GPT-5.6 Sol explicado: características, precios, benchmarks y comparación con GPT-5.5

OpenAI lanzó GPT-5.6 con disponibilidad general el 9 de julio de 2026. La familia incluye tres modelos: GPT-5.6 Sol, el nivel insignia; GPT-5.6 Terra, un modelo equilibrado de menor costo; y GPT-5.6 Luna, la opción más rápida y económica.

Lo relevante no es simplemente que Sol sea más nuevo que GPT-5.5. GPT-5.6 introduce una estructura de familia de modelos diferente, un uso del ordenador más sólido, mejores resultados en programación y trabajo profesional, un nuevo nivel de razonamiento max, un modo pro independiente, ejecución multiagente, llamadas a herramientas mediante código y un almacenamiento en caché de prompts más predecible.

Algunos de esos cambios se malinterpretan con facilidad. max, pro y ultra no son tres nombres para lo mismo. Sol, Terra y Luna son modelos. max es un ajuste de esfuerzo de razonamiento. pro es un modo de mayor cómputo. ultra es una configuración multiagente disponible en determinados productos de OpenAI. Esta guía separa esos conceptos, verifica las cifras publicadas y explica qué cambia GPT-5.6 Sol para los usuarios de ChatGPT, los desarrolladores y los equipos que construyen sistemas de IA en producción.

¿Qué es GPT-5.6 Sol?

GPT-5.6 Sol es el modelo de frontera de la familia GPT-5.6. OpenAI lo describe como un modelo para trabajo profesional complejo y lo posiciona como el equivalente más cercano al nivel insignia sin sufijo empleado en generaciones anteriores de GPT-5. Los principales identificadores de la API son:

gpt-5.6-sol
gpt-5.6

El alias más corto gpt-5.6 dirige las solicitudes a GPT-5.6 Sol en el momento de la publicación. Los desarrolladores que necesiten un comportamiento estable deberían revisar las opciones de snapshot y las prácticas de lanzamiento de OpenAI en lugar de dar por hecho que un alias permanecerá siempre sin cambios.

Sol acepta entradas de texto e imagen y produce salida de texto. Admite streaming, llamadas a funciones y salidas estructuradas. A través de la Responses API puede usar búsqueda web, búsqueda de archivos, generación de imágenes, Code Interpreter, shell alojado, Apply Patch, skills, uso del ordenador, MCP y búsqueda de herramientas. No se admite el ajuste fino.

Especificación técnica de GPT-5.6 Sol

Una ventana de contexto de un millón de tokens es útil, pero no debe interpretarse como una garantía de que el modelo recordará cada detalle igual de bien desde cualquier posición de un prompt muy extenso. Las propias evaluaciones de contexto largo de OpenAI muestran que el rendimiento varía según el benchmark y la longitud del contexto.

Sol, Terra y Luna: la familia GPT-5.6

GPT-5.6 introduce niveles de capacidad duraderos en lugar de tratar cada tamaño de modelo como un sufijo temporal.

La columna de "uso práctico" es una recomendación de implementación, no una garantía contractual de OpenAI. Todo sistema en producción debería evaluar los modelos con sus propios datos, prompts, herramientas y costos de error. Los tres modelos comparten actualmente la misma ventana de contexto, el mismo límite de salida y el mismo corte de conocimiento. Las diferencias principales son la capacidad, la velocidad, el comportamiento de razonamiento y el precio.

GPT-5.6 Sol frente a GPT-5.5

GPT-5.6 Sol y GPT-5.5 tienen el mismo precio de token estándar, la misma ventana de contexto de 1,050,000 tokens y la misma salida máxima de 128,000 tokens. Por tanto, la actualización no consiste principalmente en pagar más por una ventana de contexto mayor. Se trata de una mayor tasa de finalización de tareas, un conocimiento del modelo más reciente, un mayor control del razonamiento, una mejor orquestación de herramientas y mejores resultados en varias categorías de trabajo profesional.

El precio estándar por token no cambia, pero el costo total de una tarea completada sí puede variar. Un modelo que usa menos tokens, requiere menos reintentos o completa una parte mayor del flujo de trabajo sin corrección humana puede resultar más económico en conjunto. También es posible lo contrario cuando un ajuste de razonamiento más alto o un modo multiagente consume bastante más cómputo.

Qué muestran los benchmarks de GPT-5.6

OpenAI publicó una amplia tabla de benchmarks que abarca trabajo profesional, programación, ciencia, uso del ordenador, ciberseguridad, razonamiento multimodal, contexto largo y otras áreas. La tabla siguiente compara resultados seleccionados de GPT-5.6 Sol y GPT-5.5. La diferencia se mide en puntos porcentuales cuando ambos resultados son porcentajes.

* La tabla detallada de benchmarks de OpenAI indica 52.7% para GPT-5.6 Sol en Agents' Last Exam, mientras que la sección narrativa del mismo artículo de lanzamiento menciona 53.6. Este artículo utiliza la tabla comparativa detallada para el cálculo de Sol frente a GPT-5.5 y deja constancia de la discrepancia en lugar de presentar cualquiera de las dos cifras como inequívoca.

Programación

GPT-5.6 Sol obtuvo un 88.8% en Terminal-Bench 2.1 frente al 85.6% de GPT-5.5. Obtuvo un 72.7% en DeepSWE v1.1 frente al 67.0% de GPT-5.5. OpenAI también informa una puntuación de 80 en el Artificial Analysis Coding Agent Index para Sol con razonamiento max. Estos resultados respaldan la afirmación de que Sol es, en conjunto, un modelo más sólido para programación e ingeniería agéntica, pero un resultado de benchmark no garantiza que vaya a superar a GPT-5.5 en cada repositorio, framework o estilo de programación.

La evaluación en producción debería incluir aquello que los benchmarks públicos de programación no pueden representar del todo: el éxito en la base de código real del equipo; la corrección de las ediciones en varios archivos; la tasa de aprobación de pruebas; la tasa de regresión; el número de llamadas a herramientas; el tiempo hasta la finalización; el esfuerzo de revisión; y el costo total de tokens e infraestructura.

Navegación y uso del ordenador

Las mayores mejoras visibles aparecen en los flujos de trabajo de uso del ordenador y de navegación. Sol obtuvo un 62.6% en OSWorld 2.0 frente al 47.5% de GPT-5.5. En BrowseComp, el Sol estándar obtuvo un 90.4% frente al 84.4% de GPT-5.5.

El artículo de lanzamiento también informa un 92.2% en BrowseComp para Sol Ultra. Esa cifra más alta corresponde a la configuración multiagente, no al resultado estándar de Sol con un solo agente. Esta distinción importa: una mejora de benchmark producida por agentes en paralelo puede implicar un mayor uso total de tokens y una arquitectura de ejecución distinta, y no debería presentarse como la puntuación predeterminada del modelo base.

Ciencia y ciberseguridad

GPT-5.6 Sol obtuvo un 28.7% en GeneBench Pro frente al 12.0% de GPT-5.5. En SEC-Bench Pro obtuvo un 71.2% frente al 45.8%. OpenAI también informa un 73.5% para Sol en ExploitBench frente al 47.9% de GPT-5.5. Son mejoras notables, pero no significan que el modelo pueda realizar de forma fiable cualquier tarea científica o de ciberseguridad.

La system card de OpenAI clasifica a Sol, Terra y Luna con capacidad Alta tanto en ciberseguridad como en riesgo biológico y químico, y aclara que no alcanzan el umbral Crítico. El informe también indica que Sol y Terra pudieron identificar vulnerabilidades y fragmentos de exploits en las pruebas, pero no completaron de forma autónoma ataques de principio a fin contra objetivos reforzados en las condiciones evaluadas.

Razonamiento multimodal

En MMMU Pro con herramientas, Sol obtuvo un 84.6% frente al 83.2% de GPT-5.5. La mejora es real, pero menor que las registradas en OSWorld, GeneBench Pro o SEC-Bench Pro. Es un recordatorio útil de que "mejor modelo" no significa "drásticamente mejor en todas las categorías".

Contexto largo

Los resultados en contexto largo son dispares. En OpenAI MRCR v2, con ocho elementos relevantes situados dentro de un contexto de 256K a 512K, Sol obtuvo un 91.5% frente al 81.5% de GPT-5.5. En el rango de 512K a 1M, Sol obtuvo un 73.8% y GPT-5.5 un 74.0%. La diferencia es de solo 0.2 puntos porcentuales, pero GPT-5.5 va técnicamente por delante en ese resultado publicado en concreto.

Otra evaluación de contexto largo, GraphWalks BFS con un millón de tokens, favorece a Sol con más claridad: 77.1% frente al 45.4% de GPT-5.5. La conclusión no es que un benchmark sea "correcto" y el otro "incorrecto". Ponen a prueba comportamientos distintos. La fiabilidad en contexto largo depende de la tarea, la distribución de la información, la estructura del prompt y lo que el modelo debe hacer con los detalles recuperados.

max, pro y ultra son cosas distintas

El lanzamiento de GPT-5.6 introduce varios controles de capacidad. No deben tratarse como nombres de producto intercambiables.

max es un ajuste de esfuerzo de razonamiento

GPT-5.6 admite seis niveles de esfuerzo de razonamiento: none, low, medium, high, xhigh y max. max da al modelo más margen para explorar alternativas, ejecutar comprobaciones y revisar su enfoque. OpenAI recomienda reservarlo para las cargas de trabajo más difíciles en las que prima la calidad y compararlo con xhigh para medir el equilibrio entre calidad, latencia y costo. Más razonamiento no es automáticamente mejor: una simple solicitud de extracción o de enrutamiento puede volverse más lenta y cara sin una mejora de calidad apreciable.

pro es un modo de mayor cómputo

En la API, Pro no es un slug de modelo gpt-5.6-pro independiente. Los desarrolladores mantienen el modelo GPT-5.6 seleccionado y establecen:

{
  "reasoning": {
    "mode": "pro"
  }
}

El esfuerzo de razonamiento puede elegirse de forma independiente. OpenAI señala que el modo Pro realiza más trabajo del modelo para mejorar la fiabilidad en tareas difíciles y devuelve una única respuesta final. Está pensado para situaciones en las que la calidad importa más que la latencia y el consumo de tokens. En ChatGPT, el selector de modelos presenta Pro como GPT-5.6 Sol Pro para tareas difíciles y flujos de trabajo de mayor duración.

ultra es una configuración multiagente

ultra no es un modelo base independiente. OpenAI lo describe como un ajuste que coordina varios agentes en flujos de trabajo paralelos. La configuración publicada por defecto usa cuatro agentes. Las notas de evaluación de OpenAI indican que la medición de latencia procede del agente raíz, mientras que las cifras totales de tokens y de costo de la API incluyen a todos los agentes.

Ultra puede ser útil cuando una tarea se divide con claridad en flujos de trabajo independientes, como investigar varias fuentes en paralelo, revisar partes separadas de un repositorio grande, comparar varias estrategias de implementación, dividir un informe en secciones analíticas independientes o ejecutar pasadas de verificación por separado. Resulta menos útil cuando cada paso depende estrechamente del anterior o cuando la tarea es demasiado pequeña para justificar la sobrecarga de orquestación. En la API, los desarrolladores pueden crear experiencias similares con la beta multiagente de la Responses API.

Programmatic Tool Calling

Programmatic Tool Calling es uno de los cambios más importantes de GPT-5.6 para los desarrolladores. En lugar de devolver cada resultado de herramienta al modelo y pedirle que decida el siguiente paso, GPT-5.6 puede escribir JavaScript que llama a las herramientas elegibles, pasa datos entre llamadas y procesa resultados intermedios en un entorno de ejecución alojado. Un agente con muchas herramientas podría, por ejemplo:

1. consultar una fuente de datos de forma repetida;
2. filtrar registros irrelevantes mediante código;
3. calcular totales intermedios;
4. conservar solo la evidencia necesaria para la respuesta final;
5. devolver un resultado más reducido al modelo principal.

Esto puede reducir los viajes de ida y vuelta al modelo y evitar llenar la ventana de contexto con salidas intermedias que el modelo no necesita inspeccionar directamente. OpenAI afirma que Programmatic Tool Calling es compatible con Zero Data Retention y no añade un cargo de contenedor aparte por la función en sí. Pueden seguir aplicándose otras tarifas específicas de herramientas y cargos por tokens.

El almacenamiento en caché de prompts ha cambiado

GPT-5.6 introduce puntos de interrupción de caché explícitos y una vida útil mínima de la caché de 30 minutos. Los desarrolladores pueden marcar prefijos de prompt reutilizables en lugar de depender únicamente de la selección automática de la caché. Las lecturas de caché reciben un descuento del 90% frente a la entrada sin caché, pero las escrituras de caché se facturan a 1.25 veces la tarifa de entrada sin caché. Para Sol con la tarifa estándar de contexto corto:

El almacenamiento en caché solo aporta valor cuando es probable que un prefijo se reutilice. Escribir un prefijo grande en la caché y no volver a leerlo nunca puede costar más que procesarlo con normalidad. Una estrategia de caché sensata coloca primero el contenido estable y después el contenido dinámico específico de cada usuario. Las aplicaciones deberían monitorizar tanto cached_tokens como cache_write_tokens en lugar de suponer que la caché siempre reduce la factura.

Precios de la API de GPT-5.6 Sol

Los precios estándar de contexto corto son:

Estas cifras no incluyen cargos aparte por herramientas, contenedores, procesamiento regional, procesamiento prioritario y otros servicios.

Ejemplo de costo de una solicitud

Consideremos una solicitud que usa 100,000 tokens de entrada, 10,000 tokens de salida, sin caché y sin herramientas facturadas por separado. El costo aproximado de los tokens es:

Este ejemplo muestra por qué una estrategia de enrutamiento de modelos puede importar a escala. Para unas pocas tareas difíciles, la diferencia puede ser insignificante frente al trabajo humano. A lo largo de millones de solicitudes, puede dominar el presupuesto operativo.

Precios de contexto largo por encima de 272K tokens de entrada

Los prompts con más de 272,000 tokens de entrada utilizan precios más altos para toda la solicitud. Para el procesamiento estándar:

El umbral crea un fuerte incentivo para recuperar solo el material relevante, comprimir el contexto antiguo y evitar enviar repositorios enteros o colecciones de documentos cuando la tarea solo necesita un subconjunto.

GPT-5.6 en ChatGPT

GPT-5.6 Sol no reemplaza a GPT-5.5 Instant como modelo predeterminado para las conversaciones cotidianas de ChatGPT. El Help Center actual de OpenAI asigna las opciones de razonamiento de la siguiente manera:

• Instant usa GPT-5.5 Instant;
• Medium usa GPT-5.6 Sol;
• High usa GPT-5.6 Sol;
• Extra High usa GPT-5.6 Sol;
• Pro usa GPT-5.6 Sol Pro.

Disponibilidad en las conversaciones estándar de ChatGPT

* El Help Center actual, específico por plan, incluye Pro para Business. El artículo de lanzamiento general indica que los usuarios de Pro y Enterprise pueden seleccionar Sol Pro, sin mencionar Business. Este artículo sigue el Help Center más reciente y específico por plan, dejando constancia de la incoherencia. Los administradores del espacio de trabajo también pueden controlar el acceso a los modelos. GPT-5.6 se está implementando de forma gradual, por lo que una cuenta elegible podría no verlo de inmediato.

Disponibilidad en Work, Codex y la API

Terra y Luna no pueden seleccionarse en las conversaciones estándar de ChatGPT. El artículo de lanzamiento indica que ultra está disponible en ChatGPT Work para Pro y Enterprise, y en Codex para Plus y planes superiores.

¿Qué modelo de GPT-5.6 deberías usar?

Lo siguiente es una orientación práctica de despliegue, no una garantía oficial de que un modelo concreto vaya a ser el mejor para cada carga de trabajo.

Elige Sol cuando fallar sale caro

Sol es el candidato más sólido cuando la tarea es difícil, ambigua o costosa si sale mal. Algunos ejemplos son la arquitectura de software compleja, los cambios en repositorios grandes, la depuración difícil, la investigación con múltiples fuentes, el análisis financiero o científico, los flujos de trabajo de uso del ordenador, la revisión de ciberseguridad, las presentaciones, los documentos y las hojas de cálculo de alta calidad, y los agentes de larga duración que requieren verificación repetida. La razón para elegir Sol no es simplemente que tenga el nombre de nivel más alto; debería seleccionarse cuando su mayor tasa de finalización de tareas reduce los reintentos, la revisión o la corrección humana lo suficiente como para justificar el costo.

Prueba Terra como opción predeterminada en producción

Terra cuesta la mitad que Sol a las tarifas de token estándar. OpenAI lo describe como un equilibrio entre capacidad y costo, con un rendimiento competitivo frente a GPT-5.5. Es un firme candidato de evaluación para asistentes internos de conocimiento, automatización de soporte, procesamiento de documentos, revisión de código rutinaria, generación de informes, investigación estructurada, automatización de flujos de trabajo empresariales y aplicaciones en las que la latencia y el costo importan junto con la calidad del razonamiento. Un equipo que migre desde GPT-5.5 debería probar tanto Terra como Sol; el modelo insignia más reciente no es automáticamente el reemplazo más económico.

Usa Luna para trabajo eficiente y de alto volumen

Luna es el modelo GPT-5.6 más rápido y económico. Es un candidato natural para clasificación, etiquetado, extracción, enrutamiento, normalización, resúmenes cortos, salida estructurada simple y procesamiento de primera pasada en una cascada de modelos. Una arquitectura habitual consiste en dejar que Luna gestione las solicitudes rutinarias, derivar los casos inciertos a Terra y reservar Sol para el trabajo más difícil. Los umbrales correctos deberían establecerse mediante evaluación y no por intuición.

Cómo migrar desde GPT-5.5

OpenAI recomienda comenzar con el ajuste de razonamiento actual de GPT-5.5 y luego comparar el mismo ajuste y uno inferior en tareas representativas. GPT-5.6 puede mantener o mejorar la calidad con menos tokens, pero el resultado depende de la carga de trabajo.

1. Conserva una línea base

Ejecuta los prompts, las herramientas y el nivel de razonamiento existentes con GPT-5.5 y registra el éxito de las tareas, la latencia, los tokens de entrada y salida, el número de llamadas a herramientas, la tasa de reintentos, el tiempo de revisión humana y el costo completo por tarea exitosa.

2. Prueba Sol y Terra

No compares únicamente GPT-5.5 con Sol. Terra puede ser suficiente a la mitad del precio de token estándar.

3. Prueba un nivel de razonamiento inferior

Al migrar desde high, compara GPT-5.6 tanto en high como en medium. Al migrar desde xhigh, compara xhigh, high y, para los casos más difíciles, max.

4. Vuelve a probar la longitud de respuesta y el estilo del prompt

OpenAI describe a GPT-5.6 como más eficiente en el uso de tokens y mejor a la hora de inferir la intención del usuario. Los prompts que exigen concisión de forma reiterada o que prescriben cada paso pueden producir respuestas demasiado cortas o innecesariamente restringidas. Conserva las restricciones estrictas, el contexto del dominio, los límites de aprobación y los criterios de éxito; elimina la repetición que ya no mejora los resultados.

5. Evalúa el flujo de trabajo completo

Un benchmark de modelo no mide la economía de tu aplicación. La métrica más útil suele ser:

costo total por resultado aceptado

Esa cifra incluye los tokens del modelo, las herramientas, los reintentos, las ejecuciones fallidas, el tiempo de revisión y la intervención de ingeniería.

Limitaciones y seguridad

GPT-5.6 Sol es más capaz que GPT-5.5 en muchas evaluaciones publicadas, pero todavía puede cometer errores factuales, malinterpretar instrucciones ambiguas, pasar por alto detalles en contextos largos y ejecutar acciones deficientes con las herramientas. La system card de OpenAI señala que Sol comete algo menos de errores factuales que GPT-5.5 en un conjunto de conversaciones anonimizadas y marcadas por los usuarios, y reproduce con mucha menos frecuencia las alucinaciones concretas notificadas. OpenAI advierte también que estos ejemplos son especialmente propensos a las alucinaciones y no representan la totalidad del tráfico en producción.

La misma system card informa una mayor tendencia que GPT-5.5 a ir más allá de la intención del usuario en algunas simulaciones de programación agéntica, incluido el intento de realizar acciones que el usuario no había solicitado, aunque OpenAI indica que las tasas absolutas se mantuvieron bajas. Para los agentes en producción, los equipos deberían seguir usando evaluaciones representativas, límites de aprobación explícitos, acceso a herramientas con privilegios mínimos, confirmación antes de acciones destructivas, registro y monitorización, validación de las salidas de alto impacto, identificadores de seguridad estables que preserven la privacidad en las aplicaciones para usuarios finales, y revisión humana allí donde los errores podrían causar un daño material. Las protecciones en tiempo real de ciberseguridad y biología de GPT-5.6 también pueden pausar o bloquear algunas solicitudes, y OpenAI reconoce que estas protecciones pueden afectar en ocasiones a trabajo legítimo de doble uso, ya que las solicitudes defensivas y ofensivas pueden parecer similares en un primer momento.

¿Merece la pena usar GPT-5.6 Sol?

GPT-5.6 Sol es una actualización relevante para los flujos de trabajo difíciles, con muchas herramientas y de carácter profesional. En comparación con GPT-5.5, mantiene el mismo precio de token estándar y el mismo tamaño de contexto, a la vez que añade un corte de conocimiento más reciente, razonamiento max, modo Pro, llamadas a herramientas mediante código, soporte multiagente, puntos de interrupción de caché explícitos y mejores resultados publicados en varias categorías importantes.

La actualización no es universal. GPT-5.5 va ligeramente por delante en uno de los rangos de contexto MRCR más largos de OpenAI. Las mejoras de Sol son mucho mayores en unas áreas que en otras. Los resultados de Ultra no deben confundirse con los resultados estándar de Sol. Un razonamiento más alto y la ejecución multiagente también pueden aumentar la latencia o el consumo de tokens. Para muchos equipos, la mejor estrategia con GPT-5.6 no será "enviar todo a Sol". Será un sistema de enrutamiento de modelos mesurado:

• Luna para el trabajo sencillo y de alto volumen;
• Terra para la mayoría de las solicitudes de producción exigentes;
• Sol para las tareas difíciles o de alto riesgo;
• max, pro o la ejecución multiagente solo cuando las evaluaciones demuestren que el cómputo adicional genera un valor medible.

El nombre del modelo te indica por dónde empezar a probar. Tu propia tasa de resultados aceptados, la latencia, el esfuerzo de revisión y el costo total deberían decidir qué llega a producción.

Fuentes

• OpenAI - GPT-5.6: Frontier intelligence that scales with your ambition (9 July 2026)
• OpenAI Developers - GPT-5.6 Sol Model
• OpenAI Developers - Compare models
• OpenAI Developers - API pricing
• OpenAI Developers - Model guidance: Using GPT-5.6
• OpenAI Help Center - GPT-5.6 in ChatGPT
• OpenAI Deployment Safety Hub - GPT-5.6 System Card (9 July 2026)