Skip to main content
OpenAI amplió la línea GPT-6 con dos modelos para el trabajo de todos los días: GPT-6 Sol y GPT-6 Luna. Los dos se entrenaron con métodos similares a los de GPT-6 Astra y llevan ese avance a coding, automatización, uso de computadora y trabajo profesional. Astra sigue siendo el modelo de OpenAI para el trabajo más exigente. Sol cubre tareas profesionales difíciles. Luna es el modelo para alto volumen y tareas enfocadas. Las tools nativas de OpenAI, como web search, code interpreter, computer use y MCP, entran por la Responses API.

​
Qué cambia respecto a GPT-5.6

OpenAI también llevó a Sol y Luna el estilo de comunicación de Astra: menos jerga, menos detalle de bajo valor y respuestas un poco más cortas, sobre todo en conversaciones técnicas.

​
Qué muestran los benchmarks

Los números siguientes salen del anuncio de OpenAI. El nivel entre paréntesis es el usado en la medición. En la evaluación interna de factualidad de OpenAI, Sol se equivoca cerca de la mitad de lo que se equivocaba su antecesor. Luna, en los niveles más altos, se acerca a GPT-5.6 Sol.
Estos resultados fueron publicados por OpenAI y dependen del harness, las tools y el nivel usado en la medición. La comparación con Fable 5.1 en AutomationBench no incluye el fallback a Opus 5, que ocurrió en cerca del 40% de las tareas. Valida el modelo en tu propio flujo antes de cambiar una configuración en producción.

​
Dónde Astra sigue adelante

Sol y Luna no sustituyen a Astra en el trabajo más difícil. OpenAI mantiene a Astra como el mejor modelo de la familia, incluso en uso de computadora. Usa Sol o Luna cuando Astra es más de lo que la tarea necesita.

​
Dónde cada uno genera más valor

​
Sol, cuando la tarea es difícil y todavía va a iterar

Coding de varios archivos, automatización entre aplicaciones y análisis profesional que el equipo va a revisar y ajustar. Resultado esperado: un cambio o un análisis revisable, con una verificación explícita de lo que se comprobó.

​
Luna, cuando el volumen es el problema

Clasificación, extracción, triaje y agentes que repiten el mismo tipo de tarea todo el día. En los niveles más altos, OpenAI posiciona a Luna cerca de modelos más grandes en coding y uso de computadora. Resultado esperado: la misma operación, a escala.

​
Cache, cuando el agente reutiliza el mismo contexto

Las sesiones largas y los agentes que reenvían instrucciones, archivos e historial reaprovechan más el prefijo. Se pueden cambiar las tools a mitad de la conversación sin perder lo ya procesado. Resultado esperado: respuestas más rápidas en sesiones que repiten el mismo contexto.

​
Cómo aplicarlo en Tess

1

Elige el modelo según el trabajo

Luna para volumen y tareas enfocadas. Sol para coding y flujos profesionales difíciles. Astra cuando la calidad de Sol todavía no cierra el entregable.
2

Entrega contexto y limita las tools

Adjunta solo el material necesario y habilita las herramientas que la tarea realmente usa. Pide confirmación antes de publicar, enviar o cambiar producción.
3

Pide la verificación antes de concluir

Indica al agente que compruebe tests, fuentes y números, y que diga lo que no verificó.

​
Dos playbooks para empezar

​
1. Un cambio de código con Sol

Entrada: repositorio, comportamiento esperado y comandos de test.
Listo cuando: el cambio está en el repositorio y los tests relevantes pasan.

​
2. Triaje de alto volumen con Luna

Entrada: una cola de ítems, el criterio de clasificación y el formato de salida.
Listo cuando: cada ítem tiene una etiqueta rastreable y los casos ambiguos quedan separados para revisión humana.

​
Limitaciones

  • Un contexto de 1,05M tokens no sustituye la selección. Envía solo el material relevante.
  • Las tools nativas de OpenAI entran por la Responses API.
  • Sol y Luna todavía no están en el Chat de OpenAI. En la API, los IDs son gpt-6-sol y gpt-6-luna.
  • Revisa código, números y citas antes de publicar. Mantén aprobación humana en acciones irreversibles.
Ver también: Modelos y Costos · GPT-6 Astra · Introducing GPT-6 Sol and Luna · GPT-6 Sol · GPT-6 Luna.