Modelos GPT-5.6: Sol, Terra, Luna — Quando Utilizar Cada Um
Nesta página
Atualizado a 2 de novembro de 2026. O
o4-minifoi descontinuado a 23 de outubro de 2026, e a famíliao3,o3-proegpt-5será descontinuada a 11 de dezembro de 2026. A família GPT-5.6 permanece disponível, mas a OpenAI recomenda agora a família GPT-6 para novos projetos:gpt-6-astra(mais capaz),gpt-6.1-sol,gpt-6.1-terraegpt-6-luna(consulte ChatGPT em 2026: Do GPT-5.6 ao GPT-6, Lição 9). Tanto o GPT-5.6 como o GPT-6 suportam um modo de raciocíniopro(reasoning={"mode": "pro", "effort": "medium"}) para tarefas difíceis. Fontes: Descontinuações · Modelos · Raciocínio.
Os Modelos: Escolher o Certo para Cada Tarefa
Desde 9 de julho de 2026, a família GPT-5.6 está geralmente disponível: três modelos, cada um otimizado para um caso de uso diferente, com um nível de raciocínio ajustável por pedido. Escolher a combinação correta de modelo e raciocínio é a decisão com maior impacto na qualidade e no custo da sua aplicação — existe um fator de 25x entre o modelo mais caro e o mais económico, e um fator comparável separa as configurações de raciocínio extremas.
| Modelo | ID da API | Ponto Forte | Preço ($/MTok entrada / saída) | Caso de Uso |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Principal, mais capaz | $5 / $30 | Tarefas complexas, raciocínio profundo, qualidade máxima |
| GPT-5.6 Terra | gpt-5.6-terra | Equilibrado | $2 / $12 | Uso geral, chatbots, geração de conteúdo |
| GPT-5.6 Luna | gpt-5.6-luna | Volume, rápido, económico | $0.20 / $1.20 | Tarefas simples, classificação, extração |
Todos os três modelos aceitam texto e imagens como entrada, são multilingues e são utilizados através da API de Respostas (Responses API). Para especificações detalhadas (janelas de contexto, limites), consulte a página oficial de modelos em platform.openai.com.
Terra: O Seu Ponto de Partida Padrão
O Terra é o modelo que utilizará com mais frequência, pois oferece a melhor relação qualidade-preço para a maioria das tarefas: chatbots, geração de conteúdo, resumos, tradução e perguntas e respostas gerais. A abordagem correta consiste em começar com o Terra, medir a qualidade obtida e só depois mudar para o Sol se o resultado não for suficientemente bom — e não o contrário.
from openai import OpenAI
client = OpenAI()
# Uso geral — o Terra é perfeito
response = client.responses.create(
model="gpt-5.6-terra",
input="Escreva um e-mail profissional para solicitar uma reunião."
)
print(response.output_text)
Sol Quando os Erros São Custosos
O Sol é o modelo de melhor desempenho da família. Reserve-o para situações em que a qualidade máxima é essencial: análise de documentos de alto risco, tarefas que beneficiam de raciocínio profundo ou qualquer coisa que um humano teria de rever linha por linha se o modelo cometesse um erro. Analisar um relatório anual para extrair riscos-chave enquadra-se exatamente nesta categoria — uma omissão aqui tem um custo que supera largamente os poucos cêntimos poupados na chamada à API.
# Análise documental exigente
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analise este relatório anual e identifique os 5 principais "
f"riscos:\n\n{document}"
)
print(response.output_text)
Luna para Volume
O Luna é otimizado para velocidade e custo, tornando-o ideal para processamento repetitivo em larga escala: classificação, extração de dados, paráfrase e prototipagem rápida. O raciocínio de um modelo principal não acrescenta valor ao decidir se uma avaliação de cliente é positiva ou negativa; no entanto, em 100.000 avaliações, a diferença de preço torna-se a única variável que importa.
# Classificação rápida de texto
texts = [
"Este produto é fantástico, recomendo-o!",
"Entrega atrasada, serviço de cliente inexistente.",
"Okay, nada de especial.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Classifique o sentimento (positivo/negativo/neutro): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Resultado:
# Este produto é fantástico, recomendo-o!... → Positivo
# Entrega atrasada, serviço de cliente inexistente.... → Negativo
# Okay, nada de especial.... → Neutro
Raciocínio: Um Parâmetro, Não um Modelo
Com a geração anterior (o3, o3-pro, o4-mini), o raciocínio era incorporado por modelos dedicados: mudava-se de modelo para obter capacidades de raciocínio. Isso já não acontece. Cada modelo GPT-5.6 aceita um parâmetro reasoning por pedido, com seis níveis de esforço — none, low, medium, high, xhigh, max.
# Problema de raciocínio complexo: Sol + esforço elevado
response = client.responses.create(
model="gpt-5.6-sol",
input="Um caracol está no fundo de um poço de 30 metros. "
"Cada dia, sobe 3 metros mas escorrega 2 metros "
"durante a noite. Quantos dias demora a sair? "
"Explique o seu raciocínio passo a passo.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Resultado detalhado com raciocínio estruturado:
# Dias 1 a 27: progresso líquido de 1m/dia → 27m
# Dia 28: sobe 3m a partir de 27m → atinge 30m e sai
# Resposta: 28 dias
O nível none simplesmente desativa o raciocínio: a resposta é imediata e o custo mínimo, o que se adequa a tarefas mecânicas como a classificação acima. Os níveis medium e high cobrem a maioria das tarefas técnicas. Guarde xhigh e max para problemas genuinamente difíceis, sabendo que o raciocínio interno consome tokens faturados como saída: no enigma do caracol, o pensamento invisível pode pesar mais do que a resposta exibida. Uma configuração adicional, ultra, coordena 4 agentes em paralelo por padrão, até 16 em certas avaliações, para as tarefas mais pesadas — com um consumo de tokens significativamente maior.
Se estiver a migrar código escrito para a geração anterior (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), eis as equivalências:
o3→gpt-5.6-sol, eo3-pro→gpt-5.6-solcomreasoning={"mode": "pro"}(substitutos designados conforme a tabela oficial de descontinuação; defina depoiseffortparahigh,xhighoumaxconsoante a dificuldade)o4-mini→gpt-5.6-terracomreasoningdefinido comomediumgpt-5.3/gpt-5.4(uso geral) →gpt-5.6-terra- Tarefas de alto volume →
gpt-5.6-luna
Roteamento Dinâmico em Produção
Em produção, não terá apenas um tipo de pedido, mas muitos, e codificar rigidamente um único modelo significa ou pagar a mais por tarefas simples ou falhar nas difíceis. O padrão de roteador (router) envolve centralizar a decisão numa função, chamada antes de cada pedido, que devolve a configuração adequada. Poderá assim ajustá-la sem tocar no resto da aplicação.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Seleciona o modelo e o esforço de raciocínio ótimos."""
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"}}
# Utilização
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="A sua pergunta aqui",
**config
)
Preços a partir de 5 de agosto de 2026 — os preços mudam regularmente: antes de qualquer cálculo orçamental, verifique a tabela de preços atual na página oficial de preços da OpenAI.
Pontos-chave
- Terra é a escolha padrão para a maioria das tarefas ($2 / $12 por MTok)
- Sol para qualidade máxima e raciocínio profundo ($5 / $30); Luna para volume ($0.20 / $1.20)
- O raciocínio é um parâmetro por pedido (
none→max, maisultra), não um modelo separado - Equivalências de migração: o3 → Sol; o3-pro → Sol em modo
pro; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - Em produção, roteie dinamicamente para a combinação modelo + esforço certa com base no contexto