GPT-6 Luna vs Claude Sonnet 5.5: Dos brechas, no una

Si pones GPT-6 Luna y Claude Sonnet 5.5 en la misma hoja de precios, la proporción es vergonzosa: $0.10 frente a $2.00 por millón de tokens de entrada, $0.50 frente a $10.00 por millón de salida. Si los pones en la misma evaluación, la diferencia parece completamente distinta según la evaluación que elijas. En el Intelligence Index de Artificial Analysis, Sonnet 5.5 al máximo esfuerzo obtiene 55 y Luna al máximo esfuerzo obtiene 28: una diferencia de 27 puntos en una tabla donde la cima del sector está en los cincuenta. En FrontierCode-AA 2.0, los mismos dos modelos obtienen 25.7 y 25.2. Eso no es una diferencia. Es un empate.

Ambas lecturas son correctas, y la razón por la que coexisten es lo que vale la pena entender antes de elegir. Luna no es un modelo uniformemente más débil que se vende a una vigésima parte del precio. Es un modelo con una forma específica: competitivo en la generación de diffs de código, muy por detrás en trabajo de terminal, razonamiento científico y contención factual, y aproximadamente un orden de magnitud más lento para producir su primer token. Sonnet 5.5 tiene la forma opuesta: consistente, rápido para arrancar y lo bastante caro como para que una flota de ellos necesite un caso de negocio.

Las dos fichas técnicas, dimensión por dimensión

• Precio de entrada por 1M: GPT-6 Luna $0.10 vs Claude Sonnet 5.5 $2.00, una proporción de 20x

• Precio de salida por 1M: GPT-6 Luna $0.50 vs. Claude Sonnet 5.5 $10.00, también 20x

• Entrada en caché por 1M: GPT-6 Luna $0.01 vs. Claude Sonnet 5.5 $0.10; A​nthropic redujo la tarifa de lectura de caché de Sonnet a la mitad de la de Sonnet 5 en su lanzamiento, y la relación con la tarifa en caché de Luna sigue siendo de 10x

• Escrituras de caché: GPT-6 Luna, $0,125 por 1 M, un recargo de 1,25x sobre la entrada; Sonnet 5.5 se factura a $2,50 por 1 M con la misma convención de 1,25x

Ventana de contexto: 1.050.000 tokens para GPT-6 Luna frente a 1.000.000 para Claude Sonnet 5.5, y la entrada utilizable de Luna está limitada a 922.000

• Salida máxima: 128.000 tokens en ambos

• Precios para contexto largo: Luna vuelve a fijar el precio de toda la solicitud por encima de 272.000 tokens de entrada a $0.20 / $0.75; la ficha de Sonnet 5.5 no tiene un escalón equivalente, lo que supone una ventaja discreta en prompts de 300K tokens

• Modalidades de entrada: texto, imagen y archivo en ambos; ninguno admite audio ni video.

• Control de razonamiento: GPT-6 Luna ofrece ninguno, bajo, medio (predeterminado), alto, xhigh y máximo, y puede desactivarse por completo; Claude Sonnet 5.5 tiene cinco niveles, de bajo a máximo, con alto como predeterminado, y el razonamiento siempre está activado

• Fecha de corte de conocimiento: 18 de mayo de 2026 para GPT-6 Luna; A​nthropic no publica una fecha comparable para Sonnet 5.5

• Lanzamiento: GPT-6 Luna el 22 de septiembre de 2026; Claude Sonnet 5.5 el 28 de septiembre de 2026, con seis días de diferencia

• Índice de Inteligencia AA v5.0.1 - GPT-6 Luna 28 con esfuerzo máximo vs Claude Sonnet 5.5 42 con su esfuerzo alto predeterminado y 55 al máximo

• Tiempo hasta el primer token de respuesta: GPT-6 Luna 79,33 s frente a Claude Sonnet 5.5 10,21 s en la misma prueba

• Costo por tarea de Intelligence Index: GPT-6 Luna $0.15 vs Claude Sonnet 5.5 $1.64

Veinte veces el precio, once veces la factura

La relación de precios de lista es un 20x exacto. La relación medida en una carga de trabajo real no lo es, porque el costo por tarea también cuenta cuántos tokens gasta cada modelo para llegar a una respuesta. En la ejecución del índice de Artificial Analysis, Luna consumió $136 en tokens para completar la suite y Sonnet 5.5 consumió $1,268, aproximadamente 9.3x. La cifra por tarea de Luna, de $0.15, frente a los $1.64 de Sonnet, es una relación de 10.9.

Esa diferencia favorece a Luna y juega en su contra al mismo tiempo, según tu carga de trabajo. Luna emite muchos tokens de razonamiento para ser un modelo económico: al máximo esfuerzo, es el más verboso de los dos por unidad de puntuación, y por eso la relación 20x de la lista se comprime a aproximadamente 10x en la factura. En una carga de trabajo donde domina la salida —generaciones largas, ediciones iterativas de código, cualquier cosa que escriba párrafos—, la compresión empeora para Luna, porque su tasa de salida es la mitad costosa de la tarifa. En una carga de trabajo donde domina la entrada —recuperación, lectura de registros, preguntas y respuestas sobre documentos en un corpus fijo—, el 20x se mantiene casi exactamente, y el almacenamiento en caché lo mejora aún más.

Una nota aritmética más que cambia la respuesta para un equipo que ya paga los precios de A​nthropic: A​nthropic describe Sonnet 5.5 como hasta un 30 % más barato por tarea que Sonnet 5 a pesar de una tarifa sin cambios, porque necesita menos tokens para hacer el mismo trabajo. Un equipo que pasa de Sonnet 5 a Sonnet 5.5 obtiene un descuento real sin cambiar una hoja de precios. Un equipo que pasa de Sonnet 5.5 a Luna obtiene un descuento de 10x y un modelo muy diferente.

Donde la brecha es un abismo, y por qué importa el arnés

Terminal-Bench 4.0 es la separación más clara del tablero: 43,9 % para Sonnet 5.5 frente al 12,6 % de Luna, medido por el mismo evaluador en las mismas condiciones. Terminal-Bench-Science es todavía peor para Luna: 34,3 % frente a 8,6 %. Si el trabajo es una sesión de shell, un sistema de compilación, una suite de pruebas que falla y que hay que diagnosticar archivo por archivo, el descuento de veinte veces no es ningún descuento. Luna no terminará la tarea con la frecuencia suficiente como para que el precio importe.

Ten cuidado con las cifras que citas para Sonnet aquí, porque hay dos y solo una es comparable. La publicación de lanzamiento de Anthropic reporta 70,6 % en Terminal-Bench 4.0, más de 26 puntos por encima de lo que midió el panel independiente. Ninguna de las dos cifras es deshonesta; la cifra del proveedor procede del propio arnés, la política de herramientas y el andamiaje de prompts de Anthropic, y las puntuaciones de Terminal-Bench varían sustancialmente con los tres. Deepnote planteó el mismo punto desde la dirección opuesta en su Agent Initiative Benchmark: "los resultados reflejan solo a los modelos, no al arnés", y un prompt o una política de herramientas distintos "harán cambiar todos los números de aquí". Trata el 70,6 % como lo que Sonnet 5.5 logra en la configuración de Anthropic y el 43,9 % como lo que logra en la de otra persona. Para comparar opciones, la segunda es la que debes usar, porque no vas a ejecutar la configuración de Anthropic.

La misma cautela se aplica a las propias cifras de proveedor de Luna. OpenAI informa que GPT-6 Luna, con esfuerzo máximo, obtiene un 66,6% en DeepSWE v1.1, "comparable a Claude Opus 5 y Fable 5 con esfuerzo medio", con un coste por tarea entre un 93% y un 96% menor. Se trata de un resultado reportado por el proveedor en una evaluación ejecutada por el proveedor, y no dice nada sobre Terminal-Bench, donde la cifra independiente es del 12,6%. Ambas frases describen el mismo modelo.

Donde la brecha se reduce a un error de redondeo

FrontierCode-AA 2.0 plantea si un agente de programación produce un cambio que esté listo para fusionarse en un repositorio real. Luna obtiene 25,2. Sonnet 5.5 obtiene 25,7. Medio punto, con una diferencia de precio de veinte veces, y ambos muy por debajo de los líderes en un benchmark en el que un modelo fuerte supera el 46 %.

Lee eso con atención antes de sacar la conclusión obvia. Una puntuación absoluta baja en un benchmark difícil significa que ambos modelos fallan la mayoría de las veces; cuando dos modelos fallan la mayoría de las veces, una diferencia de medio punto es sobre todo ruido. La afirmación útil no es «Luna escribe código tan bien como Sonnet 5.5». Es más concreta: en este estilo de tarea, con esta dificultad, el factor veinte adicional no aporta nada medible. Si tu carga de trabajo se parece a FrontierCode —ediciones autocontenidas en una base de código conocida, revisadas por una persona antes de fusionarlas—, Luna es una primera pasada defendible cuya salida un revisor iba a reescribir de todos modos.

Otras dos métricas se sitúan en el mismo rango: AutomationBench-AA coloca a Sonnet 5.5 en el 59,4 % y a Luna en el 53,2 %, y GDP.pdf en el 25,2 % frente al 22,8 %. Ninguna constituye un empate, pero ambas están dentro del intervalo en el que la ingeniería de prompts y la elección de herramientas pueden invertir el orden con tus propios datos.

Los dos aspectos en los que Luna es genuinamente peor, no solo diferente

Conocimiento y latencia, y ninguno de los dos se puede resolver con una reducción de precio.

AA-Omniscience v1.1 mide si un modelo sabe lo que no sabe. Sonnet 5.5 obtiene un neto de +19; Luna, un neto de -8. Una puntuación neta negativa en esa evaluación significa que las respuestas fabricadas del modelo superan a las correctas con la suficiente frecuencia como para arrastrar el total por debajo de cero. Ese es el número más determinante de esta comparación para cualquiera que construya un agente que responda sin una persona en el circuito, y es el número que una evaluación comparativa centrada en la programación nunca revelará. Combinado con el 38.5 de Luna en Humanity's Last Exam frente al 56.0 de Sonnet 5.5, el panorama es coherente: Luna es competente siguiendo instrucciones, pero su base fáctica es endeble.

La latencia es el segundo factor. Sonnet 5.5 alcanza su primer token de respuesta en unos 10 segundos; Luna tarda unos 79 con el máximo esfuerzo en la misma prueba. Si bajas el nivel de esfuerzo, esa diferencia se reduce —el presupuesto de razonamiento de Luna es el costo—, pero entonces estás comparando una Luna con menor esfuerzo contra un Sonnet a plena potencia, y la diferencia de puntuación aumenta en consecuencia. Para un producto interactivo, esto suele ser el factor decisivo independientemente del precio. Para un trabajo por lotes que se ejecuta durante la noche, es irrelevante.

El único benchmark en el que casi empatan en un trabajo real

Artificial Analysis mide los modelos mediante preguntas. El Agent Initiative Benchmark de Deepnote los mide mediante una tarea: cincuenta situaciones laborales simuladas dentro de una empresa ficticia, en las que el modelo lee Slack y decide si investigar, dónde responder y si responder siquiera. Claude Sonnet 5.5 obtuvo 6,65 a $0,42 por situación y terminó en 15 segundos. GPT-6 Luna obtuvo 6,38 a $0,0070 y tardó 50 segundos.

Siguen dos cosas. La diferencia de calidad en este tipo de tarea —un cuarto de punto— es menor que el intervalo que reporta el benchmark, y por eso Deepnote agrupa a los dos con DeepSeek V4.1 Flash, Mistral Large 4 y Claude Haiku 5.5 en un clúster que, según dice, «queda dentro de 0,6 puntos con intervalos superpuestos». Y la diferencia de costo es de 60 veces, no de 20 veces, porque Sonnet 5.5 gasta aproximadamente veinte mil tokens por situación con esfuerzo alto, mientras que Luna gasta mucho menos.

La diferencia está en la disciplina, no en la capacidad. Sonnet 5.5 se abstuvo en 6 de las 10 situaciones que requerían silencio; Luna se abstuvo en 4. Sonnet registró 11 ejecuciones perfectas y 7 ceros de 50; Luna registró 9 y 9. Si la tarea es acertar más a menudo y callar cuando no se está seguro, el modelo caro se gana su precio. Si la tarea es leérselo todo para que una segunda barrera más estricta decida qué mostrar, la versión barata es la única que encaja en el presupuesto.

La característica que realmente los diferencia es un interruptor de apagado.

GPT-6 Luna acepta reasoning_effort: "none". Claude Sonnet 5.5 no lo hace: el razonamiento siempre está activado en sus cinco niveles, que A​nthropic recalibró en relación con Sonnet 5, por lo que una integración heredada debería reajustar su configuración en lugar de mantener la anterior.

Esa única diferencia explica la mayor parte de la curva de costes. Una llamada de clasificación, una decisión de enrutamiento, una extracción a partir de un esquema conocido: ninguna de ellas necesita una traza de razonamiento, y se le puede indicar a Luna que la omita. El mismo trabajo en Sonnet 5.5 paga razonamiento tanto si ayuda como si no. También explica un límite que conviene conocer antes de construir sobre él: en Chat Completions, Luna solo admite llamadas a funciones cuando el esfuerzo de razonamiento se establece en none, así que todo lo que necesite herramientas tiene que pasar por la Responses API. Sonnet 5.5 admite herramientas en cualquiera de las dos superficies, mediante la API nativa Messages o el formato compatible con OpenAI.

La API Decisions de OpenAI, disponible de forma general desde el 22 de octubre de 2026, es la expresión más acotada de la misma idea: respuestas tipadas —una probabilidad, una elección, una puntuación de rúbrica— de GPT-6 Luna y de ningún otro modelo, con aproximadamente una décima parte de la latencia que OpenAI reporta para el mismo modelo a través de Responses. Si la pregunta es «¿este ticket contradice este registro de pedido?», Luna ahora puede responder en su forma nativa sin generar prosa en absoluto.

Elegir entre ellos

• Trabajo prolongado en la terminal, reparación de compilaciones, depuración de varios archivos: Claude Sonnet 5.5. El 12.6% de Luna en Terminal-Bench 4.0 no es una cuestión de presupuesto.

Cualquier cosa en la que una respuesta incorrecta sea costosa y nadie la compruebe: Claude Sonnet 5.5, gracias al +19 frente al −8 del diferencial de Omniscience.

• Superficies interactivas donde 79 segundos hasta el primer token es un defecto de producto - Claude Sonnet 5.5.

• Clasificación, extracción o enrutamiento de gran volumen, o un lector de primera pasada ante una puerta más estricta - GPT-6 Luna, con effort none o low, donde ninguna de las ventajas de Sonnet entra en juego.

• Ediciones de código autocontenidas que un revisor leerá de todos modos: GPT-6 Luna como primera pasada, Sonnet 5.5 como vía de escalado. La diferencia de medio punto de FrontierCode es lo que hace que la división sea discutible en lugar de imprudente.

Ejecutar ambos es la opción que las tarifas no anuncian pero que los números respaldan. Una configuración por niveles —Luna para el 90 % de las llamadas, que son baratas y acotadas, y Sonnet 5.5 para el 10 % que decide algo— cuesta más cerca de la factura de Luna que de la de Sonnet, a la vez que mantiene el criterio de Sonnet donde el criterio importa. OrcaRouter pone ambos modelos detrás de una sola clave compatible con OpenAI junto a más de otros 200, con un 0 % de margen y el precio de lista del proveedor repercutido tal cual, de modo que la proporción de 20x de la hoja es la proporción de 20x de la factura, y un cambio de precio de un proveedor te llega el mismo día. Como ambos aceptan el formato chat-completions de OpenAI, la división por niveles es una regla de enrutamiento y no una segunda integración: el DSL de enrutamiento envía primero una solicitud a Luna y escala según una condición, la conmutación automática por error cubre la ralentización de un proveedor, y no hay que cambiar código cuando un nuevo modelo aparece en el catálogo.

¿Qué cambiaría la respuesta?

La posición actual de Luna depende de forma inusualmente marcada del movimiento de una sola cifra: su suelo factual. Una actualización puntual que lleve AA-Omniscience de negativo a positivo eliminaría el argumento más sólido para pagar veinte veces más, porque las diferencias en trabajo de terminal y latencia son específicas de cada carga de trabajo, mientras que un modelo que inventa hechos es una responsabilidad en todas partes. A la inversa, un recorte de precio de Sonnet 5.5 —del tipo que Anthropic ha hecho antes y que un router con 0% de margen trasladaría de inmediato— reduciría la proporción lo suficiente como para volver irrelevante la cuestión de los niveles para muchos equipos.

A falta de uno u otro, el resumen honesto es que no son sustitutos. GPT-6 Luna es un lector barato, rápido para recibir instrucciones y escaso en datos, con un interruptor que desactiva el pensamiento. Claude Sonnet 5.5 es un escritor más lento en arrancar, caro y fiable que siempre piensa. El error es tratar el 20x como un veredicto. Es un presupuesto para las partes del trabajo en las que la diferencia no se nota, y el margen de medio punto de FrontierCode es el recordatorio de que algunas de esas partes son más grandes de lo que sugiere el marketing.