OpenAI liberó esta mañana su modelo insignia en disponibilidad general, y llega en tres tamaños: Luna, Terra y Sol, del más pequeño al más grande.
Los nuevos modelos tienen precios por millón de tokens de entrada y salida de 1 y 6 dólares para Luna, 2,50 y 15 dólares para Terra, y 5 y 30 dólares para Sol. A modo de comparación, la serie Claude Opus cuesta 5 y 25 dólares, y Claude Fable 5 cuesta 10 y 50 dólares. Pero el precio por millón de tokens ya dice poco, porque la cantidad de tokens de razonamiento puede variar mucho entre modelos para una misma tarea.
¿Qué tan bueno es GPT-5.6 en tareas de agentes?
La mayor afirmación de OpenAI en benchmarks tiene que ver con el rendimiento en flujos de agentes de larga duración, con una prueba que muestra a los tres modelos superando a Claude Fable 5:
"Entrenamos GPT-5.6 para obtener más trabajo útil de cada token. En Agents' Last Exam, una evaluación de flujos profesionales de larga duración en 55 campos, GPT-5.6 Sol marca un nuevo récord de 53,6, superando a Claude Fable 5 (razonamiento adaptativo) por 13,1 puntos. Incluso con razonamiento medio, supera a Fable 5 por 11,4 puntos a aproximadamente un cuarto del costo estimado. Esa eficiencia se extiende a los modelos más pequeños: GPT-5.6 Terra y GPT-5.6 Luna superan a Fable 5 a alrededor de un dieciseisavo del costo."
Curiosamente, un benchmark autoreportado en el que Fable 5 aplastó a la familia GPT-5.6 fue SWE-Bench Pro, donde Fable 5 obtuvo 80% frente al 64,6% de GPT-5.6 Sol. Esto podría explicar por qué OpenAI eligió publicar este artículo el día anterior cuestionando específicamente a SWE-Bench Pro por problemas que detectaron al auditar ese benchmark:
"A la luz de estos resultados, estimamos que cerca del 30% de las tareas de SWE-bench Pro están rotas, y recomendamos que los desarrolladores de modelos examinen con cuidado los resultados."
Tuve acceso temprano a GPT-5.6 Sol. Es sin duda muy competente, aunque hasta ahora no me ha parecido mejor que Fable en el tipo de tareas complejas de programación con las que he estado usando el modelo de Anthropic.
¿Qué novedades trae la API?
Como es habitual, la guía de uso de GPT-5.6 tiene los detalles más interesantes. Hay varias funciones nuevas en la API que vale la pena explorar:
- El llamado programático de herramientas permite que los modelos "compongan y ejecuten JavaScript que orquesta llamadas a herramientas", algo que suena capaz de tender un puente entre los servidores MCP y sesiones de terminal completas que encadenan utilidades de línea de comandos. Recuerda al mecanismo de filtrado dinámico que Anthropic agregó a su herramienta de búsqueda web.
- El modo multiagente deja que el modelo "levante subagentes para trabajo paralelo y enfocado", con el patrón de subagentes ahora integrado en el núcleo de la API.
- Los puntos de corte de caché de prompts traen el modelo de caché de Anthropic a OpenAI, permitiendo ser explícito sobre dónde están los cortes de caché en lugar de depender de la detección automática.
- Ahora se puede fijar detail: original en las solicitudes de imagen para evitar que se redimensione antes de procesarla.
Existe una página completa con 18 pelícanos distintos, para esfuerzos de razonamiento none, low, medium, high, xhigh y max en los tres modelos. También lista sus tokens y costos calculados: el más barato fue gpt-5.6-luna con esfuerzo none por 0,71 centavos, y el más caro fue gpt-5.6-sol con razonamiento max por 48,55 centavos.
Y en más noticias sobre pelícanos, si saltas al minuto 17:50 de su transmisión en vivo de esta mañana verás la demo de OpenAI con pelícanos 3D montando un triciclo, una bicicleta, un pony y otro pelícano.
