GPT-6 Astra vs Grok 4.6: El empate en el índice se rompió y la brecha de precios depende del nivel

GPT-6 Astra y Grok 4.6 estaban empatados en el único marcador independiente que clasifica a ambos cuando esta página se publicó por primera vez el 4 de septiembre de 2026. Esa es la frase que la página tiene que retractar. Leído según el Artificial Analysis Intelligence Index tal como está el 16 de septiembre de 2026 — versión v4.3, diez evaluaciones — GPT-6 Astra (max) se sitúa en 53 y Grok 4.6 (high) en 44, donde solía haber un empate. La otra corrección es la del titular en el que hiciste clic. La lista de precios de Open​AI, leída el mismo día, lista GPT-6 Astra a $10.00 por millón de tokens de entrada, $1.00 por millón de entrada en caché y $50.00 por millón de salida; la lista de x​AI lista Grok 4.6 a $2.00, $0.50 y $6.00. Frente a la entrada estándar, eso es cinco veces. Frente a la salida, es 8.3 veces. Frente a la entrada en caché —la línea con la que realmente se factura la mayor parte del tráfico de producción— es el doble. No hay un multiplicador único, y la versión de esta página que afirmaba uno estaba redondeando una lista de precios de cuatro filas a un eslogan. Esta es una actualización, no un lanzamiento: GPT-6 Astra es el buque insignia de Open​AI desde el 3 de septiembre de 2026 y Grok 4.6 es el de x​AI desde el 12 de agosto de 2026. Lo que ha cambiado desde entonces es la medición, la disponibilidad y la aritmética.

El multiplicador nunca fue un solo número

Comience con las dos tarjetas de tarifas tal como sus proveedores las publican el 16 de septiembre de 2026, porque todo lo posterior hereda la estructura de sus niveles. Open​AI documenta GPT-6 Astra a $10.00 por 1M de tokens de entrada, $1.00 por 1M de entrada en caché, $12.50 por 1M de escrituras en caché y $50.00 por 1M de salida, y divide la tarjeta en columnas de contexto corto y contexto largo; pasado el umbral de contexto largo — 272,000 tokens de entrada según las cifras reportadas para esta tarjeta — toda la solicitud se vuelve a valorar a $20.00 de entrada, $2.00 en caché y $75.00 de salida. Batch and Flex facturan a la mitad de las tarifas estándar, y el modo Fast al doble. x​AI documenta Grok 4.6 a $2.00 por 1M de entrada, $0.50 en caché y $6.00 de salida frente a una ventana de contexto de 500,000 tokens, y una vez que una solicitud alcanza los 200,000 tokens de prompt, se factura toda la solicitud a $4.00 de entrada, $1.00 en caché y $12.00 de salida. Esas son tarjetas de tarifas de proveedores, no mediciones.

Póngalos uno al lado del otro y el múltiplo del viejo titular se descompone. Entrada estándar: $10.00 frente a $2.00, cinco veces. Salida: $50.00 frente a $6.00, 8.3 veces. Entrada en caché: $1.00 frente a $0.50, dos veces. Entrada de contexto largo: $20.00 frente a $4.00, cinco veces otra vez — pero la salida de contexto largo es $75.00 frente a $12.00, o 6.25 veces. El cinco del viejo título no fue inventado. Era una fila de una tarjeta de cuatro filas vestida con la ropa de un eslogan, y la fila que cites cambia la respuesta por un factor de cuatro. Cualquiera que te dé un solo número para esta comparación está eligiendo un nivel y sin decirte cuál.

Hay una segunda razón por la que la aritmética por token se queda corta al describir a este par, y va en sentido contrario. Los dos modelos no gastan la misma cantidad de tokens para completar el mismo trabajo, y en la medida de coste por tarea de Artificial Analysis —el coste promedio ponderado de ejecutar la evaluación de su Intelligence Index— el modelo caro por token es el más barato por trabajo terminado, una vez que igualas los ajustes de esfuerzo. Según los propios datos de modelos de AA del 16 de septiembre de 2026, GPT-6 Astra con alto esfuerzo sale a $1,72 por tarea del índice frente a Grok 4.6 con el ajuste alto en $1,86. La razón está en los recuentos de tokens del mismo registro: Astra consume 60 M de tokens de salida para ejecutar el índice completo frente a los 94 M de Grok 4.6, y 27 k tokens de salida por tarea frente a 36 k. Cinco veces la tarifa de entrada, con aproximadamente dos tercios del gasto de tokens, queda ligeramente por delante.

La combinación destacada en la propia página de comparación de AA dice algo distinto, y ambas son ciertas. La página de AA abre con GPT-6 Astra en máximo — $3.26 por tarea, 53 en el índice — frente a Grok 4.6 en alto, $1.86 y 44. Leído así, la prima parece no comprar nada en cuanto a coste. Leído con un esfuerzo alto equiparable, Astra obtiene 51 en el índice frente a 44 y cuesta diez centavos menos por tarea. Qué cifra corresponde en tu presupuesto depende enteramente de si piensas ejecutar Astra al máximo o en alto, y la página de AA no te obliga a elegir. Ese es el mismo fallo que el multiplicador único del título anterior, un nivel más abajo.

El empate en el índice ha desaparecido, y la lectura honesta es más limitada de lo que parece.

Cuando se escribió esta página por primera vez, ambos modelos estaban en 61 en el Artificial Analysis Intelligence Index y todo el artículo giraba en torno al precio. Ese hallazgo ya no se reproduce. En la tabla tal como se leía el 16 de septiembre de 2026, GPT-6 Astra (max) está en 53 y Grok 4.6 (high) en 44. Ambos modelos publican una escala completa de esfuerzo, y la escala importa más que la única fila que AA muestra en su página de comparación: según los propios datos de modelo de AA, GPT-6 Astra registra 53 (max), 53 (xhigh), 51 (high), 50 (medium), 46 (low), y Grok 4.6 registra 44 (high), 44 (xhigh), 43 (medium), 35 (low). En el ajuste coincidente más cercano, high frente a high, la diferencia es de siete puntos.

Dos advertencias deben hacerse a la vez. Primero, el índice se recalculó: la versión activa ahora es v4.3, construida a partir de diez evaluaciones —AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience y AA-LCR v1.1— sobre una población de modelos distinta de la de la clasificación de principios de septiembre. Parte de la brecha de nueve puntos que aparece es recalibración, más que que alguno de los laboratorios haya lanzado algo nuevo, y quien compare esta página con la anterior está comparando dos reglas distintas. Segundo, las dos entradas no tienen ajustes de esfuerzo equivalentes: la comparación de AA empareja el máximo de Astra con el alto de Grok 4.6, y una comparación de máximo contra alto no es equivalente. La lectura prudente de una diferencia de nueve puntos en un índice que reúne diez evaluaciones es una separación real pero modesta, no una derrota arrolladora —varios modelos se agrupan a pocos puntos por encima o por debajo de ambos—. Lo que sí puede decirse es lo contrario de lo que solía decir esta página: en la clasificación independiente, estos dos ya no son intercambiables, y el más caro va por delante.

La velocidad, que la versión anterior de esta página tuvo que dejar en blanco para Astra, ahora se mide —y las cifras de latencia son la mitad más llamativa. Artificial Analysis mide GPT-6 Astra (max) en 52,9 tokens de salida por segundo frente a Grok 4.6 (high) en 57,7, una diferencia que se nota en una generación larga y que no debería reconfigurar una decisión de enrutamiento. El tiempo hasta el primer token es otra historia: 334,04 segundos para Astra frente a 38,63 para Grok 4.6, y el tiempo de respuesta de extremo a extremo, 343,48 segundos frente a 47,31. Astra piensa durante minutos antes de responder. Para el trabajo de agentes por lotes y durante la noche, eso es invisible; para cualquier cosa interactiva, es el número decisivo, y no aparece en ninguna de las dos listas de tarifas.

La propia hoja de benchmarks de Astra, y quién puede decir qué

Las cifras principales de OpenAI para GPT-6 Astra, todas reportadas por el proveedor y ninguna de ellas reproducida aquí: 98 % en FrontierMath Tier 4, 100 % en ExploitBench —frente al 78,5 % del anterior buque insignia de OpenAI, GPT-5.6 Sol— y 99,9 % en ARC-AGI-3. Estos son los números que repitió la cobertura del lanzamiento, y dos de ellos merecen más escepticismo del que recibieron.

ARC-AGI-3 primero. El 99,9% proviene del arnés adaptador de proveedor de OpenAI. ARC Prize, que gestiona el benchmark, midió por separado 62,7% para el mismo modelo con su arnés Standard neutral respecto al proveedor, a $26.098 por la ejecución. La propia nota de ARC Prize indica que el adaptador conserva el estado de razonamiento de OpenAI entre solicitudes, por lo que ambas cifras miden cosas distintas y nunca deberían citarse como si fueran la misma medición. La magnitud de la diferencia demuestra el punto mejor que cualquier argumento: Astra, con razonamiento "none" bajo el adaptador, obtiene 96,7%, aproximadamente 34 puntos por encima de su propia puntuación con razonamiento máximo bajo el arnés Standard. La segunda cifra es el arnés haciendo un trabajo que el modelo no hizo.

FrontierMath Tier 4 es el otro. El 98% es el propio informe de OpenAI sobre un benchmark cuyo desarrollo financió OpenAI; al menos una tabla comparativa de la semana del lanzamiento muestra 97,6% para el mismo resultado. Considera ambos como reportados por el proveedor y ninguno como definitivo.

Lo que sobrevive al argumento del arnés vale la pena conservarlo. ARC Prize también descubrió que Astra usó menos acciones que la mediana de los humanos evaluados en el 96% de los niveles que completó, con un promedio de 51.7% menos acciones por nivel frente a una base de referencia humana extraída de aproximadamente 500 participantes —un resultado de eficiencia que no depende del adaptador. Y ARC Prize dijo sin rodeos que no afirma que Astra sea AGI: los entornos están acotados y son deterministas, y saturar un benchmark no es prueba de capacidad general. En el lado independiente de la programación, DeepSWE v1.1 de Datacurve —113 tareas en 91 repositorios activos de código abierto— sitúa a GPT-6 Astra en 74.1%. Eso es un resultado sólido más que uno que se despegue; la cima de esa tabla es un grupo, y una tabla cuyas entradas líderes quedan a un par de puntos entre sí es una tabla sobre incertidumbre tanto como sobre capacidad. No se había publicado en ella ninguna cifra de Grok 4.6 en una configuración comparable en el momento de redactar esto, así que esta dimensión tiene un solo lado.

Dos formas de trabajar y una diferencia real en el control.

Incluso cuando la puntuación es cercana, estos dos no coinciden en cómo los controlas. Grok 4.6 es un único modelo potente con un ajuste explícito del esfuerzo de razonamiento; tú decides cuánto razonamiento merece una solicitud y pagas una tarifa plana por ello. GPT-6 Astra se ejecuta más tiempo por sí solo y está diseñado para pausar y revisar antes de comprometerse. También es el primer modelo de OpenAI que la compañía ha calificado como «crítico» en su Preparedness Framework para el riesgo de ciberseguridad —una autoevaluación del proveedor, no un hallazgo externo— y la propia OpenAI admite que su capacidad de monitorización ha disminuido en relación con su anterior buque insignia, por lo que los ajustes más permisivos están restringidos a socios verificados en lugar de venderse abiertamente. Para un equipo de seguridad, esa restricción es una ventaja. Para un desarrollador que quiere una salida determinista y controlable con una fecha límite, es una fricción que pagas un sobreprecio por adquirir.

El marcador, etiquetado

• Inteligencia (independiente) — esfuerzo emparejado, alto contra alto: GPT-6 Astra 51, Grok 4.6 44. Tal como los empareja la página de comparación de AA, Astra (máx.) 53 contra Grok 4.6 (alto) 44. Artificial Analysis Intelligence Index v4.3, consultado el 16 de septiembre de 2026. No están al mismo nivel; el tamaño de la brecha depende del emparejamiento.

• Precio de lista, nivel estándar (tarjetas de tarifas del proveedor, consultadas el 16 de septiembre de 2026) — GPT-6 Astra $10.00 de entrada / $50.00 de salida / $1.00 en caché por 1M. Grok 4.6 $2.00 de entrada / $6.00 de salida / $0.50 en caché por 1M. Cinco veces en la entrada, 8,3 veces en la salida, dos veces en la entrada en caché.

• Precio de lista, contexto largo (mismas tarjetas, misma fecha) — GPT-6 Astra: toda la solicitud recalculada por encima del umbral de contexto largo a $20.00 / $2.00 / $75.00. Grok 4.6: toda la solicitud recalculada a 200K tokens de prompt a $4.00 / $1.00 / $12.00.

• Costo por tarea (independiente) — esfuerzo equiparado, alto contra alto: GPT-6 Astra $1,72 por tarea del Intelligence Index, Grok 4.6 $1,86. Tal como los empareja la página de comparación de AA, Astra (max) $3,26 frente a Grok 4.6 (high) $1,86. Artificial Analysis, consultado el 16 de septiembre de 2026.

• Latencia (independiente) — GPT-6 Astra: 334,04 s hasta el primer token, 343,48 s de principio a fin. Grok 4.6: 38,63 s y 47,31 s. Artificial Analysis, consultado el 16 de septiembre de 2026. La mayor diferencia de esta página. El propio listado de OrcaRouter para el mismo modelo registra un p50 de tiempo hasta el primer token de 6,71 s y un p95 de 10,00 s durante siete días, lo que mide un punto diferente de la respuesta y no es comparable con la cifra de AA; no ponga las dos en la misma frase como si lo fueran.

• Velocidad (independiente) — GPT-6 Astra 52,9 tokens de salida/s al máximo. Grok 4.6 57,7 tokens/s en alto. Artificial Analysis, consultado el 16 de septiembre de 2026.

• Codificación agéntica (independiente) — GPT-6 Astra 74,1 % en DeepSWE v1.1 de Datacurve. No se publicó ninguna ejecución comparable de Grok 4.6 en el mismo tablero en el momento de redactar esto, por lo que esta dimensión tiene un solo lado.

• Ciberseguridad y razonamiento (según el proveedor) — GPT-6 Astra: FrontierMath Tier 4 98%, ExploitBench 100%, ARC-AGI-3 99,9% en el adaptador de proveedor de Open​AI, frente al 62,7% medido de forma independiente por ARC Prize en su arnés estándar. Reportado por Open​AI; no reproducido aquí.

• Accede hoy — ambos modelos se pueden invocar a través de OrcaRouter con una sola clave. Tarifas indicadas en el router, consultadas el 16 de septiembre de 2026: GPT-6 Astra a $10.00 / $50.00 por 1M con un contexto de 1.05M tokens, Grok 4.6 a $2.00 / $6.00 por 1M con un contexto de 500K tokens.

Una nota sobre los gráficos de esta página, porque contienen números que el texto matiza. La tarjeta principal y el marcador muestran el mismo emparejamiento con el que abre Artificial Analysis —GPT-6 Astra en su ajuste de razonamiento máximo contra Grok 4.6 en alto—, por lo que la fila de inteligencia del marcador muestra la puntuación de esfuerzo máximo, mientras que su fila de coste muestra el coste de esfuerzo alto. Ambas cifras son de AA, ambas son actuales y no proceden del mismo ajuste de esfuerzo. El texto anterior proporciona la pareja de esfuerzo igualado siempre que la diferencia importe. La versión anterior de esta página incluía cuatro gráficos basados en la lectura del índice 61 contra 61; se han reemplazado en lugar de anotado, porque una tarjeta principal que afirma una declaración de la que el artículo se retracta es peor que no tener tarjeta principal.

La disponibilidad cambió, y eso cambia la respuesta de enrutamiento

La primera versión de esta página tenía que informar que GPT-6 Astra no estaba en OrcaRouter y Grok 4.6 sí. Ambos están ahora en el catálogo — GPT-6 Astra bajo el id de modelo openai/gpt-6-astra a las tarifas de lista de Open​AI, Grok 4.6 bajo grok/grok-4.6 a las de x​AI. Tarifas listadas en OrcaRouter, leídas el 16 de septiembre de 2026. El endpoint de Astra tampoco es una entrada de catálogo: el mismo listado registra 180,7 M de tokens de tráfico durante los siete días anteriores, listado por el router, leído el mismo día.

Eso importa específicamente para esta comparación, porque las dos tarjetas tienen formas de niveles distintas. Un router que factura el precio de lista del proveedor con un 0 % de margen aplica el nivel en el que realmente cae la solicitud: una llamada a Astra que se mantiene por debajo del umbral de contexto largo no se recotiza de nuestro lado, y una llamada a Grok 4.6 que supera los 200 K se recotiza según la regla de xAI y no según la nuestra. Cada tarifa de nuestro lado se traslada con un 0 % de margen — el número del proveedor es el número que pagas, y cuando un proveedor lo cambia, el cambio está activo en la misma clave el mismo día. Con ambos modelos en una sola clave, repartir una carga de trabajo entre ellos —Astra para el trabajo autónomo difícil y Grok 4.6 para absorber el volumen— es un cambio de enrutamiento y no un segundo contrato; la conmutación por error automática significa que un límite de velocidad en una ruta es un evento de enrutamiento en lugar de una interrupción; y el DSL de enrutamiento te permite combinar los dos en una sola llamada cuando quieres que el modelo barato redacte y el caro revise.

¿Quién debería pagar la prima?

Compra GPT-6 Astra si tu trabajo se sitúa en la banda donde ahora está mediblemente por delante. El índice independiente lo separa de Grok 4.6 en los ajustes que publica AA, su resultado en DeepSWE v1.1 es un número independiente real, y la hoja de benchmarks del propio proveedor es genuinamente de frontera una vez que se adjuntan las salvedades del arnés de pruebas. Presupuesta por tarea en lugar de por token, y vigila el umbral de contexto largo, que es donde una sola solicitud deja de ser una llamada costosa y se convierte en una muy costosa. Compra Grok 4.6 si quieres un razonamiento adyacente a la frontera a una tarifa que resiste un presupuesto real, además de la salida medida más rápida de los dos y una estructura de precios con un acantilado en lugar de dos.

El resumen corregido de este enfrentamiento no es que una brecha de cinco veces no compre nada, y tampoco que los dos estén a la par. Es que la brecha es real en todos los niveles y la proporción depende del nivel que se lea; que la brecha de rendimiento ahora también es real; y que los dos apuntan en la misma dirección — que es lo contrario de lo que decía esta página el 4 de septiembre de 2026, y una mejor razón para elegir entre ellos que un eslogan sobre múltiplos.