GPT-6 Luna vs Gemini 3.8 Flash: El nivel económico acaba de ser reemplazado

G​oogle lanzó G​emini 4 Hydrogen el 12 de noviembre de 2026, y su publicación de lanzamiento lo describe como "una importante actualización independiente para equipos que migran desde G​emini 3.8 Flash". Esa frase hace algo que ninguna tabla de benchmarks puede: cambia para qué sirve una comparación entre G​PT-6 Luna y G​emini 3.8 Flash. El lado de G​emini en esta comparativa ya no es un modelo que adoptas, sino uno del que te están haciendo migrar. El lado de Luna sigue siendo el escalón más barato de G​PT-6 de O​penAI, ocho semanas después de su lanzamiento y sin cambios. Así que la pregunta honesta no es cuál de estos dos es mejor. Es si eso que hacía que 3.8 Flash valiera sus 0,75 USD por millón de tokens de entrada sigue siendo válido para Hydrogen a 1,50 USD, y si los 0,10 USD de Luna estuvieron alguna vez en el mismo mercado.

Aquí está la versión breve antes del detalle. Gemini 3.8 Flash es el modelo más capaz según casi todas las métricas independientes y cuesta aproximadamente siete veces y media el precio por token. GPT-6 Luna genera el doble de salida por solicitud, cuesta alrededor de una décima parte por tarea en la suite de Artificial Analysis y es notablemente más lento en empezar a responder. Hydrogen no resuelve eso: sube el nivel de Gemini tanto en precio como en capacidad, dejando por defecto el extremo barato del mercado a Luna.

Las fichas técnicas, lado a lado

• Tarjeta de tarifas, ambas mitades: GPT-6 Luna a $0,10 de entrada y $0,50 de salida por 1M frente a Gemini 3.8 Flash a $0,75 y $3,75; el mismo 7,5x aparece en entrada y salida, lo cual es inusual y significa que ninguna forma de carga de trabajo puede arbitrar la proporción

• Entrada en caché por 1M: GPT-6 Luna $0.01 frente a Gemini 3.8 Flash $0.075, y ten en cuenta que Google lo presenta como una tasa de aciertos de caché en lugar de una tasa de escritura de caché, por lo que no es directamente comparable con el esquema de dos cifras de OpenAI.

• Precios de contexto largo: GPT-6 Luna duplica la entrada y la caché y multiplica la salida por 1,5 a partir de 272.000 tokens de prompt; Gemini 3.8 Flash cotiza una tarifa plana única en toda su ventana

• Ventana de contexto: 1.050.000 tokens para GPT-6 Luna frente a 1.048.576 para Gemini 3.8 Flash, una diferencia de 1.424 tokens que ninguna aplicación notará jamás

• Salida máxima: GPT-6 Luna 128.000 tokens frente a Gemini 3.8 Flash 65.536, una diferencia real la primera vez que pides un documento largo

• Qué aceptará realmente cada uno: Gemini 3.8 Flash acepta vídeo y audio, además de texto, imágenes y archivos; GPT-6 Luna acepta los tres últimos y rechaza los dos primeros

• El dial de esfuerzo: la escala de Luna va desde un “ninguno” rotundo (medio si no dices nada) hasta el máximo; la de G​emini empieza más arriba, se ajusta por defecto a alto, y G​oogle advierte que consume más tokens cuanto más lo subas.

• Lanzamiento: Gemini 3.8 Flash el 2 de septiembre de 2026; GPT-6 Luna el 22 de septiembre de 2026; Hydrogen, su reemplazo, el 12 de noviembre de 2026

• Artificial Analysis Intelligence Index v5.0.1: 31 para Gemini 3.8 Flash en alto, 28 para GPT-6 Luna en máximo, así que el modelo más barato pierde tres puntos mientras usa su configuración más cara.

• Espera hasta la primera palabra: 16,98 s en Gemini 3.8 Flash frente a 79,33 s en GPT-6 Luna, según Artificial Analysis; el modelo Gemini tarda más en completar una tarea entera, 15 minutos frente a los 11,8 de Luna

• Cuánto costó completar la ejecución del índice: Gemini 3.8 Flash, $7.77 por tarea, o $5,764 por el conjunto completo, frente a los $0.15 y $136 de GPT-6 Luna

Siete veces y media el precio, y dónde se nota

La brecha de inteligencia es de tres puntos: 31 contra 28. Eso es menor de lo que sugeriría la relación de precios y menor de lo que la mayoría de la gente supone, pero no es la parte interesante de la comparación, porque las dos puntuaciones se tomaron con diferentes configuraciones de esfuerzo - G​emini en alto, Luna en máximo. La puntuación de máximo esfuerzo de Luna es lo mejor que puede hacer; la puntuación de alto esfuerzo de G​emini es su valor predeterminado. El modelo de G​oogle tiene margen de mejora que Luna no tiene.

De dónde vienen los tres puntos es más útil que el número. Divide el índice en sus componentes y aparece un patrón: los dos modelos están cerca en las evaluaciones de estilo de codificación y muy separados en cualquier cosa que requiera recuperación o rechazo.

• Terminal-Bench 4.0 - Gemini 3.8 Flash 19,7 % frente a GPT-6 Luna 12,6 %; ambos son malos y ninguno es un agente de terminal

• Terminal-Bench-Science 0.1 - Gemini 3.8 Flash 10,0 % frente a GPT-6 Luna 8,6 %, lo que en términos prácticos es un empate

• HLE-Diamond: Gemini 3.8 Flash 33,1 % frente a GPT-6 Luna 22,2 %, una diferencia de once puntos en razonamiento difícil que ninguno de los dos modelos maneja bien

• FrontierCode-AA 2.0 - Gemini 3.8 Flash 18,7% frente a GPT-6 Luna 25,2%, la única evaluación de programación en la que Luna lidera, aunque ambos quedan muy por debajo de los modelos que superan el 46%

• AA-Omniscience v1.1 neto: Gemini 3.8 Flash +23 frente a GPT-6 Luna −8; esta es la brecha más amplia y de mayores consecuencias en la tabla

• AA-Briefcase v1.1 Elo - GPT-6 Luna 1337 vs Gemini 3.8 Flash 1203, una medida de trabajo del conocimiento en la que gana el modelo más económico

Esa última pareja es la que merece detenerse a analizar. En las preguntas sobre qué sabe un modelo y si admitirá que no lo sabe, Gemini 3.8 Flash obtiene un saldo neto de +23 y Luna de −8, lo que significa que las respuestas fabricadas de Luna superan a las correctas con la frecuencia suficiente como para llevar el total por debajo de cero. En trabajo de conocimiento estilo Briefcase, Luna obtiene 134 Elo más. Dos evaluaciones, veredictos opuestos, los mismos dos modelos. La resolución es que Briefcase recompensa seguir instrucciones sobre un corpus proporcionado, mientras que Omniscience recompensa saber cosas sin uno. Si tu aplicación distribuye los documentos, la debilidad de Luna queda contenida. Si responde de memoria, no.

¿Por qué el costo por tarea es 50 veces mayor cuando la tarifa es de 7.5 veces?

Los precios de lista difieren en un factor de 7,5. El coste medido para completar el Intelligence Index de Artificial Analysis difiere en un factor de más de 50: 7,77 $ para Gemini 3.8 Flash frente a 0,15 $ para GPT-6 Luna. La diferencia entre esos dos cocientes se debe enteramente al consumo de tokens, y es la cifra menos divulgada en todas las comparaciones de modelos publicadas este año.

Gemini 3.8 Flash es un razonador intensivo. Google lo dice directamente: en tareas complejas «muestra una mayor diligencia: ejecuta pasos de razonamiento adicionales y llama a herramientas de forma iterativa», y «podría usar más tokens para maximizar el rendimiento, especialmente en niveles de esfuerzo más altos». La propia contabilidad de la junta lo confirma: 98.900 tokens de salida por tarea para Gemini frente a 75.300 para Luna, de los cuales 60.100 y 57.600 son tokens de razonamiento, respectivamente. Multiplica ese recuento de tokens por una tarifa que ya es 7,5 veces más alta y la proporción por tarea se eleva hasta 50 veces. Este es el argumento más contundente a favor de Luna que existe, y no tiene nada que ver con la inteligencia.

También ocurre lo contrario con una carga de trabajo diferente. Si tus prompts son largos y tus respuestas son cortas —recuperación sobre un corpus fijo, clasificación con una salida de un token, triaje de logs—, entonces los tokens de salida son un error de redondeo en ambas tarjetas y la proporción de entrada de 7,5x es lo único que importa. La verbosidad de Gemini nunca llega a acumularse, y la ventaja de Luna se reduce de 50x a unos 7x. El número que debes modelar es tu propia proporción entre tokens de entrada y salida, no la del benchmark.

La brecha de funciones que nadie pone en una tabla comparativa

Gemini 3.8 Flash ingiere video y audio de forma nativa. GPT-6 Luna no: texto, imagen y archivo, nada más. Para la mayoría de las tareas de texto, eso es irrelevante, y es precisamente por eso por lo que los dos modelos se comparan siquiera: ambos se posicionan como la opción económica, ambos tienen aproximadamente un millón de tokens de contexto y ambos aceptan imágenes.

Para una carga de trabajo que implique llamadas grabadas, grabaciones de pantalla o audio de reuniones, la comparación termina ahí. Luna no puede hacer el trabajo a ningún precio, y el 7,5x no es un sobreprecio, sino una diferencia de categoría. La misma lógica se aplica a la inversa en cuanto a la longitud de salida: Luna devuelve hasta 128.000 tokens en una sola respuesta frente a los 65.536 de G​emini, lo cual importa cuando se supone que una sola llamada debe producir un documento entero y no solo un párrafo.

Qué cambia Hydrogen y qué no

El propio planteamiento de Google sobre la migración es inusualmente directo en cuanto a la diferencia: Hydrogen completa las tareas 2,5 veces más rápido en su configuración alta predeterminada que 3.8 Flash, más que triplica Terminal-Bench 4.1 (57% frente a 18,2%), reduce las afirmaciones fabricadas en más de 5 veces y se ejecuta entre 2 y 2,8 veces más rápido con un 12% a 23% menos de uso de tokens en las pruebas con socios. En el índice de Artificial Analysis, obtiene 51 en su nivel de razonamiento alto predeterminado frente al 50 de Argon, y 54 en xhigh.

También tiene un precio uniforme en toda su ventana de contexto: $1,50 por millón de tokens de entrada y $7,50 por millón de tokens de salida, el doble que 3.8 Flash en ambos lados. Así que el modelo que sustituye a 3.8 Flash cuesta el doble que el modelo al que sustituye y, según las propias cifras de G​oogle, está unos 20 puntos por encima en el índice de inteligencia. Es un claro salto hacia arriba en la curva, y elimina el segmento medio del mercado: el comprador que quería una capacidad de la clase G​emini a precios de la clase Flash ahora tiene un modelo por encima y otro por debajo, con la antigua opción en migración.

Nada de eso cambia la posición de Luna, porque Luna nunca compitió con un modelo de índice 31. Compite contra el suelo. Con $0.10 de entrada y $0.50 de salida, Luna sigue siendo la forma más barata de procesar un gran volumen de texto con un modelo competente detrás, y la llegada de Hydrogen a $1.50 hace que eso sea más cierto, no menos: la opción G​emini que solía costar 7.5 veces el precio de Luna ahora cuesta 15 veces.

Los resultados de terceros que discrepan

No todas las mediciones independientes sitúan a estos modelos a tres puntos de diferencia. StealthMark, un servicio de comparación que ejecuta su propio conjunto de evaluación, sitúa a Gemini 3.8 Flash por delante de GPT-6 Luna por 8,8 puntos, 47,9 a 39,1, y lidera en ocho de las nueve pruebas individuales. Y el Agent Initiative Benchmark de Deepnote —que puntúa a los modelos en cincuenta situaciones laborales dentro de una empresa simulada en lugar de en preguntas— no incluyó a Gemini 3.8 Flash en absoluto, así que la única evaluación que mide el comportamiento proactivo de los agentes no tiene nada que decir sobre este emparejamiento.

La diferencia entre «tres puntos» y «ocho puntos y medio» recuerda que la elección del benchmark es una decisión de modelización, no una decisión neutral. Las evaluaciones que favorecen a Gemini ponderan el conocimiento y la profundidad de razonamiento; las que favorecen a Luna ponderan el seguimiento de instrucciones sobre el contexto proporcionado y el coste. Ningún conjunto está equivocado. Un equipo que elija entre estos dos debería ejecutar una docena de sus propias tareas con ambos antes de confiar en cualquiera de las tablas, incluidas las cuatro de este artículo.

Dónde cada uno se gana su lugar ahora

• Video, audio o cualquier entrada multimodal: Gemini 3.8 Flash, o Hydrogen si empiezas desde cero. Luna no puede aceptar ese tipo de entrada.

• Respuestas basadas en el conocimiento del modelo sin documentos adjuntos - Gemini 3.8 Flash. La diferencia de +23 frente a −8 en Omnisciencia es la evidencia decisiva.

• Latencia interactiva en la que {{1}}un primer token de 79 segundos{{/1}} es un defecto de producto: Gemini 3.8 Flash a 17 segundos, aunque su tiempo medio por tarea de 15 minutos es peor que los 11,8 de Luna, así que la ventaja está en el primer token y no en el último.

• Generaciones largas, una sola llamada que produce un documento entero: GPT-6 Luna, gracias a un límite de salida de 128.000 tokens.

• Procesamiento de textos de gran volumen con documentos proporcionados: GPT-6 Luna, donde la ventaja de 50x por tarea es real y el nivel mínimo de factualidad está limitado por el corpus.

• Nuevos despliegues que quieran un nivel de G​emini de todas formas: G​emini 4 Hydrogen, no 3.8 Flash. Adoptar un modelo dos días después de que se lancara su reemplazo requiere una razón.

La cuestión de la migración merece una frase más, porque es la decisión práctica que se esconde dentro de esta comparación. Si hoy ejecutas Gemini 3.8 Flash en producción, las cifras de Hydrogen abogan por cambiar, pero su precio aboga por modelar primero la factura, ya que el ahorro de tokens que Google reporta (del 12 % al 23 %) no compensa una duplicación de ambas tarifas. Si no ejecutas ninguno de los dos, la elección se debate entre un modelo que se retira y un modelo que lleva ocho semanas sin cambios, y la respuesta depende por completo de si tu carga de trabajo necesita entrada de vídeo o un nivel mínimo de precisión fáctica.

Ejecutar cualquiera de los dos sin un proyecto de migración

La parte incómoda de una comparación como esta es que los dos candidatos hablan protocolos distintos —el endpoint generate propio de Gemini y el formato chat-completions de OpenAI—, y el modelo que elijas hoy puede quedar obsoleto en un trimestre, como acaba de ocurrir con 3.8 Flash. OrcaRouter expone GPT-6 Luna, Gemini 3.8 Flash, Gemini 4 Hydrogen y más de 200 modelos adicionales tras una única clave compatible con OpenAI con un 0% de recargo, con el precio de lista del proveedor repercutido, de modo que el precio introductorio de Google y cualquier cambio posterior llegan a la factura el mismo día. Eso importa más de lo habitual en este caso: 3.8 Flash se lanzó con lo que Google denominó una tarifa introductoria, y un modelo con precio introductorio del que se está migrando es una partida que conviene vigilar. Cambiar una ruta de un modelo a otro es un cambio en el DSL de enrutamiento y no un SDK nuevo; la conmutación por error automática mantiene una carga de trabajo activa cuando un proveedor se degrada, y la fusión de modelos permite que un panel responda cuando una única clasificación barata es demasiado importante como para confiarla a un solo modelo. No alojamos modelos que no enrutamos, y a ambos los enrutamos.

Qué ver a continuación

Dos fechas deciden cómo se leerá esta comparación dentro de un mes. La primera es el calendario de retirada de Google para Gemini 3.8 Flash: Hydrogen se lanzó el 12 de noviembre y el lenguaje de migración ya es público, así que la pregunta útil no es si 3.8 Flash desaparece, sino cuánto tiempo sobrevive la tarifa introductoria. La segunda es si OpenAI pone sobre la mesa un sucesor de GPT-6 Luna o un cambio de precios; Luna no ha cambiado desde el 22 de septiembre, y un modelo más barato o más capaz en el mismo nivel reiniciaría la aritmética tal como Hydrogen acaba de reiniciar la de Gemini.

Hasta que uno de esos llegue, el resumen es deliberadamente poco glamuroso. Gemini 3.8 Flash es el mejor modelo y la peor compra, y va de salida. GPT-6 Luna es el modelo más débil, con un coste por tarea un orden de magnitud inferior y un umbral mínimo de fiabilidad fáctica que limita en qué ámbitos se puede confiar en él. Ninguno es la opción predeterminada. La opción predeterminada, para cualquiera que empiece ahora, es Hydrogen del lado de Gemini y Luna en el nivel mínimo, y la diferencia entre ambos ya no es de 7,5x sino de 15x, lo que constituye una decisión distinta de la que este enfrentamiento fue escrito para responder.