Al lanzar GPT-5.6, OpenAI publicó comparaciones entre Sol, Terra y Luna y GPT-5.5, Claude Fable 5, Claude Opus 4.8 y Gemini 3.1 Pro Preview. Los datos ayudan a entender el posicionamiento general, pero las puntuaciones de distintas organizaciones y condiciones de prueba no deben convertirse en una única clasificación.
En resumen: GPT-5.6 Sol está orientado a la programación, el trabajo de conocimiento y los agentes más exigentes; Terra es una opción equilibrada para el uso diario; y Luna prioriza velocidad y coste. GPT-5.5 sigue siendo una referencia fiable de la generación anterior. Claude Fable 5 destaca en algunas evaluaciones profesionales, mientras Claude Opus 4.8 y Gemini 3.1 Pro Preview son competitivos en tareas concretas.
Evaluaciones profesionales
| Evaluación | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| Agents’ Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo |
| Tareas internas de consultoría | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% |
| Big Finance Bench | 53% | 51% | 36% | 49% | — | 44% | — |
| Artificial Analysis Intelligence Index v4.1 | 58.9 | 55 | 51.2 | 54.8 | 59.9 | 55.7 | 46.5 |
En Agents’ Last Exam, los tres modelos GPT-5.6 superan a GPT-5.5. Claude Fable 5 lidera GDPval-AA v2 y Sol queda cerca. Fable 5 también obtiene un índice general ligeramente superior al de Sol, pero eso no significa que sea mejor en todos los trabajos.
Programación y tareas de terminal
| Evaluación | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|---|
| Artificial Analysis Coding Agent Index | 80 | — | 74.6 | 76.4 | — | 77.2 | 72.5 | 42.7 |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | 69.7% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | 83.1% | 70.7% |
Sol está en el grupo superior en Coding Agent Index, DeepSWE y Terminal-Bench, y ultra eleva su resultado de Terminal-Bench hasta 91.9%. Sin embargo, Claude Fable 5 y Claude Opus 4.8 superan a Sol en SWE-Bench Pro. En un proyecto real también importan la comprensión del repositorio, el uso de herramientas, la reparación de pruebas, el coste de token y la estabilidad durante tareas largas.
Ciencia y salud
| Evaluación | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|
| GeneBench Pro | 28.7% | 23.3% | 10.8% | 12% | 16% | 3.1% |
| LifeSciBench | 59.9% | 56% | 51.2% | 50.4% | 53.6% | — |
| MedChemBench (interno) | 48.3% | 35% | 30.4% | 35.5% | — | — |
| HealthBench Professional | 60.5% | 57.7% | 55.7% | 49.5% | 53% | — |
Sol supera claramente a GPT-5.5 en estas evaluaciones, y Terra y Luna también mejoran frente a la generación anterior. Aun así, ciencia y salud son ámbitos de alto riesgo: las puntuaciones no sustituyen la revisión experta, la comprobación de fuentes ni los procedimientos de seguridad.
Uso del ordenador y navegación
| Evaluación | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| OSWorld 2.0 | 62.6% | 50.2% | 45.6% | 47.5% | — | 54.8% | — |
| BrowseComp | 90.4% | 87.5% | 83.3% | 84.4% | 88% | 84.3% | 85.9% |
| BenchCAD | 70.6% | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% |
| BenchCAD (herramienta Python) | 83.4% | 78.2% | 73.9% | 55.8% | 65% | 51.8% | — |
Sol obtiene buenos resultados en OSWorld 2.0, BrowseComp y BenchCAD; Terra y Luna también superan a GPT-5.5. Para navegación, automatización de escritorio, gráficos y frontend, el éxito real de la interacción puede ser más importante que una prueba de texto.
Evaluaciones de ciberseguridad
| Evaluación | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 |
|---|---|---|---|---|---|
| Capture-the-Flag Challenges | 96.7% | — | 91.8% | 85.2% | 88.1% |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% |
GPT-5.6 mejora mucho en estas evaluaciones de ciberseguridad. Como sus capacidades tienen doble uso, OpenAI combina Trusted Access, comprobaciones en tiempo real y controles por cuenta para las tareas de mayor riesgo. Debe utilizarse en entornos autorizados y priorizar auditorías defensivas, validación de parches y pruebas de equipos blue team.
Precio y rendimiento deben analizarse juntos
La API de GPT-5.6 cuesta por millón de tokens: 5 dólares de entrada y 30 de salida para Sol; 2,50 y 15 para Terra; 1 y 6 para Luna. GPT-5.5, Claude y Gemini tienen precios, descuentos de caché, límites de contexto y accesos distintos. Una tabla de benchmarks no basta para decidir una compra.
Lo más útil es crear un conjunto pequeño con tu propio código, documentos, llamadas a herramientas y salidas estructuradas. Mide calidad, latencia, tokens de entrada y salida, tasa de aciertos de caché y tiempo de retrabajo humano.
Cómo elegir
- Agentes complejos, programación entre varios archivos, investigación profesional y tareas de alto valor: empieza por GPT-5.6 Sol.
- Trabajo diario, programación normal y la mayoría de solicitudes: empieza por GPT-5.6 Terra.
- Clasificación, resúmenes, extracción y procesamiento de alto volumen: prueba GPT-5.6 Luna.
- Si GPT-5.5 funciona de forma estable, realiza una prueba A/B antes de migrar.
- Para reparar código, compara Claude Fable 5, Claude Opus 4.8 y GPT-5.6 en tu propio repositorio, no solo en un benchmark.
- Para navegación, uso del escritorio o frontend, observa OSWorld, BrowseComp, BenchCAD y la tasa real de éxito.
GPT-5.6 no busca sustituir todos los modelos por Sol. Sus tres niveles cubren presupuestos y dificultades diferentes. Las evaluaciones reducen las opciones; la decisión final debe basarse en tus datos, herramientas y modelo de costes.
Fuente: anuncio oficial de OpenAI GPT-5.6.