GPT-6 Luna vs GPT-5.6 Luna: el mismo nombre, la mitad del precio y un entregable peor

Dos modelos, una palabra en común y una puntuación independiente que en la práctica es idéntica. GPT-6 Luna alcanza 37,26 en el Artificial Analysis Intelligence Index; GPT-5.6 Luna alcanzó 37,32. Una diferencia de 0,07 puntos no es una medición, es ruido, y es el hecho más importante, con diferencia, de este emparejamiento. Lo que separa a los dos modelos no es la capacidad — es $0,0681 por tarea de índice completada frente a $0,1783, y una serie de regresiones en el trabajo del conocimiento que el recorte de precio no menciona.

Las fechas importan para interpretar las cifras. GPT-5.6 Luna se lanzó el 9 de julio de 2026 a $0.20 por millón de tokens de entrada y $1.20 por millón de salida. GPT-6 Luna se lanzó el 22 de septiembre de 2026 a $0.10 y $0.50 — exactamente la mitad de la tarifa de entrada y un 58% menos que la tarifa de salida, algo que OpenAI ha descrito como permanente en lugar de promocional. Eso es un recorte genuino, y también es la mitad menos importante de la historia. La mitad más importante es que el modelo más nuevo es un modelo diferente, no el mismo con otro precio.

Lo que realmente aporta una migración, en cifras

Si comparas los dos según las dimensiones que deciden una migración, el panorama es desigual. Algunas filas mejoran, otras retroceden y una mejora muchísimo.

• Precio — GPT-6 Luna $0.10 entrada / $0.50 salida por millón de tokens frente a GPT-5.6 Luna $0.20 / $1.20. La mitad en la entrada, 58% de descuento en la salida.

• Entrada en caché — $0.01 por millón frente a $0.02. El mismo descuento del 90% sobre una base reducida a la mitad, así que un prefijo repetido cuesta la mitad de lo que costaba en julio.

• Coste por tarea completada — $0.0681 frente a $0.1783 en la misma suite. Una reducción del 62%, mayor que la rebaja del precio de los tokens porque la combinación de tareas no es idéntica.

• Tokens de salida por tarea: 50.537 frente a 41.235. El nuevo modelo es un 23% más verboso por trabajo terminado, y el 78% de su salida es razonamiento que nunca aparece en la respuesta.

• Ventana de contexto — 1,050,000 tokens frente a 1,000,000. El mismo techo práctico; ambos limitan la salida a 128,000 tokens.

• Abstención: una tasa de alucinación del 76,7 % en AA-Omniscience frente al 92,6 %. Esta es la mayor mejora individual del conjunto, y no se trata de una ganancia de conocimiento: la precisión pasa del 42,7 % al 43,8 %, prácticamente sin cambios. El modelo más reciente se abstiene en lugar de inventar, lo que constituye un cambio de comportamiento y no de capacidad.

• Entregables de trabajo del conocimiento — AA-Briefcase v1.1 cae de 1.345,38 Elo a 1.299,23, y GDPval-AA v2.1 cae de 1.443,14 a 1.367,09. Ambos a la baja, en aproximadamente 46 y 76 puntos.

• Codificación y trabajo de horizonte largo — Terminal-Bench 4.0 pasa de 11.6% a 12.6% y SciCode de 53.6% a 54.6%, las dos filas de aquí que suben. En cambio, el Coding Agent Index cae de 43 a 41 y las evaluaciones agénticas estilo SWE van en la misma dirección.

• AutomationBench-AA — 53,2% frente a 50,2%. Sube, y lo hace más que cualquier otra medida agéntica del conjunto.

La regresión está en el artefacto, no en el razonamiento

El patrón de esas dos últimas filas merece que lo nombremos, porque constituye toda la decisión. El nuevo modelo es mejor en acciones agénticas de un solo paso y peor a la hora de devolver un documento terminado. Artificial Analysis atribuye el declive en el trabajo de conocimiento a la calidad de la presentación y a entregables que omitieron elementos requeridos de la rúbrica, más que a fallos fácticos o de razonamiento, que es precisamente el tipo de regresión que sobrevive a una prueba de humo y fracasa en una revisión.

Si juntamos los dos hechos, la migración se divide limpiamente en función de lo que consume la salida. Si tu pipeline lee salida estructurada —JSON, una clasificación, un campo extraído, una decisión de enrutamiento—, la regresión en la presentación no te cuesta nada, la mejora en la abstención es una ganancia real y la reducción del 62 % en el coste de la tarea se materializa por completo. Si una persona lee el entregable —un informe, un memorándum, un documento para el cliente—, el modelo más nuevo es mediblemente peor en exactamente aquello por lo que estás pagando, y el ahorro te está comprando un revisor.

El número de abstención merece el mismo tratamiento. Un modelo que pasa de inventar en el 93 % de lo que no sabe a inventar en el 77 % es un objeto materialmente distinto para una salvaguarda, un filtro de cumplimiento o cualquier pipeline en el que se propague una respuesta incorrecta presentada con seguridad. Esa mejora es real, se mide de forma independiente y es el argumento más sólido, que no depende en absoluto del precio, para trasladar trabajo al nuevo modelo.

Qué cambia en tu código y qué no

Es menos de lo que implica una reducción de precios de este tamaño, lo cual es la buena noticia. La ventana de contexto es de la misma clase, la salida máxima es idéntica con 128,000 tokens, y la cláusula de reajuste de precios para contexto largo de la familia no cambió: las solicitudes con más de 272,000 tokens de entrada se facturan a 2x las tarifas de entrada y de caché y a 1.5x las de salida, por toda la solicitud en lugar de por la parte que supera el límite. Una solicitud que era costosa con 300,000 tokens en GPT-5.6 Luna también es costosa en GPT-6 Luna —la mitad de tarifa, el mismo acantilado—, así que una carga de trabajo que debería haberse dividido en julio debería seguir dividiéndose ahora.

La escala de esfuerzo es donde cambia el comportamiento, y no el costo. GPT-6 Luna expone none, low, medium (el valor predeterminado), high, xhigh y max, y el valor predeterminado importa: un pipeline ajustado al esfuerzo predeterminado de un modelo no queda automáticamente ajustado al de otro. Los equipos que fijaron una configuración de forma explícita no se ven afectados. Los equipos que aceptaron el valor predeterminado están ejecutando una configuración distinta de la que tenían en julio, y el síntoma visible será el volumen de tokens, no la calidad.

Una trampa merece repetirse porque no desaparece con el nuevo modelo. En el endpoint de Chat Completions, la llamada a funciones solo funciona cuando el esfuerzo de razonamiento se establece en none; cualquier otro nivel de esfuerzo, y toda herramienta integrada, requiere la Responses API. Un equipo que adapte un bucle de llamada a herramientas cambiando la cadena del modelo descubrirá que sus herramientas no están disponibles de forma silenciosa con el esfuerzo medio predeterminado, y la solución es reescribir la superficie de llamada, no un parámetro.

Lo que puedes enrutar hoy, y lo que no puedes

Esta es la parte de la migración que no tiene nada que ver con los benchmarks. GPT-5.6 Luna está en OrcaRouter a su precio de lista — 0,20 $ por millón de tokens de entrada, 1,20 $ por millón de salida, una ventana de contexto de 1.000.000 de tokens, una salida máxima de 128.000 tokens y un p50 de tiempo hasta el primer token de 1,60 segundos medido sobre tráfico real en nuestra propia página del modelo. Trasladamos los precios de lista del proveedor sin ningún margen, así que el día en que OpenAI cambió el precio de esta familia, el cambio ya estaba activo de nuestro lado en lugar de esperar al siguiente ciclo de facturación.

GPT-6 Luna no es enrutable a través de OrcaRouter a fecha de 23 de septiembre de 2026. Su disponibilidad se limita a la propia API de OpenAI y a los catálogos en la nube que incluyen esta familia, y no listamos un modelo que no podemos servir. La consecuencia práctica es que un equipo que planifique esta migración puede trasladar hoy la tarificación y no puede trasladar hoy el enrutamiento: las dos mitades del cambio recaen en fechas distintas.

Lo que eso hace posible mientras tanto es la configuración que la mayoría de los equipos acabará queriendo de todos modos. Mantén GPT-5.6 Luna en las rutas donde el entregable es el producto, ejecuta GPT-6 Luna allí donde el código consume la salida, y trata la frontera como un nivel en lugar de una reescritura. Como los modelos a los que puedes llegar están detrás de un único endpoint con más de 200 modelos en la misma clave y con conmutación automática en caso de fallo entre proveedores, añadir o quitar un nivel es una entrada de configuración y no una segunda integración, y la ruta de escalado deja de depender de que un solo modelo esté disponible.

La decisión de migración, expresada sin rodeos

Mueve el trabajo allí donde la salida se lee por máquina y la condición de éxito es verificable. La clasificación, la extracción, las decisiones de enrutamiento, las llamadas a barreras de seguridad, las pasadas de transformación en bloque y las acciones de agente de un solo paso cumplen los requisitos: el resultado compuesto no cambia, el comportamiento de abstención es sustancialmente mejor y el costo de la tarea se reduce alrededor de un 62 %. Con Batch a la mitad de las tarifas estándar y la entrada en caché a una décima parte de una base reducida a la mitad, un pipeline que era marginal en julio puede resultar sencillo ahora.

No cambies el trabajo en el que una persona da el visto bueno al artefacto, y no cambies a ciegas las rutas de los agentes de codificación. Una caída de 46 puntos en AA-Briefcase y una caída de 76 puntos en GDPval son cifras pequeñas que apuntan en la misma dirección que una caída de dos puntos en el Coding Agent Index, y el modo de fallo que describe Artificial Analysis —elementos de rúbrica omitidos, presentación más débil— es invisible para una comprobación automatizada. Mantén el modelo anterior donde el acabado es el entregable.

Y trata el empate de 0.07 puntos en el índice como el hallazgo que es. No se trata de un modelo más inteligente a un precio más bajo. Es un modelo con una forma distinta a un precio más bajo, y la pregunta que un plan de migración tiene que responder es qué forma consume tu carga de trabajo — no cuál puntuación es más alta, porque según el registro independiente esas dos puntuaciones son el mismo número.