GPT-6.1 Sol vs Laguna S 2.1: cincuenta veces el precio de salida por un trabajo que nadie ha medido en paralelo

Cincuenta veces. Esa es la relación entre lo que GPT-6.1 Sol cobra por un millón de tokens de salida y lo que Laguna S 2.1 cobra — $10.00 frente a $0.20 — y es la mayor diferencia de precio en toda esta serie de comparaciones. GPT-6.1 Sol es el lanzamiento de Open​AI del 2026-09-29, un generalista de 1,050,000 tokens con una puntuación independiente publicada. Laguna S 2.1 es el lanzamiento de Poolside del 2026-07-21, un codificador agéntico de pesos abiertos con mezcla de expertos de 118 mil millones de parámetros, con aproximadamente 8 mil millones de parámetros activos por token, pesos con licencia adyacente a Apache en Hugging Face, y un conjunto de benchmarks que la propia Poolside produjo. La diferencia de precio es real y enorme. Que sea una brecha que valga la pena cruzar depende de una pregunta que ninguno de los dos proveedores ha respondido: ¿alguien ha medido a los dos en la misma tarea?

Las cifras reportadas por el proveedor se etiquetan como tales en todo el documento. Las cifras de Artificial Analysis son mediciones independientes incluidas en nuestros registros de modelos. Nuestras propias cifras de servicio se identifican como nuestras. Cuando una celda está vacía, permanece vacía.

Qué es cada lado

Laguna S 2.1 de Poolside es un especialista, y su diseño lo dice. Es un modelo de mezcla de expertos de 118.000 millones de parámetros con unos 8.000 millones de parámetros activos en cualquier token dado, un conmutador de pensamiento / sin pensamiento, y una ventana de contexto que alcanza 1.000.000 de tokens. Un hermano menor, Laguna XS 2.1, se sitúa en 33.000 millones de parámetros con aproximadamente 3.000 millones activos y tiene un precio de $0,06 de entrada y $0,12 de salida por millón. Los pesos de la variante S se publican en Hugging Face en poolside/Laguna-S-2.1.

La cifra de 8 mil millones de parámetros activos es el número que explica el precio y condiciona el producto al mismo tiempo. El coste de inferencia depende de los parámetros activos, no del total; un MoE de 118 B que usa 8 B por token es barato de servir de un modo en que un modelo denso del mismo tamaño total no lo sería. Pero un presupuesto de 8 B de parámetros activos también es un techo infranqueable para lo que puede hacer una única pasada hacia adelante, y ese techo es la razón por la que un índice de propósito general de un evaluador independiente es una vara de medir más útil para este que una puntuación específica de programación.

GPT-6.1 Sol es un objeto del tipo opuesto. Un identificador de instantánea, gpt-6.1-sol, sin variante con fecha, una ventana de contexto de 1.050.000 tokens, una salida máxima de 128.000, entrada de texto, imagen y archivos, razonamiento siempre activado en cinco niveles de esfuerzo, con valor predeterminado medio, y una fecha de corte de conocimiento del 30 de abril de 2026. No acepta temperature ni top_p; el dial de esfuerzo los reemplaza. Es cerrado, se cobra por token y no admite ajuste fino.

Las dimensiones en las que realmente difieren:

• Precio de entrada — 0,10 $ por millón para Laguna S 2.1 frente a 2,00 $ para GPT-6.1 Sol. Veinte veces.

• Precio de salida — $0,20 frente a $10,00. Cincuenta veces.

• Control de razonamiento — un conmutador binario de pensamiento / sin pensamiento en Laguna S 2.1 frente a cinco niveles de esfuerzo graduados en GPT-6.1 Sol.

• Pesos — descargables y autoalojables para Laguna S 2.1; cerrados para GPT-6.1 Sol

• Ventana de contexto — hasta 1.000.000 de tokens para Laguna S 2.1 frente a 1.050.000 para GPT-6.1 Sol. Prácticamente al mismo nivel.

Las filas de benchmark, con ambos conjuntos de etiquetas adjuntos

Los números publicados por Poolside para Laguna S 2.1, todos reportados por el proveedor y ninguno reproducido por un tercero hasta donde hemos podido encontrar:

• SWE-Bench Multilingual — 78,5 %.

• Terminal-Bench 2.1 — 70,2 %.

• DeepSWE v1.1 — 40,4 %, frente al 9,0 % de DeepSeek-V4-Pro-Max, lo que Poolside presenta como aproximadamente una sexta parte de los parámetros activos que generan más del cuádruple de la puntuación.

Récord independiente de GPT-6.1 Sol, todo de Artificial Analysis:

• AA Intelligence Index — 51,8, puesto 10 de 147, percentil 93,2.

• Humanity's Last Exam — 52,9 %.

• Recall de contexto largo — 83%.

• SciCode — 54,2 %.

• Terminal-Bench 4.0 — 56,06 %.

Hay un lugar en el que estas dos listas parecen encontrarse, y es una trampa. Laguna S 2.1 reporta 70.2% en Terminal-Bench 2.1. En nuestros registros, GPT-6.1 Sol no tiene puntuación alguna en Terminal-Bench 2.1 — su cifra de terminal corresponde a la versión 4.0, una revisión posterior y más difícil del entorno de evaluación. Poner 70.2% junto a 56.06% y llamarlo una victoria de doce puntos de Laguna sería comparar dos pruebas diferentes, y es exactamente el error que este blog tiene como objetivo evitar. Los dos modelos no comparten ninguna fila de benchmark, lo que significa que la mitad de rendimiento de esta comparación está, por ahora, sin medir.

Hay dos lagunas más que merecen señalarse. Laguna S 2.1 no tiene puntuación en el Artificial Analysis Intelligence Index ni un resultado independiente en SWE-bench Verified. Para un modelo publicado en julio, es mucho tiempo sin una medición externa, y es la mayor omisión de todo lo que Poolside ha publicado sobre él.

Qué aporta realmente el conmutador de pensamiento

Los propios números de Poolside cuantifican el interruptor, y eso es lo más interesante del lanzamiento. Activar el pensamiento eleva DeepSWE v1.1 del 16,5 % al 40,4 % —un factor de aproximadamente 2,4— y Terminal-Bench 2.1 del 60,4 % al 70,2 %. Ambas cifras son del proveedor y no han sido reproducidas.

Visto en relación con el precio, eso importa de una forma que la tarifa destacada no refleja. El modo de pensamiento consume tokens de salida, y los tokens de salida son aquello por lo que pagas. Una carga de trabajo que ejecuta Laguna S 2.1 con el modo de pensamiento activado consumirá bastante más salida que la misma carga con él desactivado, que es precisamente lo que cabría esperar de una mejora de 2,4× en un benchmark agéntico exigente. Así que la comparación honesta con GPT-6.1 Sol no es $0,20 frente a $10,00 por salida bruta. Es el coste por tarea completada con pensamiento habilitado frente al coste por tarea completada con precio basado en el esfuerzo.

Esa comparación sigue favoreciendo enormemente a Laguna S 2.1, y vale la pena hacer los cálculos en lugar de afirmarlo. Tomemos una carga de trabajo que produzca mil millones de tokens de salida al mes frente a tres mil millones de tokens de entrada:

• GPT-6.1 Sol — 3 mil millones de entrada a $2.00 por millón son $6,000; 1 mil millones de salida a $10.00 por millón son $10,000. Dieciséis mil dólares al mes.

• Laguna S 2.1, pensamiento desactivado — $ de entrada, $200 de salida. Quinientos dólares al mes.

• Laguna S 2.1, con el pensamiento activado a unas 2,4× de salida — $300 de entrada y unos $480 de salida. Menos de ochocientos dólares al mes.

Incluso con la penalización de traducción, a estas alturas eso supone una diferencia de unos $15 al mes. Si tu carga de trabajo es una que un S 2.1 pueda hacer realmente, la cuestión del precio no está ni cerca, y ninguna cantidad plausible de sobrecarga por reintentos cierra esa brecha. Lo que hace que todo dependa de la capacidad —y la capacidad es la mitad de esta comparación que no tiene una medida compartida.

Donde la brecha de cincuenta veces deja de ser lo importante

Tres cosas devuelven la proporción hacia la realidad, y cada una merece decirse sin rodeos, porque la cifra anterior es seductora de una manera que les ha costado dinero real a los equipos.

La primera es que un modelo de programación de 8 mil millones de parámetros activos y un generalista de frontera no son sustitutos. Laguna S 2.1 está diseñado para ingeniería de software agéntica —ediciones de repositorios, tareas de terminal, código multilingüe— y Poolside lo comercializa como tal. No está posicionado para trabajo profesional con abundancia de documentos, uso de computadora ni tareas de recuperación de contexto largo, donde GPT-6.1 Sol ostenta una puntuación independiente de Long-Context Recall del 83 % y una ventana de 1.050.000 tokens. En esas tareas, la comparación honesta no es «el modelo barato gana», sino «el modelo barato no se creó para esto». Los $15,000 al mes del ejemplo práctico solo suponen un ahorro si la salida del modelo más barato es utilizable, y para una clase de cargas de trabajo nadie ha demostrado que lo sea.

El segundo es el rendimiento y la superficie operativa. GPT-6.1 Sol reporta una latencia p50 de 2.442 milisegundos y 95,57 tokens de salida por segundo durante siete días de tráfico de nuestro propio playground, con una tasa de error del 6,36 %. No tenemos un panel de servicio comparable para Laguna S 2.1 —no está enrutado en OrcaRouter—, así que no hay ningún número que poner a su lado, y la latencia de la ruta autoalojada es función del hardware que compres. En ocho H100s no igualarás el rendimiento de un endpoint frontera alojado con la misma concurrencia; intercambiarás latencia por coste unitario, y cómo resulte ese intercambio depende de si tu carga de trabajo es sensible a la latencia.

La tercera es que la vía autoalojada solo es barata a escala. Las mismas tarifas de $0.10 y $0.20 que hacen que la aritmética anterior parezca una victoria arrolladora son también las que cotizaría un proveedor de inferencia que cobrara cerca del costo —lo cual es el argumento para alquilar el modelo abierto en lugar de comprar hardware para él, a cualquier volumen inferior al que justifica las GPU.

Cómo hacer la llamada de verdad

Este es el raro emparejamiento en el que el siguiente paso correcto no es un cambio de enrutamiento, porque se llega a los dos modelos de maneras completamente distintas.

GPT-6.1 Sol está en OrcaRouter como openai/gpt-6.1-sol al precio de lista de Open​AI con 0 % de margen — 2,00 $ de entrada, 10,00 $ de salida, entrada en caché a 0,10 $, y el tramo de más de 272.000 tokens aplicado exactamente como lo establece Open​AI. Como la capa de enrutamiento transfiere el precio del proveedor en lugar de aplicar un margen, cualquier cambio de precios por parte de Open​AI entra en vigor aquí el mismo día en que se aplica. Donde una ruta está activa, la conmutación por error automática se sitúa por debajo — que es la forma barata de averiguar si un modelo más económico puede sostener una ruta de producción, ya que el modelo caro queda a una sola regla de enrutamiento de distancia.

Laguna S 2.1 no está en OrcaRouter y no lo alojamos nosotros. Se puede acceder a él a través de la propia API de Poolside y, dado que los pesos están publicados, sirviéndolo tú mismo — lo que, para este modelo, es la opción más interesante, ya que un MoE de 118B con 8B activos es realmente lo bastante pequeño como para ejecutarse en hardware que un equipo de tamaño medio puede permitirse. Por lo tanto, el primer movimiento correcto con este emparejamiento no es en absoluto una comparación de precios: toma veinte de tus tareas de programación reales, ejecútalas por tu ruta actual de GPT-6.1 Sol y luego ejecuta esas mismas veinte por Laguna S 2.1 con el modo de pensamiento activado y desactivado. Ahora tienes la fila de referencia compartida que ningún proveedor ha publicado, sobre el único conjunto de tareas que importa, y la diferencia de precio de cincuenta veces se convierte en un número que o bien aprovechas o bien rechazas con evidencia.

El veredicto que merece este emparejamiento, a la vista de las pruebas que existen en la actualidad: Laguna S 2.1 es la propuesta de coste por capacidad más interesante en codificación agéntica ahora mismo, con unas cifras de proveedor que lo convertirían en la opción predeterminada si se confirmaran de forma independiente, y sin ninguna confirmación independiente de ninguna de ellas. GPT-6.1 Sol cuesta cincuenta veces más en salida y es el único de los dos cuya capacidad ha medido alguien ajeno a la empresa con un instrumento compartido. Compra los pesos del modelo barato y pruébalos, porque, a diferencia de la mayoría de los lanzamientos abiertos, este es lo bastante pequeño para probarlo como es debido — y trata la cifra de cincuenta veces como el motivo para hacer esa prueba, y no como la respuesta a esta.