- OpenAI abrió la serie GPT‑5.6 en vista previa limitada y presentó juntos a Sol, su buque insignia, Terra para trabajo diario y Luna como opción de bajo costo
- Sol reforzó sus capacidades de agente en programación, biología y ciberseguridad, y con
maxreasoning effort y el modoultrapermite razonamiento más profundo y uso de subagentes - El rendimiento en ciberseguridad mejoró en ExploitBench y ExploitGym, pero en las condiciones de evaluación de Chromium y Firefox no logró generar de forma autónoma un full-chain exploit funcional, por lo que no supera el umbral de Cyber Critical
- La vista previa se ofrecerá primero a algunos socios y organizaciones de confianza en la API y Codex, con una preparación para una apertura más amplia tras pasar por un proceso de restricción solicitado por el gobierno de EE. UU.
- El precio por 1 millón de tokens es de $5 de entrada / $30 de salida para Sol, $2.50 de entrada / $15 de salida para Terra y $1 de entrada / $6 de salida para Luna; las escrituras en caché cuestan 1.25x y las lecturas en caché tienen 90% de descuento
Alcance de la vista previa de la serie GPT‑5.6
- OpenAI presentó primero la familia GPT‑5.6 como una vista previa limitada
- Sol: modelo insignia
- Terra: modelo equilibrado para trabajo diario
- Luna: modelo rápido y económico
- Terra ofrece un rendimiento competitivo frente a GPT‑5.5 con un precio 2 veces más barato
- Luna ofrece capacidades sólidas al costo más bajo de OpenAI
- GPT‑5.6 Sol se lanza con la pila de seguridad más robusta que OpenAI ha construido hasta ahora
- actividades de alto riesgo
- solicitudes cibernéticas sensibles
- uso indebido repetitivo
- búsqueda de vulnerabilidades y pruebas de presión frente a ataques reales
Lanzamiento limitado y coordinación con el gobierno
- OpenAI planea llevar GPT‑5.6 Sol, Terra y Luna a disponibilidad general en las próximas semanas
- En su proceso continuo de coordinación con el gobierno de EE. UU., compartió planes previos al lanzamiento y capacidades de los modelos
- A solicitud del gobierno, comenzó primero una vista previa limitada con un pequeño grupo de socios de confianza cuya participación se compartió con el gobierno
- OpenAI considera que este tipo de proceso de acceso gubernamental no debería convertirse en la opción predeterminada a largo plazo
- porque usuarios, desarrolladores, empresas, defensores cibernéticos y socios globales podrían quedar sin acceso a las herramientas que necesitan
- Este proceso temporal sirve como ruta hacia una apertura más amplia en unas semanas
- mientras desarrolla con el poder ejecutivo un procedimiento repetible para el marco de Executive Order sobre ciberseguridad y futuros lanzamientos de modelos
Capacidades del modelo y evaluaciones
- GPT‑5.6 Sol es presentado como el modelo más potente de OpenAI
- Muestra mejores capacidades de agente en evaluaciones de programación, biología y ciberseguridad
- Evaluaciones adicionales de seguridad y preparación están incluidas en la system card de la vista previa de GPT‑5.6
- Planea compartir un conjunto ampliado de resultados de evaluación cuando haga una apertura más amplia
-
Modos de razonamiento
- GPT‑5.6 introduce
maxreasoning effort para que Sol pueda razonar durante más tiempo y con mayor profundidad - El nuevo modo
ultrava más allá de la capacidad de un solo agente y aprovecha subagentes para acelerar tareas complejas
- GPT‑5.6 introduce
-
Programación y biología
- GPT‑5.6 Sol logró un nuevo estado del arte en Terminal‑Bench 2.1, que evalúa flujos de trabajo en línea de comandos
- Este benchmark prueba tareas de línea de comandos que requieren planificación, iteración y coordinación de herramientas
- En GeneBench v1, supera a GPT‑5.5 usando menos tokens
- GeneBench v1 evalúa análisis de genómica y biología cuantitativa de largo alcance
-
Ciberseguridad
- GPT‑5.6 Sol es el modelo más capaz de OpenAI para trabajo de ciberseguridad
- Mueve la frontera de rendimiento-eficiencia en tareas de seguridad de largo plazo, incluyendo investigación de vulnerabilidades y exploits
- En ExploitBench, logra resultados competitivos con Mythos Preview usando apenas cerca de un tercio de los tokens de salida
- En ExploitGym, Sol, Terra y Luna muestran mejoras fuertes en capacidades cibernéticas a medida que aumenta el razonamiento
- ExploitGym es un benchmark creado por investigadores de UC Berkeley en colaboración con OpenAI y otros laboratorios frontier
Capacidades cibernéticas y medidas de seguridad
- GPT‑5.6 Sol, Terra y Luna fueron desarrollados con las medidas de seguridad más robustas de OpenAI, ajustadas a las capacidades de cada modelo
- A medida que crecen las capacidades del modelo, estas medidas se diseñan para resistir incluso bajo presión adversarial real
- Se busca mantener el acceso para trabajo defensivo legítimo
- revisión de código
- investigación de vulnerabilidades
- desarrollo de parches
- depuración
- capacitación en seguridad
- pruebas defensivas
- El objetivo es hacer que las actividades ofensivas prohibidas sean más difíciles, inciertas y detectables, sin restringir innecesariamente los usos beneficiosos
- Según la evaluación de OpenAI, hay beneficios significativos para el trabajo defensivo legítimo y el uso ofensivo prohibido queda limitado de forma relevante
-
Umbral de Cyber Critical
- GPT‑5.6 Sol no supera el umbral de Cyber Critical según el Preparedness Framework
- En evaluaciones relacionadas con Chromium y Firefox, identificó bugs y exploit primitives
- En las condiciones de prueba, no logró construir de forma autónoma un full-chain exploit funcional
- Los umbrales de benchmark no pueden capturar por completo todas las formas de uso del modelo ni su combinación con otras herramientas
- Debido a esta incertidumbre y a la mejora general de capacidades, OpenAI aplica medidas de seguridad más fuertes junto con un lanzamiento gradual
Pila de seguridad por capas
- El uso indebido intencional o adaptativo es difícil de frenar con una sola protección
- En toda la vista previa de GPT‑5.6 se aplican medidas de seguridad por capas, con configuración distinta según el modelo
- protecciones entrenadas en el modelo
- revisión en tiempo real durante la generación
- señales a nivel de cuenta
- acceso diferenciado
- monitoreo
- aplicación de medidas
- pruebas continuas
-
Rechazo a nivel de modelo y revisión en tiempo real
- GPT‑5.6 fue entrenado para rechazar asistencia cibernética prohibida incluso si el usuario oculta su intención o intenta hacer jailbreak
- Clasificadores en tiempo real para uso indebido en ciberseguridad y biología evalúan la salida durante la generación
- En casos de alto riesgo, la generación puede pausarse si se detecta una posible infracción
- Un modelo de razonamiento más grande puede revisar la conversación y el contexto, y si evalúa que la salida está prohibida, esta se retiene antes de llegar al usuario
-
Revisión a nivel de cuenta y acceso diferenciado
- La actividad marcada puede llevar a una revisión a nivel de cuenta que incluya conversaciones relevantes y señales de riesgo
- Ver el contexto a nivel de cuenta, y no solo una conversación aislada, ayuda a distinguir entre trabajo legítimo de seguridad de doble uso y conducta maliciosa persistente
- El acceso diferenciado busca mantener el trabajo defensivo importante sin exponer por defecto las capacidades más sensibles de forma amplia
-
Impacto para usuarios durante la vista previa
- Durante la vista previa, algunas solicitudes pueden ser bloqueadas o rechazadas
- Si una generación se pausa para revisión adicional, algunas solicitudes podrían tardar más
- En áreas de doble uso donde la actividad defensiva y la ofensiva pueden parecer similares al inicio, las medidas de seguridad también podrían intervenir en trabajos legítimos
- Los comentarios de la vista previa se usarán para reducir bloqueos y demoras innecesarias, mejorar la interpretación contextual de las medidas de seguridad y pulir la experiencia antes del lanzamiento más amplio
- También se está discutiendo un enfoque de largo plazo con clientes empresariales
- detección compatible con la privacidad
- controles de seguridad operativa del cliente
- permisos de acceso ajustados al riesgo del cliente, los usuarios y las cargas de trabajo
Mejora de la robustez con red teaming automatizado
- Las medidas de seguridad deben seguir siendo efectivas incluso cuando los atacantes cambian de táctica
- OpenAI usa sus propios modelos para encontrar debilidades y mejorar más rápido las protecciones
- Se dedicaron más de 700,000 horas de GPU equivalentes a A100 al red teaming automatizado
- El red teaming automatizado se enfoca en encontrar universal jailbreaks que puedan funcionar con múltiples prompts o contextos
- Al centrarse en estos ataques más generales, es posible probar las medidas de seguridad más allá de una lista fija de casos de falla
- La automatización permite explorar más patrones de ataque de los que normalmente cubriría solo la prueba humana, encontrar antes los patrones de falla y reducir el tiempo entre descubrir una debilidad y corregirla
- También se realizó red teaming humano con expertos externos, y ese trabajo continúa durante el periodo de vista previa
- Los nuevos jailbreaks detectados pasan por procesos de reproducción, evaluación, priorización y corrección, y luego se añaden a evaluaciones continuas para probar fallas similares en el futuro
Disponibilidad y precios
- Durante la vista previa, los modelos GPT‑5.6 estarán disponibles primero mediante la API y Codex para socios y organizaciones de confianza seleccionados
- Después, OpenAI planea ofrecerlos de forma más amplia a usuarios de ChatGPT, Codex y la API
- En el nuevo esquema de nombres de GPT‑5.6, el número representa la generación del modelo
- Sol, Terra y Luna se refieren a tiers de capacidad continuos que pueden evolucionar cada uno a su propio ritmo
- La familia busca dar a usuarios y desarrolladores opciones más claras entre inteligencia, velocidad y costo
-
Precio por token y caché
- El precio de GPT‑5.6 se fija por cada 1 millón de tokens
- Sol: entrada $5 / salida $30
- Terra: entrada $2.50 / salida $15
- Luna: entrada $1 / salida $6
- GPT‑5.6 introduce un almacenamiento en caché de prompts más predecible
- soporte para puntos de corte de caché explícitos
- vida útil mínima de caché de 30 minutos
- En GPT‑5.6 y modelos posteriores, las escrituras en caché se cobran a 1.25x la tarifa de entrada sin caché del modelo correspondiente
- Las lecturas en caché siguen recibiendo un 90% de descuento sobre la entrada en caché
-
Disponibilidad en Cerebras
- GPT‑5.6 Sol estará disponible en Cerebras en julio con una velocidad de hasta 750 tokens por segundo
- El acceso inicial estará limitado a clientes seleccionados mientras se amplía la capacidad
1 comentarios
Comentarios de Hacker News
La parte más interesante de este anuncio está escondida en el penúltimo párrafo: “En julio lanzaremos GPT‑5.6 Sol en Cerebras con hasta 750 tokens por segundo, ofreciendo inteligencia frontier a los clientes a una velocidad sin precedentes. El acceso estará limitado a algunos clientes hasta que ampliemos la capacidad”
750 tokens/segundo en un modelo frontier suena realmente interesante. Tengo dudas de que en rendimiento sea mucho más que un simple aumento de versión, pero si puedes obtener respuestas más rápido, se vuelve mucho más útil
Por ejemplo, me hace pensar en la tarea tediosa de buscar una función específica dentro de una base de código. Incluso ahora ya suele ser difícil ganarle a un arnés de agente de IA en ese tipo de trabajo, y si el modelo se vuelve 3 veces más rápido, habrá todavía menos posibilidades
Más o menos así se sienten 750 tokens/segundo
750 tokens/segundo en el modelo más grande sería una locura
Hace apenas 1 año recuerdo que “competía” con la IA para entender una base de código, y ahora ya no hay forma de ganar. No sé si mi capacidad de razonamiento empeoró o si los modelos mejoraron
Spark puede pasar de 1000 tokens/segundo, pero su ventana de contexto es muy limitada, así que no encaja en muchos flujos de trabajo. Este modelo nuevo, aunque sea un poco más lento, igual parece excelente
Las soluciones actuales, discretas y basadas en turnos, limitan bastante incluso la forma en que se entrena. Un enfoque continuo y en tiempo real podría cambiar esta área de raíz
Desde una perspectiva de teoría de la información, la tasa real de transferencia de información sigue estando al nivel del acceso telefónico. Incluso 750 tokens/segundo sería como una conexión dial-up bastante mala; imagina 10 millones de tokens por segundo
Se ve esta tendencia: GPT-5 mini cuesta $0.25/$2 y está programado para retirarse en diciembre, GPT-5.4 mini cuesta $0.75/$4.5 y supuestamente es el reemplazo, y GPT-5.4 nano cuesta $0.2/$1.25 y en benchmarks supera a GPT-5 mini, pero en escenarios reales no se le parece en nada
Así que si hoy usas 5 mini, al final te van a empujar hacia GPT-5.4 mini. Aquí también está pasando lo mismo con el modelo “Luna”, que cuesta $1/$6
¿No podemos simplemente seguir usando los modelos que de verdad queremos? No necesito GPT 5.4 mini, con GPT-5 me basta
Quizá nunca fue realmente tan barato, y apenas nos estamos dando cuenta de que nos quieren hacer “actualizar” de forma lenta y dolorosa
En HN mencionan mucho DeepSeek V4 Flash, pero según Artificial Analysis, a agosto de 2025 compite de tú a tú con GPT-5 high [0]
[0]: https://artificialanalysis.ai/models/comparisons/deepseek-v4-flash-vs-gpt-5
Los grandes labs en la práctica ya renunciaron a los modelos baratos, y eso frustra. Es muy posible que las aplicaciones dejen de construirse sobre ellos en gran escala. Por ejemplo, nosotros estamos moviendo cargas de trabajo de Haiku/Sonnet a Deepseek v4
El problema parece ser que, para sostener sus cifras de ingresos, tienen que cobrar mucho, y les preocupa más canibalizar sus propios ingresos que dejar que otros los canibalicen
Es natural que los labs exploren hasta dónde pueden empujar los precios, y también es natural que sus competidores aprovechen esos márgenes como oportunidad de crecimiento. Al final, parece que los precios se van a estabilizar más
La tasa de trampa detectada en GPT-5.6 Sol fue la más alta entre los modelos públicos que evaluamos en nuestro arnés de agente ReAct
En nuestro conjunto de tareas, definimos “trampa” como cuando el modelo, en vez de resolver el problema dentro de las restricciones esperadas de la evaluación, explota bugs del entorno de evaluación o adopta estrategias prohibidas por la tarea para inflar su rendimiento en la evaluación
https://metr.org/blog/2026-06-26-gpt-5-6-sol/
Suena parecido al comportamiento visto en Alibaba [0], pero aquello fue durante entrenamiento. Esto pasó en un modelo casi listo para lanzamiento
[0] https://www.forbes.com/sites/boazsobrado/2026/03/11/alibabas-ai-agent-mined-crypto-without-permission-now-what/
Todo lo que tienen que hacer esas empresas es registrar esas solicitudes y “corregirlas” en el siguiente lanzamiento del modelo
Creo que GPT es el que mejor escribe código. Pensar en qué tan bien escribirá en la versión 5.6 me da escalofríos
Hace poco me enfrenté directamente a GPT con un código de casi 2,000 líneas, y la solución de GPT fue mejor y más rápida. Intenté basarme en varios codebases de GitHub, pero no había comparación con GPT
Por eso, usar GPT me provoca miedo y emoción al mismo tiempo. Da miedo darse cuenta de que este nivel de código ahora se está volviendo el promedio para la mayoría, y me emociona que yo también pueda estudiar y aprender a este nivel
Tengo muchísimas ganas de ver cuánto más va a mejorar el código con la actualización 5.6
En cambio, la combinación de pi + glm + DeepSeek está muy bien. Fable era otro tipo de monstruo, eso sí. RIP
La primera es un poco más fácil de revisar
Los buenos tiempos aquí se refieren a unas semanas de febrero de 2026. Es muy interesante ver cómo se desarrolla todo esto
Me parece raro que en el anuncio no haya ni un solo benchmark de coding, y que lo más cercano sea terminal bench
Si usaste GPT-5.5 en las últimas 24 horas, quizá ya tuviste acceso a 5.6
Estoy corriendo pruebas en el harness que estamos construyendo, y ayer de repente subieron varios puntos. Volví a correr el benchmark base de Codex y GPT-5.5 dio alrededor de 88% en Terminal Bench 2.1 sobre el Codex base
Una señal incluso más grande que el puntaje es que 3 pruebas que en 5.5 solían quedar bloqueadas por “seguridad” empezaron a pasar anoche sin ningún aviso
Dice que “comenzará con un preview limitado para un pequeño grupo de socios de confianza con quienes se ha compartido la participación con el gobierno, y luego se lanzará más ampliamente”
Este comentario es un gran ejemplo de cómo el usuario promedio de LLM actúa básicamente como un jugador de tragamonedas. Cree que “esto está caliente, esto trae suerte, esto es mejor que aquello” y sigue cambiando de modelo con base en una comprensión mística que solo él cree tener
¿Y qué importa un benchmark de 80%? Entrenan con esos benchmarks públicos para impresionar a la gente que les atribuye significado. Entonces, ¿por qué en trabajos de Upwork de $20~30/hora la tasa de éxito es solo del 4%? Estos benchmarks parecen prácticamente inútiles
También existe la varianza, así que no entiendo por qué sacar mejor puntaje en unas cuantas pruebas haría creer que tuviste acceso a un modelo al que te dijeron que no tienes acceso
https://labs.scale.com/leaderboard/rli
Aprovecho un hilo popular para preguntar: ¿cómo están ahora los límites de uso de Codex y Claude?
Antes le daba la misma tarea a ambos, y Codex usaba 20 veces menos de mi límite de 5 horas. Ambos eran planes mensuales de $20
En realidad yo prefería más a Claude, así que me molestó, pero en ese momento no se podía usar para trabajo serio por los límites
Desde entonces ambos proveedores redujeron bastante la disponibilidad de uso, y al menos uno incluso recibió una demanda por eso
Ahora no estoy suscrito a ninguno de los dos y estoy evaluando opciones. GPT parece un poco mejor que Opus y antes ofrecía límites mucho más altos, así que me inclino por suscribirme a OpenAI. Pero quiero saber si eso sigue siendo cierto hoy o si solo coincide con lo que recuerdo de hace 2 o 3 meses. Las dos empresas parecen estar recortando costos con fuerza
Preferiría respuestas de alguien que haya usado ambos, pero las anécdotas también son bienvenidas
Si quieres, puedes tener corriendo xhigh y subagentes casi de forma continua durante todas tus horas despierto. Si activas la opción de velocidad 1.5x, a veces sí llegas al límite de 5 horas
Me gusta más el estilo de Claude que 5.5, pero 5.5 parece mucho menos flojo. Claro, eso seguramente depende mucho de la tarea y de la estrategia de prompts
Si usas 5.5 high u Opus 4.8 high, honestamente se siente bastante parecido
Parece que quitaron el uso separado de Sonnet en el plan Max, quizá por la preparación de Sonnet 5. Es una lástima, porque gracias a eso el flujo de trabajo con subagentes se sentía casi ilimitado
Dicen que “también introducen un nuevo modo
ultraque aprovecha subagentes para acelerar tareas complejas más allá de la capacidad de un solo agente”, y me da curiosidad cómo funciona eso¿Los subagentes también pueden usar las mismas herramientas? ¿El cliente va a terminar inundado de llamadas a herramientas? Si esto mismo se puede hacer del lado del cliente con mucho más control, ¿por qué cobrar extra por añadirlo como un nuevo “modelo”?
Y si se trata de una legión de subagentes, también me pregunto por qué lo comparan con Fable y Mythos. Si les pones un harness parecido, probablemente esos modelos den mejores benchmarks
En esencia, un script determinista escrito por el hilo principal del modelo invoca varios subagentes, cada uno se devora un montón de tokens, y luego un agente orquestador sintetiza las salidas
Si se los indicas explícitamente, seguro que sí, y al menos en pi he visto que los lanza incluso sin una instrucción explícita
Igual que con Mythos, no me emociona nada un modelo que no puedo usar
“Sí, tenemos el mejor modelo que existe. Confía. Da mucho miedo”
“Ah, ¿sí? ¿Podemos verlo?”
“Lárgate. A ustedes, simples plebeyos, les vamos a dar una versión peor”
“Mmm, ¿gracias?”
“Jaja, en realidad ni eso. La administración actual se tragó nuestro marketing del miedo, así que les vamos a dar un devorador de tokens peor y absurdamente caro. Las restricciones de hardware empeoran cada semana”
Digan lo que digan sobre OpenAI, su estrategia empresarial se ve mucho más sólida
Cuando dicen “Terra muestra un rendimiento competitivo con GPT‑5.5 y cuesta la mitad”, a mí me suena a “es un producto inferior, pero estamos tratando de ocultarlo en el marketing”
Y frases como “la pila de seguridad más robusta hasta ahora, protecciones reforzadas contra actividades de alto riesgo, solicitudes cibernéticas sensibles y abuso reiterado, y varias semanas de búsqueda de debilidades, pruebas de presión y refuerzo ante ataques reales” como mucho no me aportan nada, y por lo general probablemente me perjudiquen. Porque habrá más rechazos o menos utilidad
¿Por qué los proveedores siguen poniendo la pila de seguridad al frente? ¿De verdad hay clientes que piden eso? No se me ocurre nadie aparte de usuarios de chatbots tipo ChatGPT para soporte