Criterios para elegir el modelo GPT-5.6: la diferencia de precio es de 5x, la de rendimiento en código es de 4.1 pp

GPT-5.6 divide sus modelos en Sol/Terra/Luna, y además les suma los modos Max/Ultra.
Como resulta fácil confundirse cada vez que hay que elegir cuál usar para una tarea, lo resumí con base en los benchmarks publicados.

Primero hay que separar dos ejes

• Nivel de modelo (Grade): Sol / Terra / Luna. Define el nivel de inteligencia y el costo base.
• Modo de operación (Mode): razonamiento base / Max / Ultra. Aquí se dividen la cantidad de cómputo y la estructura de procesamiento.
• Max hace que un solo agente profundice en un problema, mientras que Ultra reparte el trabajo en paralelo entre 4 agentes.

Precio de la API (entrada/salida por 1 millón de tokens)

• Sol $5 / $30
• Terra $2.5 / $15
• Luna $1 / $6
• Hasta 5x de diferencia. La lectura desde caché tiene 90% de descuento, así que en tareas repetitivas la brecha real se reduce aún más.

El rendimiento no se abre tanto como el precio (Terminal-Bench 2.1)

• Sol Ultra 91.9% / Sol 88.8% / Terra 87.4% / Luna 84.7%
• La diferencia entre Sol y Luna, pese a que Sol cuesta 5x más, es de 4.1 pp.
• Entre Sol y Terra hay una diferencia de 1.4 pp, pero el precio es el doble.
• Terra (87.4%) supera al buque insignia de la generación anterior, GPT-5.5 (85.6%).

En el trabajo cotidiano de conocimiento, la brecha se reduce aún más (Agents' Last Exam)

• Sol 52.7% / Terra 50.4% / Luna 50.3% / GPT-5.5 46.9%
• Terra y Luna solo se diferencian por 0.1 pp. Para resúmenes simples o Q&A, Luna es suficiente.

Sol no siempre queda en primer lugar

• SWE-Bench Pro (análisis de estructura de código): Sol 64.6% / Claude Mythos 5 80.3% / Fable 5 80.0%
• En cambio, en tareas que manipulan directamente el entorno, Sol va por delante.
  OSWorld 2.0 (control de computadora): Sol 62.6% vs Claude Opus 4.8 54.8%
  BrowseComp (navegación): Sol Ultra 92.2% / Sol 90.4%
• Parece que la diferencia depende de si la tarea es manipulación de terminal o análisis de estructura de código.

El modo Ultra sube menos de lo esperado

• Código +3.1 pp, análisis de seguridad +3.1 pp, navegación +1.8 pp
• Para obtener esos 2~3 pp, usa cerca de 3 veces más tokens.
• Parece razonable usarlo solo en tareas donde el costo del fallo es alto o donde la precisión es realmente indispensable.

En resumen

• Luna: repetición simple, procesamiento masivo, prioridad en velocidad
• Terra: la mayoría de las tareas de propósito general. En la práctica, el valor por defecto
• Sol: estructuras lógicas complejas, trabajo donde el costo del fallo es alto
• Max: profundizar en un solo problema
• Ultra: varias tareas en paralelo

Todas las cifras se basan en las tablas de benchmarks del anuncio oficial de lanzamiento de OpenAI.
https://openai.com/index/gpt-5-6/

Los benchmarks son resultados aislados, así que puede haber diferencias respecto al costo real o a la sensación de uso en proyectos reales.
Sobre todo en casos como SWE-Bench Pro, donde el ranking llega a invertirse, por lo que la lectura también puede variar según el tipo de tarea.
Si al usarlo directamente hubo casos donde su percepción fue distinta, me interesa saberlo.
Si detectan algo mal interpretado, también lo corregiré.