Razonamiento en 2026: De ninguno a máximo, más modos pro y ultra
En esta página
Estado a 5 de noviembre de 2026. La familia GPT-6 mantiene estos niveles, pero
nonesolo lo aceptan GPT-6.1 Terra, GPT-6 Sol y GPT-6 Luna. GPT-6 Astra y GPT-6.1 Sol comienzan enlow; enviar una solicitud connonea Astra devuelve un error HTTP 400. Desde el 3 de septiembre, también puedes cambiar el nivel de esfuerzo a mitad de la conversación sin perder la caché, utilizando un elementoconfiguration_update(Lección 9).
El esfuerzo de razonamiento configurable no empezó con GPT-5.6. Desde el lanzamiento de GPT-5 en 2025, los modelos de OpenAI han razonado más o menos según un parámetro, sustituyendo a la antigua serie o. Lo que cambia entre versiones son los valores aceptados y la configuración predeterminada. GPT-5.6 añadió el nivel max y el modo pro a la API, mientras que ChatGPT recibió la opción «ultra». Estos detalles importan: un cambio en el valor por defecto puede alterar la latencia de tu aplicación y tu factura sin que cambies ni una línea de código.
Los seis niveles de GPT-5.6
En los tres modelos GPT-5.6, el parámetro reasoning.effort acepta seis niveles. La guía de OpenAI describe sus casos de uso de la siguiente manera:
| Nivel | Caso de uso |
|---|---|
none | Tareas donde la latencia es crítica y el razonamiento no aporta valor: voz, búsqueda rápida de información, clasificación |
low | Razonamiento eficiente para una latencia ligeramente mayor: análisis de datos, redacción, código ejecutable, atención al cliente |
medium | Calidad y fiabilidad, planificación y juicio; el predeterminado para la mayoría de los casos de uso |
high | Razonamiento difícil, depuración compleja, planificación profunda, trabajo agentivo |
xhigh | Investigación profunda y tareas agentivas largas, solo si tus evaluaciones muestran una ganancia neta |
max | Razonamiento máximo para las tareas más complejas; compáralo con xhigh |
Estableces el nivel directamente en la llamada a la API. Aquí pedimos a Terra que depure una función con esfuerzo sostenido, porque un error lógico sutil merece algo más que una lectura superficial:
response = client.responses.create(
model="gpt-5.6-terra",
input="Find the logic error in this function and fix it.",
reasoning={"effort": "high"},
)
Si la misma aplicación reformula después un mensaje de confirmación (commit), nada te impide volver a low para la siguiente solicitud. Un enrutador también podría intentar un primer pase con medium, detectar una respuesta incierta y reintentar la misma solicitud con high en el mismo modelo y con el mismo prompt.
Los valores aceptados varían según el modelo
Las fichas técnicas de los modelos, registradas el 5 de noviembre de 2026, muestran cómo ha evolucionado este parámetro:
| Modelo | Valores aceptados | Predeterminado |
|---|---|---|
gpt-5 | minimal, low, medium, high | no especificado |
gpt-5.1 | none, low, medium, high | none |
gpt-5.4 | none a xhigh | none |
gpt-5.5 | none a xhigh | medium |
| GPT-5.6 Sol, Terra y Luna | none a max | medium |
gpt-6-astra | low a max | no especificado |
gpt-6.1-sol | low a max | medium |
gpt-6.1-terra, gpt-6-sol, gpt-6-luna | none a max | medium |
Dos trampas destacan en esta tabla. La primera concerne al valor predeterminado: gpt-5.1 y gpt-5.4 no razonaban si no especificabas nada, mientras que gpt-5.5, GPT-5.6 y los modelos GPT-6 listados comienzan en medium. Una aplicación que migre de gpt-5.4 a GPT-5.6 sin establecer el esfuerzo comenzará de repente a razonar, incurriendo en mayor latencia y más tokens facturados. La guía de migración a GPT-6 resume esto en una regla: preserva tu esfuerzo efectivo cuando el nuevo modelo lo acepte y escríbelo explícitamente. La segunda trampa implica valores faltantes: minimal no existe ni en GPT-5.6 ni en GPT-6 (empieza con low en su lugar), y none es rechazado por GPT-6 Astra y GPT-6.1 Sol.
Modo pro: Más trabajo, misma tarifa por token
GPT-5.6 introdujo una segunda configuración independiente: reasoning.mode, que por defecto es standard o puede establecerse en pro. En modo pro, el modelo realiza más trabajo antes de responder, lo cual es adecuado para tareas difíciles que toleran una mayor latencia. Los tokens se facturan a la tarifa estándar del modelo, pero como se utilizan más tokens, el coste total aumenta. Este modo sustituye a los antiguos modelos «pro»: la página de obsolescencias recomienda gpt-5.6-sol en modo pro en lugar de o3-pro y gpt-5-pro.
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "medium", "mode": "pro"},
input="Review this disaster recovery plan and flag any single points of failure.",
)
Máximo y ultra: Yendo más allá
El nivel max da al modelo aún más tiempo que xhigh para razonar, explorar vías alternativas, verificar y revisar su enfoque. Existe tanto en la API como en ChatGPT Work y Codex, donde lo activas en la configuración.
Ultra, sin embargo, cambia por completo el modo de ejecución. Según el anuncio del 9 de julio, coordina cuatro agentes en paralelo por defecto a través de flujos de trabajo simultáneos. OpenAI también demostró configuraciones con dieciséis agentes para evaluaciones específicas (BrowseComp, SEC-Bench Pro). La compensación es clara: mayor consumo de tokens a cambio de mejores resultados y un tiempo de finalización reducido en tareas pesadas. Ultra solo está disponible en productos: ChatGPT Work para planes Pro y Enterprise, y Codex empezando por Plus en el lanzamiento. No hay ningún valor ultra en la API; consigues un efecto comparable con la función multiagente de la API de Responses (en beta), que permite al modelo lanzar subagentes en paralelo dentro de una única solicitud. Reserva esto para trabajos que se puedan dividir en fragmentos independientes.
Un método para establecer el esfuerzo
No establezcas estos niveles basándote en la intuición. Toma una muestra representativa de tus solicitudes del mundo real, ejecútalas en medium y luego en high, compara la calidad, la latencia y el coste, y deja que los números decidan el valor predeterminado para cada tipo de tarea. Este es el mismo enfoque que debes adoptar con los benchmarks del editor: tus datos deciden, no las impresiones generales.
Tu turno
Encuentra el nivel adecuado para una tarea. Elige diez solicitudes representativas para una única tarea. Ejecútalas en low, medium y high, y registra la calidad (usando tu propia rúbrica), la latencia y el número de tokens de razonamiento mostrados en usage. Quédate con el nivel más bajo que te satisfaga en nueve de cada diez solicitudes y escríbelo explícitamente en tu código. Sin acceso a la API, realiza el mismo ejercicio en ChatGPT utilizando el selector de razonamiento en el modo Chat.
Fuentes oficiales: Modelos de razonamiento · Uso de GPT-6 · Multiagente · Obsolescencias (documentación de la API de OpenAI) · Anuncio de GPT-5.6 (OpenAI, 9 de julio de 2026)
Puntos clave
- El esfuerzo configurable se remonta a GPT-5; GPT-5.6 añadió el nivel
maxy el modopro - Los valores aceptados y los predeterminados varían según el modelo: especifica siempre el esfuerzo explícitamente
- El modo pro hace que el modelo trabaje más duro a la tarifa estándar por token; sustituye a
o3-proygpt-5-pro - Ultra, que por defecto utiliza cuatro agentes en paralelo, está reservado para ChatGPT Work y Codex; la API usa la beta multiagente
- Establece el esfuerzo basándote en tus evaluaciones, no en la intuición