GPT-5.6 Luna vs Terra vs Sol: capacidades, costo y método práctico de selección

Equipo Editorial de Modalis AI · 2026-08-30

Revisión técnica Laboratorio Modalis AI — Precios y Gobernanza de Modelos · Verificado el 2026-08-30

GPT-5.6 Luna, Terra y Sol comparten contexto y herramientas, con perfiles de coste distintos. Compara acceso, datos oficiales y cuándo subir de nivel.

Luna, Terra y Sol convierten la selección en una decisión económica dentro de la misma generación. En vez de preguntar cuál es el mejor en abstracto, el equipo puede plantear algo útil: ¿cuál es el nivel de menor costo que supera de forma consistente el criterio de aceptación de este flujo?

Posicionamiento oficial y precios de lista

El catálogo de OpenAI describe Sol como flagship para razonamiento complejo y programación, Terra como equilibrio entre inteligencia y costo y Luna para alto volumen o sensibilidad al costo. Los valores siguientes son precios de lista por millón de tokens verificados en páginas específicas. No son precios minoristas de Modalis.

Qué comparten los tres modelos

Las referencias oficiales indican contexto de 1,05 millones de tokens, hasta 128 mil tokens de salida, entrada de texto e imagen, salida de texto y Responses API. También ofrecen herramientas que pueden incluir function calling, salidas estructuradas, web search, búsqueda de archivos, ejecución de código y computer use según el modelo y la cuenta.

Esa base común ayuda al producto: un flujo puede conservar el patrón general al cambiar de nivel. No vuelve automática la migración. Effort, estilo, latencia, seguridad y fiabilidad de herramientas necesitan evaluación, y una capacidad de API no implica que toda superficie de producto la habilite.

Un ejemplo simple de costo del proveedor

Considera 100 mil tokens de entrada sin caché y 10 mil de salida, sin web search ni otra herramienta pagada. Con las tarifas anteriores, el costo aproximado es US$0,032 en Luna, US$0,32 en Terra y US$0,60 en Sol. El ejemplo aísla tokens y excluye escritura en caché, contexto largo, herramientas, reintentos, impuestos y precios de Modalis.

El salto de diez veces entre Luna y Terra en este ejemplo muestra por qué importa el enrutamiento. Para miles de registros previsibles, una pequeña mejora puede no compensar. Si una conclusión incorrecta crea horas de revisión, el nivel fuerte puede ser más barato para el negocio aun con más costo de tokens.

Cuándo Luna es la elección disciplinada

• Clasificación, etiquetado y extracción con validación automática.
• Resúmenes breves, reescrituras y respuestas con plantilla en alto volumen.
• Primera pasada que envía solo casos ambiguos a otro modelo.
• Experimentos que necesitan una base económica antes de aumentar capacidad.

Luna no debe tratarse como descartable. El ahorro aparece con instrucciones claras, esquema de salida y ruta de escalado. Una solicitud barata que exige reparaciones humanas reiteradas no es barata.

Cuándo Terra se convierte en mejor opción predeterminada

Terra es el nivel intermedio para conocimiento general, redacción multilingüe, documentos y automatizaciones con más juicio que una extracción simple. También funciona como challenger: ejecuta la misma evaluación en Luna y Terra y compara aceptación y tiempo de revisión, no preferencia por el estilo.

• El prompt contiene varias restricciones que deben mantenerse en una respuesta larga.
• El flujo mezcla análisis con salida estructurada o elección de herramientas.
• Luna supera los casos simples, pero falla con documentos ambiguos o lenguaje matizado.
• El plan Premium ya cubre al equipo y la calidad reduce trabajo posterior.

Cuándo Sol justifica Scale

Sol está diseñado para descomposición, razonamiento profundo y código. Buenos candidatos son cambios complejos en repositorios, síntesis de varios documentos, planificación con restricciones en conflicto e investigaciones con herramientas. El argumento no es “este prompt es importante”, sino “la evaluación demuestra que el nivel menor no cumple un requisito medible”.

OpenAI ofrece varios niveles de effort en Sol. Más esfuerzo puede ayudar, pero aumenta latencia y tokens de razonamiento. Trátalo como parámetro de prueba, no como máximo permanente. Una tarea bien delimitada con esfuerzo medio puede ser más eficiente que una vaga con máximo.

La escalera de decisión de Modalis

1. Define la aceptación. JSON válido, citas correctas, pruebas o aprobación experta son ejemplos.
2. Comienza con Luna. Mantén prompt, adjuntos y salida estables.
3. Desafía con Terra. Sube solo si más aciertos o menos revisión justifican el costo.
4. Reserva Sol para la cola difícil. Enruta casos complejos en lugar de usar el flagship por defecto.
5. Repite tras los cambios. Comportamiento y precio son entradas versionadas.

Documenta también la regla de retroceso. Si Luna falla una validación automática, define si el flujo debe pedir corrección, escalar a Terra o detenerse para revisión humana. El costo esperado depende de esa ruta completa, no solo del primer modelo. Una política explícita evita reintentos infinitos y hace auditable la elección.

Para el contexto del portafolio, vuelve a la guía de lanzamiento de los cinco modelos; para comparar el efecto financiero, consulta la guía de costos, tokens y créditos.