GPT-6.1 Terra vs. GPT-6.1 Sol: dónde la salida de $5 deja de ser la respuesta más barata

La comparación que la mayoría de la gente hace entre GPT-6.1 Terra y GPT-6.1 Sol es errónea, y lo es de una manera que favorece al modelo más barato. A ambos les configuran el máximo esfuerzo de razonamiento, señalan que Terra obtiene una puntuación un poco más baja, señalan que Terra cuesta la mitad y concluyen que Terra es la opción predeterminada sensata. Pero nadie ejecuta una canalización de producción con el máximo esfuerzo en cada llamada. La elección real es Terra en xhigh frente a Sol en low — y en esa comparación, los comentaristas de Hacker News señalaron, pocas horas después del lanzamiento, que Terra puede costar más que Sol aunque obtiene peores resultados. El modelo que eliges importa menos que el nivel de esfuerzo al que lo fijas, y el nivel de esfuerzo es la variable que ninguna de las dos páginas de lanzamiento incluye en el titular.

Ambos modelos son de la misma generación y del mismo mes: GPT-6.1 Sol se lanzó el 29 de septiembre de 2026 y GPT-6.1 Terra, el 26 de octubre. Comparten una ventana de contexto de 1,05 M, un límite de salida de 128 K, los mismos tres endpoints y la misma entrada de texto e imagen. Lo que los separa es una diferencia de cuatro puntos en el índice independiente y una diferencia de 2× en la lista de precios; y la cuestión de si cuatro puntos valen el doble depende por completo de lo que haga tu carga de trabajo con esos últimos cuatro puntos.

El mismo modelo, dos tarjetas de precios

Especificaciones de la documentación del modelo de OpenAI, consultada el 27 de octubre de 2026.

• Precio — GPT-6.1 Terra $1 de entrada / $5 de salida por millón; GPT-6.1 Sol $2 / $10. La entrada en caché de Terra es $0.05, la de Sol $0.10.

• Contexto: 1.050.000 tokens cada uno, 922.000 de entrada máxima, 128.000 de salida máxima. Idénticos.

• Fecha de corte de conocimientos — Terra: 1 de junio de 2026; Sol: 30 de abril de 2026. El modelo más barato y más nuevo tiene un mundo más actualizado por aproximadamente un mes.

• Esfuerzo de razonamiento — Terra ofrece ninguno, bajo, medio, alto, xhigh, máximo; Sol ofrece de bajo a máximo. El nivel adicional «ninguno» de Terra es un auténtico piso de costo que Sol no tiene.

• Modificadores — ambos tienen batch y flex al 50% por debajo del estándar, fast a 2×, regional a +10%, y el umbral de entrada de 272K. Solo Sol tiene un nivel Ultrafast a 6× del estándar, que a precio de lista equivale a $12 de entrada y $60 de salida por millón.

• Herramientas y endpoints — conjunto idéntico. Responses API para llamadas a herramientas, Chat Completions sin herramientas, Batch para ambos, sin fine-tuning en ninguno de los dos.

Cuatro puntos, el doble del precio

Artificial Analysis sitúa actualmente a GPT-6.1 Terra con un Intelligence Index de 48 —puesto 25 de 221 modelos— y a GPT-6.1 Sol con 52, en el puesto 13. Esa es toda la diferencia independiente de capacidad: cuatro puntos, con el máximo esfuerzo, en un índice compuesto. No es poca cosa. Tampoco es el abismo que implica el lenguaje de «buque insignia frente a gama media», y ambos modelos comparten una generación, una familia de arquitectura y una ventana de contexto.

La diferencia de coste es más fácil de enunciar: exactamente 2× tanto en entrada como en salida con las tarifas estándar. Terra no es un modelo de saldos; es el precio de Sol reducido a la mitad con cuatro puntos de índice menos.

Costo por tarea finalizada, no por token

El número que debería guiar la decisión es el coste por tarea completada, porque incorpora cuántos tokens dedica cada modelo a pensar. En el Intelligence Index de Artificial Analysis, GPT-6.1 Terra cuesta 0,40 $ por tarea y GPT-6.1 Sol 0,72 $ —un ahorro del 44 % para Terra, menor que el 50 % anunciado, porque Terra consume algo más de tokens para completar el mismo trabajo con el máximo esfuerzo.

Llévalo a escala. Con un millón de tareas al mes, la diferencia es de aproximadamente $320,000. Con diez mil tareas, es de $3,200: dinero real, pero menos que una semana de ingeniero dedicada a reconstruir un arnés de evaluación. El umbral en el que la ventaja de precio de Terra justifica una migración es una cuestión de volumen, no de calidad, y es el primer número que hay que calcular antes de leer cualquier tabla de benchmarks.

Hay un efecto de segundo orden a favor de Terra que no se refleja en ninguno de los dos precios: la fecha de corte de conocimiento. El horizonte de entrenamiento de Terra, del 1 de junio, es un mes más reciente que el de Sol, del 30 de abril. Para cargas de trabajo que dependen de API recientes, versiones de bibliotecas o documentación, ese mes vale más de cuatro puntos de índice, y obtenerlo cuesta la mitad.

La trampa del nivel de esfuerzo, analizada paso a paso

Este es el modo de fallo en términos concretos. Terra en el ajuste xhigh gasta más tokens por tarea que Sol en el ajuste low. Si los tokens de Terra cuestan la mitad, pero usa más del doble de ellos, el modelo más barato ya no sale más barato — y, como xhigh es un ajuste más débil que el low de Sol en las tareas más difíciles, estás pagando más por una peor respuesta. Los comentaristas de Hacker News describieron exactamente esto en Terminal-Bench 4.0 en menos de un día desde su lanzamiento.

La solución no es evitar Terra. Es comparar con el mismo gasto en lugar de con la misma configuración. En concreto: primero elige tu umbral de calidad —la tasa de aprobación que tu producto necesita en tu propia evaluación— y luego encuentra el par (modelo, esfuerzo) más económico que lo supere. Ese espacio de búsqueda tiene doce puntos prácticos entre estos dos modelos, no dos, y la respuesta normalmente no es «Terra al máximo» ni «Sol al máximo».

Las propias cifras de OpenAI ilustran cuánto cambia la configuración. La tasa de error de Terra en el conjunto interno de inducción de errores del proveedor cae del 16,7 % con esfuerzo bajo al 4,3 % con esfuerzo máximo —una variación de 12 puntos dentro de un mismo modelo. La diferencia entre Terra y Sol en el índice independiente es de cuatro puntos. El dial de esfuerzo es una palanca más grande que la elección del modelo, y girarlo es gratis.

Donde Sol todavía obtiene el margen

El posicionamiento de OpenAI para Sol es "rendimiento cercano al de Astra para trabajo complejo a un coste menor", y los benchmarks del proveedor en los que se diferencia de Terra son coherentes con eso: trabajo agéntico de horizonte largo, la programación más difícil y documentos profesionales densos. También son las tareas en las que una ejecución fallida cuesta más que los tokens, que es precisamente cuando un sobreprecio de 2× es fácil de justificar.

El contraargumento de Terra es más limitado de lo que sugiere el marketing, pero más contundente de lo que implica el índice. OpenAI informa que Terra está a menos de 5 puntos de Claude Opus 5.5 en Terminal-Bench-Science 0.1 con menos de una quinta parte del coste estimado, y 15 puntos por encima de GPT-5.6 Terra en Agents' Last Exam a aproximadamente un tercio del coste. Son cifras generadas por el proveedor en pruebas seleccionadas por el proveedor, así que establecen una dirección, no una magnitud —pero la dirección es «suficientemente bueno en tareas adyacentes a la ciencia y agénticas, mucho más barato», lo cual es un nicho real.

La división honesta es esta: Sol es para las tareas en las que notarías una caída de cuatro puntos en la calidad, y Terra es para las tareas en las que notarías la factura. Muy pocas cargas de trabajo son enteramente una cosa o la otra, y por eso la cuestión del enrutamiento importa más que la cuestión del modelo.

La latencia puede decidirlo antes que la calidad.

Artificial Analysis mide GPT-6.1 Sol en 65,9 tokens de salida por segundo con 325,58 segundos hasta el primer token al máximo esfuerzo. Esa cifra de tiempo hasta el primer token no es un error tipográfico, y es descalificadora para cualquier uso interactivo. Terra aún no tiene una medición independiente de rendimiento; OpenAI la describe como sustancialmente más rápida y, si eso se cumple, la diferencia es lo bastante grande como para zanjar la discusión para productos con formato de chat o de bucle de agentes, independientemente de las puntuaciones de los índices.

Para el trabajo por lotes, el cálculo se invierte: 325 segundos de razonamiento son irrelevantes si el trabajo se ejecuta durante la noche, y vale la pena pagar por el mayor techo de Sol. La latencia es una propiedad de la carga de trabajo, no del modelo, y debe formar parte de la decisión antes que la clasificación en benchmarks.

Manteniendo ambos brazos sobre una misma tecla

OrcaRouter ofrece GPT-6.1 Sol a su precio de lista de $2/$10 con un 0% de recargo, con la misma clave que más de 200 modelos. GPT-6.1 Terra no está en nuestro catálogo a fecha del 27 de octubre —tiene un día de vida y está disponible a través de la API de OpenAI—, así que el patrón práctico hoy consiste en medir el brazo Sol de nuestro lado y fijarlo como objetivo de escalado: ejecutar Terra donde gana y conmutar a Sol cuando una solicitud necesite los cuatro puntos extra o cuando un proveedor tenga una mala hora. Ambos son la misma generación, la misma ventana de contexto y la misma forma de endpoint, así que la regla de enrutamiento es una cadena de modelo y un ajuste de esfuerzo, no una reescritura.

El DSL de enrutamiento importa aquí por una razón concreta. La configuración de producción interesante no es «Terra o Sol», sino «Terra en nivel alto, escalando a Sol en nivel medio cuando la confianza es baja» — una composición que, de otro modo, implicaría dos integraciones, dos políticas de reintento y dos facturas. Ese es el tipo de decisión al que invita esta pareja, y es la razón por la que los dos modelos deberían evaluarse como una escalera en lugar de como una disyuntiva.

La regla de decisión

• Alto volumen, bien especificado, sensible a la latencia: capturas de pantalla, formularios, extracción, automatización del navegador y redacción rutinaria. Terra, con el nivel de esfuerzo más bajo que supere tu evaluación. El déficit de cuatro puntos no aparecerá, y el ahorro del 44 % por tarea sí.

• Codificación exigente, agentes de horizonte largo, documentos profesionales densos, cualquier cosa en la que una ejecución fallida cueste más que los tokens. Sol. Esta es la carga de trabajo para la que existe la prima de 2×.

• Chat interactivo con un presupuesto estricto de tiempo hasta el primer token. Terra, a menos que hayas medido Sol en esfuerzo bajo y comprobado que la latencia es aceptable. Sol con el máximo esfuerzo es un instrumento por lotes vestido con una interfaz de chat.

• Trabajo que requiere información reciente: APIs recientes, versiones de librerías, documentación actual. El corte de junio de Terra supera al corte de abril de Sol, y lo hace a la mitad del precio.

• No estoy seguro. Compara con el mismo gasto, no con la misma configuración. Ese único cambio hará que más equipos se pasen a Terra que cualquier tabla de comparativas.

La pregunta abierta no es si Terra es lo bastante bueno como para reemplazar a Sol —evidentemente no lo es, según la única medida independiente disponible—. Es si la brecha de cuatro puntos sobrevive a la llegada de GPT-6.1 Astra, que aún no se ha lanzado y que hará descender a Sol en la escala de la misma manera en que Sol hizo descender a Astra en ella. Cuando eso ocurra, la comparación interesante será Terra frente a un Sol con descuento, y el dial de esfuerzo importará aún más de lo que importa hoy.