chat não está.

Para o que o Astra faz que justifica mantê-lo em algum lugar na pilha, nosso teste prático de dois dias, o artigo sobre uso de computador e o explicador de Limite Cibernético Crítico ainda são válidos, e a ficha técnica completa está em nosso guia da API GPT-6 Astra.

Decida com suas próprias requisições, não com benchmarks

O AutomationBench não executa seus prompts. A única comparação que resolve uma migração é o mesmo conjunto de requisições, enviado a ambos os IDs de modelo, pontuado com base em seus próprios critérios. Configure isso uma vez e ele se pagará em cada lançamento futuro. No Apidog, coloque o ID do modelo em uma variável de ambiente, salve a requisição uma vez e alterne os ambientes para redirecioná-la:

{
  "model": "{{MODEL_ID}}",
  "reasoning": { "effort": "xhigh" },
  "input": [
    { "role": "user", "content": "{{TEST_PROMPT}}" }
  ]
}

Construa um cenário de teste a partir de 20 ou 30 prompts de produção reais, adicione asserções para o formato de resposta do qual seu parser depende (output_text presente, argumentos de chamada de ferramenta válidos em relação ao seu JSON Schema, sem truncamento em max_output_tokens), então execute-o duas vezes, uma para cada ambiente. O Apidog registra o corpo e o tempo decorrido para cada requisição, para que você obtenha correção e latência lado a lado sem precisar escrever um harness. O bloco usage em cada resposta fornece a contagem de tokens para precificar a comparação adequadamente.

Duas asserções valem a pena adicionar especificamente para esta migração: verifique se as chamadas de ferramenta ainda chegam se você estava usando Chat Completions, e julgue pelo seu prompt mais lento em vez do seu médio, porque o risco de latência reside em alto esforço em entradas longas.

Lista de verificação da migração

1. Confirme que você está usando a API Responses em qualquer lugar onde você chama ferramentas. Se você chama ferramentas via Chat Completions, mude antes de trocar os modelos.
2. Troque gpt-6-astra por gpt-6-sol e deixe todo o resto inalterado para a primeira execução.
3. Reexecute seu conjunto de regressão contra ambos os IDs e compare as saídas, não apenas os códigos de status.
4. Experimente um nível acima no esforço de raciocínio no Sol. Você tem o orçamento para isso agora.
5. Verifique novamente qualquer prompt que dependa de conhecimento do final de abril de 2026.
6. Mantenha um caminho Astra atrás de um sinalizador para as tarefas em que o teto era o que você estava pagando.

Conclusão

A migração do Astra para o Sol é a rara situação em que a superfície da API não muda, a janela de contexto não diminui, e o preço cai por um fator fixo em cada métrica. O trabalho não está no código. Está nos vinte prompts que você executa em ambos os modelos para descobrir se sua tarefa mais difícil estava usando a capacidade do Astra ou apenas pagando por ela.

Execute essa comparação antes de virar a chave, e mantenha em mente a própria frase da OpenAI enquanto lê os resultados: Astra ainda é o melhor modelo deles. Sol é aquele que você pode se dar ao luxo de manter em execução.