GPT-6 Luna vs GPT-6 Astra: cien veces el precio por dieciséis puntos de índice

El proveedor lanzó ambos modelos dentro del mismo mes. GPT-6 Astra salió el 3 de septiembre de 2026 a $10.00 por millón de tokens de entrada y $50.00 por millón de salida, posicionado como el sistema más capaz de la compañía para el trabajo profesional de horizonte largo. GPT-6 Luna le siguió el 22 de septiembre de 2026 a $0.10 y $0.50 — una centésima parte del precio de entrada, una centésima parte del precio de salida — como el nivel de eficiencia de la familia. Dieciséis puntos de índice los separan en la tabla independiente que mide a ambos. Dieciséis puntos por un precio cien veces mayor es toda la comparación en una sola línea, y no es la parte interesante.

Lo interesante es que la etiqueta de cien veces se reduce a algo más cercano a cuarenta y seis veces una vez que se tiene en cuenta cómo se comporta realmente cada modelo en una tarea, y que la brecha restante no es inteligencia general en absoluto. Es uso de computadoras, autonomía de horizonte largo y una clasificación de seguridad que decide si a tu organización se le permite siquiera llamar al modelo. Ese último elemento es el que ninguna tabla de benchmarks captura, y para muchos equipos resuelve la cuestión antes de que se mencione el precio.

Dos niveles de una misma familia, con diecinueve días de diferencia

Astra es el modelo insignia de OpenAI y el modelo que la compañía describe como el más inteligente y alineado del mundo. Acepta entrada de texto, imágenes y archivos, cuenta con una ventana de contexto de 1.050.000 tokens con un límite de salida de 128.000 tokens, y tiene razonamiento siempre activo con un esfuerzo configurable desde bajo hasta máximo. Es el primer modelo de OpenAI que cruza el umbral de capacidad de ciberseguridad de nivel Crítico bajo el Marco de Preparación de la compañía, y el despliegue se derivó de esa clasificación en lugar de la capacidad: primero, organizaciones limitadas, acceso empresarial desactivado de forma predeterminada y administrable a partir del 9 de septiembre, con niveles de salvaguarda que se ampliarán después.

Luna es el otro extremo de la misma familia. Entrada de texto e imagen, salida de texto, la misma ventana de contexto de 1,050,000 tokens y el mismo límite de salida de 128,000 tokens, y una escala de razonamiento que va desde none, pasando por low, medium, high y xhigh, hasta max, con medium como valor predeterminado. Sin restricciones, sin interruptor empresarial, sin nivel de seguridad que cumplir. Está disponible de forma general para cualquiera que tenga una clave de API, y la propia descripción de OpenAI es precisa y honesta: el modelo más eficiente para tareas concretas y de gran volumen.

Los dos modelos comparten una ventana de contexto, un límite de salida, una familia de fecha de corte de conocimiento y una cláusula de precios para contexto largo. No comparten casi nada más, y la razón es que fueron creados para dos mitades distintas de un mismo trabajo.

La tarjeta de tarifas dice cien veces. El costo de la tarea dice cuarenta y seis.

Una línea por dimensión, ambos lados en cada una:

• Entrada por 1M — GPT-6 Luna $0.10 frente a GPT-6 Astra $10.00

• Salida por 1M — GPT-6 Luna $0.50 vs GPT-6 Astra $50.00

• Entrada en caché — GPT-6 Luna $0,01 por 1 millón frente a GPT-6 Astra $1,00 por 1 millón, ambos con un 90 % de descuento sobre su propia tarifa sin caché

• Coste por tarea de indexación — GPT-6 Luna unos 0,07 $ frente a GPT-6 Astra unos 3,26 $

• Costo de ejecutar el índice completo — GPT-6 Luna $122.39 vs GPT-6 Astra $5,324.10

• Índice de Inteligencia AA — GPT-6 Luna 37 con esfuerzo máximo vs GPT-6 Astra 53 con esfuerzo máximo

• Tokens de salida en la ejecución del índice — GPT-6 Luna 150M vs GPT-6 Astra 60M, frente a una mediana del tablero de 88M

• Velocidad de salida — GPT-6 Luna 153.9 tokens/seg vs GPT-6 Astra 51.4 tokens/seg en xhigh

• Tiempo hasta el primer token — GPT-6 Luna lo suficientemente rápido para estar detrás de una superficie interactiva vs GPT-6 Astra 208,73s en xhigh

• Interruptor para desactivar el razonamiento — GPT-6 Luna, de ninguno a máximo, con «ninguno» como opción, frente a GPT-6 Astra, siempre activado, sin modo sin razonamiento

• Uso de computadora y autonomía — llamada a herramientas y bucles agénticos de GPT-6 Luna vs GPT-6 Astra, diseñado para operar una computadora de principio a fin

• Acceso — GPT-6 Luna disponible en general para cualquiera vs GPT-6 Astra con acceso restringido, empresa desactivada por defecto, se requieren controles de administrador

• En OrcaRouter — GPT-6 Luna no está en nuestro catálogo vs. GPT-6 Astra enrutable al precio de lista de OpenAI

Lea la fila de costo por tarea frente a la relación del cuadro de tarifas, y la brecha se reduce en más de la mitad. Luna gasta 150 millones de tokens de salida completando el índice; Astra gasta 60 millones. Astra es dos veces y media más concisa, y en un modelo con precio por salida eso vale mucho: es la razón por la que una diferencia de cien veces en el cuadro de tarifas se convierte en una diferencia de cuarenta y seis veces en el costo por tarea, y la razón por la que cualquier comparación basada únicamente en los precios de etiqueta exagerará el argumento a favor del nivel económico por un factor de dos.

Las filas de velocidad van en dirección opuesta y no están ni cerca. Luna genera el triple de tokens por segundo que Astra y devuelve su primer token en un tiempo que permite que un usuario esté esperando. El tiempo de 208,73 segundos de Astra hasta el primer token en xhigh no es una cifra de latencia; es una declaración sobre para qué sirve el modelo. Nada que una persona esté viendo puede ejecutarse en Astra con esa configuración.

Qué compra realmente dieciséis puntos

La brecha del índice es real, y la pregunta útil es qué hay dentro de ella, porque la respuesta no es «un dieciséis por ciento más de inteligencia».

Las capacidades publicadas de Astra se concentran en un ámbito concreto. OpenAI informa de un 72,6 % en OSWorld 2.0 y un 69 % en AutomationBench-AA —ambas medidas de un modelo que opera software como lo haría una persona, a lo largo de muchos pasos y durante un periodo prolongado—. En el apartado de conocimiento, las cifras son 96,1 en GPQA Diamond, 97,6 % en FrontierMath Tier 4 y 57,2 % en Humanity's Last Exam con herramientas, y la recuperación de contexto largo es una fortaleza destacada: 100 % en el propio benchmark de ocho agujas de OpenAI entre 256K y 512K tokens, y 96,3 % entre 512K y 1M. Estos datos los reporta el proveedor y no se han reproducido, y el arnés de evaluación importa —el mismo modelo obtiene un 99,9 % en ARC-AGI-3 con el adaptador de proveedor personalizado de OpenAI frente a un 62,7 % con el arnés estándar, una variación que dice tanto sobre el arnés como sobre el modelo.

Leídos en conjunto, eso no es una ventaja de propósito general. Es una ventaja concentrada en tareas que llevan mucho tiempo, usan una computadora y tienen un punto final verificable. El posicionamiento competitivo de Astra no es contra otro chatbot; es contra una sesión de trabajo, y los modelos con los que se le mide en la tabla independiente son los otros insignia del mismo nivel: empata con Claude Fable 5.1 con 53 en el Intelligence Index a aproximadamente el 40 % del costo por tarea.

El déficit de dieciséis puntos de Luna, por lo tanto, no se distribuye de manera uniforme. En una tarea corta, bien especificada y consumida por un programa, los dos modelos con frecuencia producirán la misma respuesta utilizable y la diferencia será invisible. En una tarea que requiere cuarenta acciones secuenciales en un navegador con un punto de control al final, el déficit es la diferencia entre completar y no completar — y esa es la tarea para la que se creó Astra y Luna no.

La puerta que nadie descuenta

Astra es el primer modelo de OpenAI que cruza el umbral Critical de ciberseguridad bajo el Preparedness Framework de la compañía, y la consecuencia práctica es que se entrega desactivado para las cuentas empresariales. Un administrador tiene que habilitarlo, bajo un tarifario y un acuerdo aplicables, antes de que los usuarios puedan verlo siquiera. El acceso se abrió a un conjunto limitado de organizaciones el 3 de septiembre y se amplió a partir de entonces; la maquinaria de administración llegó el 9 de septiembre.

Luna no tiene nada de eso. Está disponible para cualquiera que tenga una clave de API desde el primer día, sin ningún paso de calificación, sin interruptor de administrador y sin ningún nivel de salvaguarda interponiéndose entre un desarrollador y su primera llamada.

Para un equipo de una industria regulada, un contratista de defensa o cualquier ámbito con una revisión de seguridad en la ruta de adquisición, esto lo decide todo. La diferencia de precio de cien veces es una partida; una puerta de acceso es un proyecto. Y para un equipo fuera de esas restricciones, la puerta es irrelevante y Astra es simplemente un modelo caro con un tiempo hasta el primer token inusualmente largo.

Vale la pena añadir que el control de acceso es una postura meditada, y no un inconveniente. Un modelo que opera una computadora de forma autónoma y encuentra vulnerabilidades con soltura es un modelo que un laboratorio debería pensar mucho antes de distribuir, y la forma de despliegue se deriva del hallazgo sobre sus capacidades. Eso no hace que sea más fácil de adquirir, pero sí significa que es poco probable que la restricción se relaje por un ticket de soporte.

Mismo acantilado, misma familia, dos veces

Ambos modelos incluyen la misma cláusula de contexto largo, que es lo más caro que se puede pasar por alto en cualquiera de las dos tarifas. Las solicitudes que superan los 272.000 tokens de entrada se facturan al doble de las tarifas de entrada y de caché, y a 1,5 veces la tarifa de salida, por la solicitud completa, no solo por la parte que supera ese umbral. En Astra, eso convierte una llamada de $10,00/$50,00 en $20,00/$75,00. En Luna, convierte $0,10/$0,50 en $0,20/$0,75.

Como la cláusula es proporcional, no cambia la proporción entre los dos modelos: los duplica a ambos. Lo que cambia es el tamaño absoluto del error, y el error es más probable en Astra, porque las cargas de trabajo para las que existe Astra son las que conllevan un contexto de trabajo de un millón de tokens. Una sola llamada de Astra de contexto largo cuesta $75 por millón de tokens de salida; dividir el mismo trabajo en dos llamadas por debajo de 272K la reduce a la mitad sin ningún cambio en el prompt. En un modelo cuya propuesta de valor completa es el trabajo de horizonte largo, vale la pena hacer esa aritmética antes de la primera llamada de producción, no después.

La decisión es una decisión de enrutamiento

Lo que hace que este emparejamiento sea inusual entre las comparaciones de este blog es que ambos modelos pertenecen al mismo proveedor, se ejecutan en la misma cuenta y se accede a ellos a través del mismo endpoint. No hay un segundo contrato que firmar ni un segundo SDK que aprender. La elección entre ellos no es en absoluto una decisión de compra: es una decisión de enrutamiento, y es una que la mayoría de los equipos debería tomar por solicitud en lugar de una sola vez.

La forma de la división es bastante clara. Luna para las mil pequeñas llamadas que un agente hace de camino a una tarea: clasificación, extracción, selección de herramientas, resumen de un resultado intermedio. Astra para la tarea en sí, una vez, al final, donde la respuesta es el producto. Eso es un pipeline de dos niveles dentro de una aplicación, y la diferencia de costos entre ejecutar todo en Astra y ejecutar el bucle interno en Luna es la diferencia entre una economía unitaria viable y una inviable.

GPT-6 Astra está en OrcaRouter al precio de lista de OpenAI, bajo un precio de transferencia directa que significa que un cambio de tarifas de OpenAI se aplica en nuestro lado el mismo día. GPT-6 Luna no está en nuestro catálogo a la fecha de este texto y se accede a él a través de la propia API de OpenAI, así que un equipo que quiera ambos utiliza una clave para GPT-6 Astra junto con la que ya use para OpenAI. Esta es también la combinación en la que la fusión de modelos se gana su lugar: un panel formado por un modelo barato de alto rendimiento y otro caro y meticuloso que responden juntos, con el miembro barato haciendo la mayor parte del trabajo y el caro actuando como árbitro, es una configuración que la capa de enrutamiento puede expresar sin que la aplicación sepa que existe ninguno de los dos modelos.

¿Cuál, y cuándo?

Elige GPT-6 Luna a menos que tengas una razón específica para no hacerlo. Es una centésima parte del precio de la lista de tarifas y una cuadragésima sexta parte del precio por tarea completada, es tres veces más rápido, su primer token llega en un tiempo que un usuario puede esperar, y se le puede indicar que deje de razonar por completo —lo que lo hace utilizable como clasificador. Configura explícitamente el parámetro effort, porque el valor predeterminado es medium y el 37 destacado es una cifra de esfuerzo máximo. Mantén las llamadas largas por debajo de 272.000 tokens de entrada. Comprueba la regresión de dos puntos del Coding Agent Index con tu propia evaluación en lugar de con un gráfico de un proveedor.

Elige GPT-6 Astra cuando la tarea sea la larga y la respuesta sea el producto. Uso de computadora a lo largo de muchos pasos, análisis profesional con un punto final verificable, cualquier cosa en la que dieciséis puntos de índice marquen la diferencia entre terminar y detenerse en silencio. Acepta el tiempo hasta el primer token —208 segundos en xhigh no es una cifra que puedas poner detrás de un humano— y acepta que la organización de adquisiciones tiene una. Luego ejecuta todo lo que conduce a esa tarea en el nivel barato, porque el bucle interno es donde se va el dinero.

El error al que invita esta comparación es tratarla como una elección entre dos modelos. Es una elección sobre en qué punto de una canalización se sitúa cada uno, y la respuesta casi siempre es ambos.