Sol Terra Luna especificaciones y parámetros

Curso de GPT-5.6

Contenido del curso

No sé dónde empezar

Elegir modelo y modo de razonamiento correcto

Promptear GPT-5.6 según la doctrina oficial

Contexto largo caching y cálculo de costos

Decisión entre proveedores y migración segura

Disciplina epistémica riesgos y limitaciones reales

10
Verificación de datos riesgos y limitaciones reales
06:55 min

Cursos Empresas Blog Live Conf Eventos Precios

0:006:07

Sol Terra Luna especificaciones y parámetros

Curso de GPT-5.6

Clase 1 de 10

Clase 1 / 10

Obtén respuestas inmediatas¿Dudas?Profundiza lo que acabas de ver

Recursos

OpenAI lanzó el 9 de julio de 2026 una familia de tres modelos bajo el paraguas de GPT-5.6: Sol, Terra y Luna. No es un solo modelo con variantes cosméticas, son tres motores con tradeoffs explícitos entre capacidad, costo y latencia. Elegir mal puede costarte entre 2 y 12 veces más de lo necesario, o dejarte con un modelo que colapsa justo donde lo necesitas.

¿Qué diferencia hay entre Sol, Terra y Luna?

Cada modelo está pensado para un perfil de carga distinto. Los nombres suenan a sistema solar, pero la lógica es muy práctica: uno es la frontera, otro es el default racional y el tercero es el caballo de batalla barato.

¿Cuándo usar Sol para tareas complejas?

Sol es la frontera. Está diseñado para coding avanzado, investigación de seguridad y tareas autónomas largas con subagentes. Piensa en él como el mecánico especialista: caro, lento, pero cuando la tarea genuinamente requiere razonamiento profundo, nada más lo reemplaza [00:30].

El precio: 5 dólares por millón de tokens de input y 30 de output. En la evaluación independiente de Artificial Analysis, Sol obtuvo 80.0 en el Coding Agent Index, superando a Claude Fable 5 por 2.8 puntos. En retrieval de contexto largo alcanza 91.5% de accuracy entre 256 mil y 512 mil tokens [01:03].

Ojo con la narrativa oficial. OpenAI dice que Sol alucina menos que GPT-5.5, pero Artificial Analysis midió lo contrario. Tests independientes también detectaron que a veces sobreingeniera soluciones y añade código innecesario. No todo lo que dice el vendedor resiste escrutinio externo.

¿Qué es GPT-5.6? Es una familia de tres modelos de OpenAI (Sol, Terra y Luna) lanzada el 9 de julio de 2026, cada uno con distinto balance de capacidad, costo y latencia.

¿Por qué Terra es el default racional?

Terra ocupa el medio: 2.50 dólares de input y 15 de output. OpenAI lo presenta como rendimiento nivel GPT-5.5 a mitad de precio [01:41].

Hay un matiz importante. CodeRabbit encontró que Terra consume 2.65 veces más tokens que Sol para completar las mismas tareas, lo cual puede cancelar la ventaja de costo. Aun así, para procesar documentos largos puntúa apenas 2 a 3 puntos por debajo de Sol en la mayoría de benchmarks. Es el default racional cuando el presupuesto importa.

¿Para qué tareas conviene Luna?

Luna es el modelo rápido y barato: 1 dólar de input y 6 de output. Ideal para resúmenes, borradores y automatización rutinaria. Su rate limit en Tier 5 es brutal: 30 mil requests por minuto y 180 millones de tokens por minuto, versus 15 mil y 40 millones para Sol y Terra [02:20].

El tradeoff es severo. En tests de retrieval multi-needle, Luna obtiene solo 41.3% de accuracy donde Sol alcanza 91.5%. Vellum lo dice explícito: para contexto largo, Luna es la herramienta equivocada.

¿Qué comparten los tres modelos?

Antes de pasar a los parámetros nuevos, vale la pena fijar lo común. Los tres comparten:

Ventana de contexto de 1.05 millones de tokens.
Output máximo de 128 mil tokens.
Input de texto e imágenes, output solo texto.
Sin audio, sin video, sin fine-tuning disponible.

¿Cómo cambian los parámetros nuevos de la API?

Esto no es cosmético. Imagina que antes conducías un auto donde el único control era el volante, y ahora te dieron pedales, palanca de cambios y control de tracción. Los parámetros nuevos reemplazan cosas que antes escribías como instrucciones dentro del prompt [03:11].

¿Qué controla reasoning.effort?

La escala ahora va de none hasta max, pasando por low, medium, high y xhigh. Un benchmark independiente mostró un rango de aproximadamente 68x en costo dentro de la misma familia. El default es medium.

Si venías usando xhigh en GPT-5.5, no lo migres directo: 5.6 es más eficiente y a menudo iguala calidad un nivel por debajo.

¿Debo migrar mis prompts de GPT-5.5 a 5.6 con el mismo effort? No. Baja un nivel el reasoning effort y compara resultados. Vas a ahorrar sin perder calidad en la mayoría de casos.

¿Qué hace text.verbosity?

Acepta low, medium o high. Reemplaza la instrucción genérica de sé breve en el prompt, que ahora puede recortar información necesaria porque el modelo ya es más conciso por defecto.

¿Cómo funciona prompt_cache_options?

El TTL es fijo: 30 minutos. Los cache writes cuestan 1.25x el precio normal de input. Los cache reads mantienen 90% de descuento. Bien usado, cambia por completo la economía de sistemas con prompts largos y repetitivos.

¿Qué pasa con los rate limits en producción?

Esta parte casi no se comenta. Tier 1 está confirmado: 500 requests por minuto y 500 mil tokens por minuto para los tres modelos [04:24].

Consecuencia inmediata: con ese ceiling, no puedes enviar ni una sola request que use la ventana completa de 1.05 millones de tokens. La ventana existe en papel, pero el rate limit la hace inalcanzable en ese tier.

Tier 5 también está documentado. Pero Tiers 2, 3 y 4, donde opera la mayoría de equipos en producción, simplemente no aparecen en la documentación. Es un espacio en blanco. Si tu equipo está en Tier 3, ¿puedes planificar tu arquitectura con confianza? No. El principio entonces es diseñar como si los límites fueran más restrictivos de lo que esperas.

¿Puedo usar la ventana de 1M de tokens en Tier 1? No. El rate limit de 500 mil tokens por minuto te impide enviar una sola request que consuma la ventana completa.

¿Cuándo se dispara el precio de una request?

Hay una restricción de diseño que afecta a los tres modelos. Si tu input excede 272 mil tokens, toda la request se factura al doble de input y 1.5x de output [05:13].

No solo los tokens extra. Toda la petición. Es como un estacionamiento que cobra tarifa nocturna completa en el momento en que cruzas la medianoche, no solo por los minutos extras. Diseña tus chunks pensando en ese umbral.

Ya tienes el mapa técnico: tres modelos con perfiles claros, parámetros nuevos que reemplazan prácticas del prompt, un cliff de precio en 272 mil tokens y huecos documentales en los tiers intermedios. En la siguiente clase resolvemos la selección de modelo por escenario de producción, cruzando capacidad, latencia y costo con tres workloads reales. ¿Qué escenario te está costando más hoy? Cuéntamelo en los comentarios.