Modelos GPT-5.6: Sol, Terra, Luna: cuándo usar cada uno
En esta página
Actualizado el 2 de noviembre de 2026.
o4-miniquedó obsoleto el 23 de octubre de 2026, yo3,o3-proy la familiagpt-5quedarán obsoletos el 11 de diciembre de 2026. La familia GPT-5.6 sigue disponible, pero OpenAI recomienda ahora la familia GPT-6 para nuevos proyectos:gpt-6-astra(el más capaz),gpt-6.1-sol,gpt-6.1-terraygpt-6-luna(véase ChatGPT en 2026: de GPT-5.6 a GPT-6, lección 9). Tanto GPT-5.6 como GPT-6 admiten un modo de razonamientopro(reasoning={"mode": "pro", "effort": "medium"}) para tareas difíciles. Fuentes: Obsolescencias · Modelos · Razonamiento.
Los modelos: elegir el adecuado para cada tarea
A fecha de 9 de julio de 2026, la familia GPT-5.6 está generalmente disponible: tres modelos, cada uno optimizado para un caso de uso distinto, con un nivel de razonamiento ajustable por solicitud. Elegir la combinación correcta de modelo + razonamiento es la decisión con mayor impacto en la calidad y el coste de tu aplicación: hay un factor de 25× entre el modelo más caro y el más económico, y un factor comparable separa las configuraciones de razonamiento extremas.
| Modelo | ID de API | Fortaleza | Precio ($/Mtok entrada / salida) | Caso de uso |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Buque insignia, el más capaz | $5 / $30 | Tareas complejas, razonamiento profundo, máxima calidad |
| GPT-5.6 Terra | gpt-5.6-terra | Equilibrado | $2 / $12 | Uso general, chatbots, generación de contenido |
| GPT-5.6 Luna | gpt-5.6-luna | Volumen, rápido, económico | $0.20 / $1.20 | Tareas simples, clasificación, extracción |
Los tres modelos aceptan texto e imágenes como entrada, son multilingües y se utilizan mediante la API de Responses. Para especificaciones detalladas (ventanas de contexto, límites), consulta la página oficial de modelos en platform.openai.com.
Terra: tu punto de partida predeterminado
Terra es el modelo que usarás con más frecuencia porque ofrece la mejor relación calidad-precio para la mayoría de las tareas: chatbots, generación de contenido, resúmenes, traducción y preguntas y respuestas generales. El enfoque correcto consiste en empezar con Terra, medir la calidad que obtienes y solo entonces pasar a Sol si el resultado no es suficientemente bueno, no al revés.
from openai import OpenAI
client = OpenAI()
# Uso general: Terra es perfecto
response = client.responses.create(
model="gpt-5.6-terra",
input="Escribe un correo profesional para solicitar una reunión."
)
print(response.output_text)
Sol cuando los errores son costosos
Sol es el modelo de mayor rendimiento de la familia. Resérvalo para situaciones en las que la máxima calidad es esencial: análisis de documentos de alto riesgo, tareas que se benefician de un razonamiento profundo o cualquier caso en el que un humano tendría que revisar línea por línea si el modelo cometiera un error. Analizar un informe anual para extraer los riesgos clave encaja exactamente en esta categoría: una omisión aquí tiene un coste que supera con creces los pocos céntimos ahorrados en la llamada a la API.
# Análisis exigente de documentos
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analiza este informe anual e identifica los 5 riesgos "
f"principales:\n\n{document}"
)
print(response.output_text)
Luna para volumen
Luna está optimizado para velocidad y coste, lo que lo hace ideal para el procesamiento repetitivo a gran escala: clasificación, extracción de datos, paráfrasis y prototipado rápido. El razonamiento de un modelo buque insignia no aporta valor al decidir si una reseña de cliente es positiva o negativa; sin embargo, en 100.000 reseñas, la diferencia de precio se convierte en la única variable que importa.
# Clasificación rápida de texto
texts = [
"¡Este producto es fantástico, lo recomiendo!",
"Entrega tardía, servicio de atención al cliente inexistente.",
"Bien, nada especial.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Clasifica el sentimiento (positivo/negativo/neutro): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Resultado:
# ¡Este producto es fantástico, lo recomiendo!... → Positivo
# Entrega tardía, servicio de atención al cliente inexistente.... → Negativo
# Bien, nada especial.... → Neutro
Razonamiento: un parámetro, no un modelo
Con la generación anterior (o3, o3-pro, o4-mini), el razonamiento estaba encarnado en modelos dedicados: cambiabas de modelo para obtener capacidades de razonamiento. Eso ya no es así. Cada modelo GPT-5.6 acepta un parámetro reasoning por solicitud, con seis niveles de esfuerzo: none, low, medium, high, xhigh, max.
# Problema de razonamiento complejo: Sol + esfuerzo alto
response = client.responses.create(
model="gpt-5.6-sol",
input="Un caracol está en el fondo de un pozo de 30 metros. "
"Cada día sube 3 metros, pero resbala 2 metros durante la noche. "
"¿Cuántos días tarda en salir? Explica tu razonamiento paso a paso.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Resultado detallado con razonamiento estructurado:
# Días 1 a 27: progreso neto de 1 m/día → 27 m
# Día 28: sube 3 m desde 27 m → alcanza 30 m y sale
# Respuesta: 28 días
El nivel none simplemente desactiva el razonamiento: la respuesta es inmediata y el coste mínimo, lo cual encaja con tareas mecánicas como la clasificación anterior. Los niveles medium y high cubren la mayoría de las tareas técnicas. Reserva xhigh y max para problemas genuinamente difíciles, teniendo en cuenta que el razonamiento interno consume tokens que se facturan como salida: en el acertijo del caracol, el pensamiento invisible puede pesar más que la respuesta mostrada. Un ajuste adicional, ultra, coordina 4 agentes en paralelo por defecto, hasta 16 en ciertas evaluaciones, para las tareas más pesadas, con un consumo de tokens significativamente mayor.
Si estás migrando código escrito para la generación anterior (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), aquí tienes los equivalentes:
o3→gpt-5.6-sol, yo3-pro→gpt-5.6-solconreasoning={"mode": "pro"}(sustitutos designados según la tabla oficial de obsolescencias; a continuación, estableceeffortenhigh,xhighomaxsegún la dificultad)o4-mini→gpt-5.6-terraconreasoningestablecido enmediumgpt-5.3/gpt-5.4(uso general) →gpt-5.6-terra- Tareas de alto volumen →
gpt-5.6-luna
Enrutamiento dinámico en producción
En producción, no tendrás un solo tipo de solicitud, sino muchos, y codificar rígidamente un único modelo implica要么 pagar de más por tareas simples o bien estropear las difíciles. El patrón de enrutador consiste en centralizar la decisión en una función, llamada antes de cada solicitud, que devuelve la configuración adecuada. Así podrás ajustarla sin tocar el resto de la aplicación.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Selecciona el modelo óptimo y el esfuerzo de razonamiento."""
if complexity == "high" and task in ["math", "code", "logic"]:
return {"model": "gpt-5.6-sol", "reasoning": {"effort": "high"}}
elif budget == "minimal" or complexity == "low":
return {"model": "gpt-5.6-luna", "reasoning": {"effort": "none"}}
elif task in ["diagnostic", "fine_classification"]:
return {"model": "gpt-5.6-terra", "reasoning": {"effort": "medium"}}
else:
return {"model": "gpt-5.6-terra", "reasoning": {"effort": "low"}}
# Uso
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="Tu pregunta aquí",
**config
)
Precios a fecha de 5 de agosto de 2026: los precios cambian con regularidad; antes de cualquier cálculo presupuestario, verifica la tarifa vigente en la página oficial de precios de OpenAI.
Puntos clave
- Terra es la opción predeterminada para la mayoría de las tareas ($2 / $12 por Mtok)
- Sol para máxima calidad y razonamiento profundo ($5 / $30); Luna para volumen ($0.20 / $1.20)
- El razonamiento es un parámetro por solicitud (
none→max, además deultra), no un modelo separado - Equivalentes de migración:
o3→ Sol;o3-pro→ Sol en modopro;o4-mini→ Terra medio; GPT-5.3/5.4 → Terra - En producción, enruta dinámicamente a la combinación adecuada de modelo + esfuerzo según el contexto