GPT-5.6 Luna vs Terra vs Sol: capacidades, custo e método prático de seleção

Equipe Editorial Modalis AI · 2026-08-30

Revisão técnica Laboratório Modalis AI — Precificação e Governança de Modelos · Verificado em 2026-08-30

GPT-5.6 Luna, Terra e Sol compartilham contexto e ferramentas, com perfis de custo distintos. Compare dados oficiais, acesso e quando subir de nível.

Luna, Terra e Sol transformam a seleção de modelo em uma decisão econômica dentro da mesma geração. Em vez de perguntar qual é o melhor de forma abstrata, a equipe pode formular uma questão útil: qual é o nível de menor custo que passa de forma consistente no critério de aceite deste fluxo?

Posicionamento oficial e preços de lista

O catálogo de modelos da OpenAI descreve Sol como flagship para raciocínio complexo e programação, Terra como equilíbrio entre inteligência e custo, e Luna como opção para alto volume ou custo sensível. Os valores abaixo são preços de lista do provedor por milhão de tokens, verificados nas páginas específicas. Eles não são preços de varejo da Modalis.

O que os três modelos compartilham

As referências oficiais informam janela de contexto de 1,05 milhão de tokens, até 128 mil tokens de saída, entrada de texto e imagem, saída de texto e suporte à Responses API. Elas também oferecem uma superfície ampla de ferramentas, que pode incluir function calling, saída estruturada, busca web, busca em arquivos, execução de código e uso do computador, conforme modelo e configuração da conta.

Essa base comum ajuda o desenho de produto: muitas vezes um fluxo preserva o padrão geral de interação ao trocar o nível. Isso não torna a migração automática. Esforço de raciocínio, estilo, latência, segurança e confiabilidade das ferramentas ainda precisam de avaliação, e uma capacidade da API não garante que toda tela do produto a tenha ativado.

Um exemplo simples de custo do provedor

Considere uma requisição com 100 mil tokens de entrada sem cache e 10 mil tokens de saída, sem busca web ou outra ferramenta paga. Nos preços acima, o custo aproximado de tokens do provedor é US$ 0,032 em Luna, US$ 0,32 em Terra e US$ 0,60 em Sol. O exemplo isola preço de tokens e exclui cache write, ajuste de contexto longo, ferramentas, retries, tributos e preço comercial Modalis.

O salto de dez vezes entre Luna e Terra nesse exemplo artificial mostra por que o roteamento padrão importa. Se um fluxo processa milhares de registros previsíveis, uma pequena melhora de qualidade pode não pagar a diferença. Se uma conclusão incorreta gera horas de revisão especializada, o nível forte pode ser mais barato no negócio mesmo com fatura de tokens maior.

Quando Luna é a escolha disciplinada

• Classificação, etiquetagem e extração com validação automática.
• Resumos curtos, reescrita e respostas por template em alto volume.
• Roteamento de primeira passagem que envia apenas casos ambíguos a outro modelo.
• Experimentos que precisam de uma linha de base econômica antes de aumentar capacidade.

Luna não deve ser tratado como modelo descartável. A melhor economia aparece com instruções claras, saída limitada por schema e caminho de escalonamento. Uma requisição barata que exige reparo humano repetido não é barata.

Quando Terra vira um padrão melhor

Terra é o nível intermediário natural para trabalho de conhecimento geral, redação multilíngue, análise documental e automações que exigem mais julgamento que uma extração simples. Também funciona como challenger: rode a mesma avaliação em Luna e Terra e compare taxa de aceite e tempo do revisor, não preferência pelo estilo do texto.

• O prompt possui várias restrições que precisam permanecer coerentes em uma resposta longa.
• O fluxo mistura análise com saída estruturada ou escolha de ferramentas.
• Luna passa nos casos simples, mas falha em documentos ambíguos ou linguagem nuançada.
• O plano Premium já atende à equipe e o ganho de qualidade reduz trabalho posterior.

Quando Sol justifica o nível Scale

Sol foi desenhado para situações em que decomposição, raciocínio profundo e qualidade de código importam. Bons candidatos incluem alterações complexas em repositório, síntese de vários documentos, planejamento sob restrições conflitantes e investigações com diversas ferramentas. O argumento correto não é “este prompt é importante”, mas “a avaliação mostra que o nível menor não atende a um requisito mensurável”.

A OpenAI oferece vários níveis de esforço de raciocínio em Sol. Esforço maior pode ajudar trabalho difícil, mas tende a aumentar latência e tokens de raciocínio. Trate esforço como parâmetro testado, não como máximo permanente. Uma tarefa bem delimitada em esforço médio pode superar uma tarefa vaga em máximo no custo e no tempo de conclusão.

A escada de decisão da Modalis

1. Defina o aceite. JSON válido, citações corretas, testes de código ou aprovação do revisor são exemplos.
2. Comece por Luna. Mantenha prompt, anexos e limite de saída estáveis.
3. Desafie com Terra. Suba apenas se os resultados aceitos ou o tempo economizado justificarem o custo.
4. Reserve Sol para a cauda difícil. Encaminhe casos complexos ou falhos em vez de tornar o flagship um padrão sem análise.
5. Teste novamente após mudanças. Comportamento e preço do provedor são entradas versionadas da decisão.

Para o contexto do portfólio, retome o guia de lançamento dos cinco modelos; para comparar o efeito financeiro, consulte o guia de custos, tokens e créditos.