El lanzamiento en contexto
Sol y Luna amplían la familia GPT-6 presentada con Astra. La disponibilidad inicial incluye la API, Codex y ChatGPT Work, con un despliegue gradual. El anuncio distingue Work de Chat, donde estos modelos aún no estaban disponibles.
Para elegir: Luna aborda tareas delimitadas a gran escala; Sol es un candidato para razonamiento y programación exigentes; Astra sigue siendo una opción para problemas más complejos. La elección final debe basarse en pruebas con las tareas de tu sistema.
Luna · volumen
Hipótesis de uso en INEMA: clasificación inicial de mensajes, clasificación del catálogo, extracción y primeros resúmenes.
Sol · complejidad
Hipótesis de uso en INEMA: revisión de integraciones, síntesis de varias fuentes y resolución de casos ambiguos.
Astra · excepciones
Hipótesis de uso en INEMA: evaluación de arquitecturas y problemas difíciles después de medir si la mejora compensa el costo.
La investigación, los gráficos, la calculadora y el generador de JSON de ejemplo funcionan en el navegador. El plan de integración es una propuesta: no activa modelos, no envía tus datos a una API ni modifica sistemas en producción.
El precio por token no es el costo por tarea
USD por 1 millón de tokens. Standard, con hasta 272.000 tokens de entrada. Consulta del 22/09/2026.
En pantallas pequeñas, desliza la tabla para ver todas las columnas.
| Modelo | Entrada | Lectura de caché | Escritura en caché | Salida |
|---|---|---|---|---|
| GPT-6 Luna | US$ 0,1 | US$ 0,01 | US$ 0,125 | US$ 0,5 |
| GPT-6 Sol | US$ 2 | US$ 0,2 | US$ 2,5 | US$ 10 |
Ficha técnica: GPT-6 Sol ↗ · Ficha técnica: GPT-6 Luna ↗
Antes y después: tarifa de salida
US$ por millón · escala lineal, de 0 a 20
Lanzamiento: Sol y Luna ↗ · Comparación con las tarifas promocionales anteriores. Cálculo: reducción del 50% en Sol y del 58,3% en la salida de Luna; no redondeamos ambas al 50%.
Sol y Luna: ventana de 1.050.000 tokens y salida máxima de 128.000. Por encima de 272.000 tokens de entrada, toda la solicitud se cobra a 2× las tarifas de entrada/caché y 1,5× las de salida. Batch y Flex cuestan el 50% de Standard; Fast cuesta 2×. El procesamiento regional añade un 10% donde esté disponible.
La tarifa de Sol es 20 veces la de Luna en cada categoría anterior. Esto no significa que una tarea cueste 20 veces más: la cantidad de tokens, el razonamiento, los reintentos y las herramientas cambian el total.
Compara tareas, esfuerzo y resultados
Resultados publicados por el fabricante. No son mediciones de este proyecto ni una clasificación general de inteligencia.
Lanzamiento: Sol y Luna ↗ · Descargar datos CSV
Cómo interpretar los resultados
Una pequeña diferencia de puntuación no demuestra equivalencia. Faltan intervalos de confianza y una reproducción local. Conserva la versión de la prueba, el esfuerzo y las herramientas al comparar. Los gráficos empiezan en cero para no exagerar visualmente diferencias mínimas.
Un agente depende del modelo y del entorno: instrucciones, búsqueda, ejecución de código y tiempo disponible. Para nosotros, el resultado útil es una tarea aceptada por el usuario con costo y plazo previsibles. Las puntuaciones publicadas ayudan a seleccionar candidatos; el piloto determina la adopción.
Simula el costo de tu volumen de trabajo
Estimación matemática de tokens de texto, sin llamadas de IA. Ajusta los valores al uso observado en tu sistema.
Fórmula: solicitudes × [(tokens sin caché × tarifa + tokens leídos × tarifa de caché + tokens escritos × tarifa de escritura) × factor de contexto + salida × tarifa de salida × factor de contexto] ÷ 1.000.000 × modalidad.
La lectura, la escritura y la entrada sin caché son categorías excluyentes; la escritura no añade una segunda tarifa de entrada. Los porcentajes de caché son hipótesis, no garantías. La herramienta aplica automáticamente el recargo por contexto largo.
El cálculo no incluye búsqueda, archivos, imágenes, almacenamiento, impuestos, tipo de cambio, procesamiento regional ni costo de desarrollo con el agente. En modo revisión, la solicitud a Sol usa los mismos tokens indicados; añade contexto si tu revisión real es mayor. No se estiman la duración de la solicitud ni la calidad.
Caché de prompts y facturación ↗ · Ficha técnica: GPT-6 Sol ↗ · Ficha técnica: GPT-6 Luna ↗
Una arquitectura que puede crecer con INEMA
Propuesta INEMA: centralizar la selección del modelo y reutilizar las fuentes que cada sistema ya mantiene.
El enrutador decide según el tipo de tarea y reglas medibles: cantidad de fuentes, necesidad de modificar código, resultado de la validación y presupuesto disponible. Que el modelo diga estar «seguro» no basta para autorizar una acción.
Empezaríamos con consultas de solo lectura. La aplicación autentica a la persona, recupera el contenido permitido y entrega al modelo únicamente los fragmentos necesarios. Cada respuesta conserva una referencia a la fuente y a la revisión consultada.
El modelo puede solicitar una función, pero nuestro servidor la ejecuta y verifica el resultado. Una solicitud para enviar, publicar o eliminar debe seguir respetando los permisos del sistema. El contenido recuperado no adquiere autoridad para cambiar esos permisos.
Base técnica: Function calling ↗ · Conexiones MCP ↗
Caché: reducir la repetición sin perder el control
Coloca instrucciones y esquemas estables antes del contenido variable. Registra el uso real de la caché; una conversación persistente no garantiza un acierto de caché. En GPT-6, los cambios de esfuerzo y disponibilidad de herramientas pueden preservar el prefijo reutilizable. Prueba el efecto antes de prometer ahorros.
Dónde integrar en nuestros sistemas
Mapa basado en código y documentación locales consultados el 22/09/2026. No es una auditoría del entorno de ejecución en producción. Las columnas de integración son propuestas.
En pantallas pequeñas, desliza la tabla para ver todas las columnas.
| Sistema y punto de partida | Experimento propuesto | Trabajo de integración | Criterio de aceptación |
|---|---|---|---|
| Portal / atención El código consultado contempla Agnes y OpenRouter como alternativa. | Piloto de Luna para dudas sobre el catálogo; Sol cuando hay varias opciones y restricciones. | Adaptador de Responses en el servidor, manteniendo la navegación y la autorización. | Respuestas con el enlace correcto; costo por consulta resuelta. |
| Búsqueda y Cérebro Los catálogos derivados ya alimentan la búsqueda y PRO. | Luna para extraer filtros; Sol para sintetizar resultados con fuentes. | Recuperación antes de la generación; acceso validado antes de enviar fragmentos. | Precisión de las citas y ausencia de contenido sin autorización. |
| Bots personales El bot consultado ya centraliza el presupuesto y los proveedores. | Añadir Luna/Sol como proveedores opcionales, preservando la ruta local. | Conectar al gateway existente y registrar el motivo de cada escalamiento. | Costo mensual, latencia p95 y proporción de escalamientos útiles. |
| Contenido y cursos La publicación pasa por archivos y validación. | Luna prepara borradores estructurados; Sol revisa la coherencia y los ejemplos. | JSON con esquema, validación de enlaces y revisión editorial antes de git. | Retrabajo por texto y defectos encontrados después de la revisión. |
| WebMCP y descubrimiento Los manifiestos describen lo que ofrece cada sistema. | Sol explica las discrepancias encontradas por el escáner; Luna clasifica los hallazgos. | Usar evidencia del escáner; mantener las declaraciones separadas de la ejecución. | Hallazgos confirmados y falsos positivos. |
| Audio y vídeo Los flujos de producción multimedia tienen etapas especializadas. | Aplicar Luna/Sol al guion y al texto ya transcrito. | Mantener la transcripción, la voz y el renderizado en sus herramientas correspondientes. | Tiempo de edición y precisión del guion final. |
Es una tarea delimitada, verificable y reversible. Antes de modificar la atención, podemos comparar Luna con el flujo actual en una muestra pública, midiendo campos correctos, costo y revisión humana. Solo después ampliar a respuestas y acciones.
Guía técnica: preparar un piloto reproducible
El generador siguiente prepara un cuerpo JSON. No ejecuta la solicitud ni verifica el acceso de la cuenta a los modelos.
Endpoint: POST https://api.openai.com/v1/responses · Migración a Responses ↗
Elige una tarea y una muestra pública
Prepara entre 30 y 50 entradas reales anonimizadas, con resultados esperados y ejemplos difíciles. Este rango es una propuesta inicial de piloto, no un estándar oficial. Reserva una parte para desarrollo y otra para la evaluación final.
Construye el adaptador en el servidor
Usa una clave de API cargada en tiempo de ejecución. Configura tiempo de espera, salida máxima, reintentos limitados y presupuesto. El ejemplo omite herramientas deliberadamente: añade funciones solo cuando el ejecutor esté listo.
Responses y Chat Completions usan formatos diferentes. Para Sol/Luna, la ficha técnica restringe las llamadas a funciones en Chat Completions al esfuerzo none; prefiere Responses cuando necesites herramientas con razonamiento.
Valida la salida antes de usarla
Para clasificación, usa Structured Outputs con JSON Schema. Validar la estructura no demuestra que el contenido sea correcto: comprueba los ID existentes, los enlaces, las categorías válidas y las citas.
Compara con el sistema actual
Mide el costo por tarea aceptada, los tokens de razonamiento, la latencia p50/p95, los fallos de herramientas y las correcciones humanas. Conserva el prompt, el esfuerzo, la versión del conjunto y el modelo devuelto. No compares el esfuerzo máximo de un modelo con el predeterminado de otro sin señalar esa diferencia.
Despliega de forma gradual
Empieza en modo sombra, sin acciones reales. Después envía una pequeña parte del tráfico al candidato. Revierte mediante el enrutador si el costo o los errores superan el límite elegido para el piloto.
Ejecutar este observatorio localmente
git clone https://github.com/inematds/gpt6-sol-luna.git cd gpt6-sol-luna python3 -m http.server 8080 # Abre http://localhost:8080/guia/es/
No necesitas dependencias ni clave de API para usar los gráficos, el simulador y el generador de JSON.
Qué más podemos construir
Ideas para próximos proyectos. Todavía no están implementadas aquí.
Asistente de investigación con referencias
Búsqueda actualizada, comparación de fuentes y un informe con fecha de consulta. La búsqueda web proporciona citas; nuestra interfaz debe conservarlas y mostrarlas junto a las afirmaciones.
Revisor del catálogo
Encontrar descripciones duplicadas, campos ausentes y enlaces inconsistentes. Entregar propuestas de corrección por lotes, con diferencias visibles y la posibilidad de rechazar cada elemento.
Producción editorial asistida
Convertir una investigación en guion, artículo, preguntas de revisión y descripción para generar una imagen. Reutilizar una base factual con procedencia para evitar versiones contradictorias.
Panel de ahorro real
Mostrar el gasto por sistema, los aciertos de caché, los escalamientos y las tareas aceptadas. El indicador principal sería el costo por entrega aprovechada, no solo tokens más baratos.
Agentes conectados mediante MCP
Ofrecer búsqueda de proyectos y lectura de fichas como herramientas con un contrato estable. Los servidores privados requieren una conexión adecuada; una dirección localhost no es accesible automáticamente desde la API remota.
Revisión de interfaces y documentos
Analizar capturas de pantalla y señalar problemas para su revisión. Sol/Luna reciben imágenes; el arte final se genera con un modelo especializado, como GPT Image 2.5.
Bases técnicas: Búsqueda web con fuentes ↗ · Conexiones MCP ↗ · GPT Image 2.5 Sunburst ↗
Imagen, voz y texto son etapas distintas
GPT Image 2.5 Sunburst genera y edita imágenes; su facturación usa tokens de imagen y texto, no las tarifas de Sol/Luna. No estimamos el costo de una portada con el simulador de texto. La imagen de esta página se generó con la herramienta integrada de Codex; el resultado no indicó la subversión.
Del estudio a la adopción
Preguntas que cambian la decisión
¿La suscripción de Codex paga la API de nuestros sistemas?
No lo des por hecho. El acceso en la aplicación y el consumo mediante clave de API son canales diferentes. El piloto debe confirmar el acceso, el presupuesto y la facturación de la cuenta usada por el backend.
¿Basta con cambiar el nombre del modelo?
Hay que verificar el proveedor, el endpoint, el formato de las funciones, los parámetros, el tratamiento de la salida y los límites. Un identificador de la API de OpenAI no demuestra una disponibilidad equivalente en un agregador.
¿Un contexto de un millón de tokens elimina la necesidad de búsqueda?
No. La búsqueda sigue siendo útil para seleccionar contenido actual y autorizado, reducir el costo y conservar referencias. Un contexto mayor es una capacidad, no una recomendación de llenarlo en cada solicitud.
¿Cuál es más rápido en nuestros sistemas?
Todavía no lo hemos medido. Este proyecto no inventa cifras de tokens por segundo. La red, la cola, el tamaño de entrada, el esfuerzo y las herramientas deben incluirse en las pruebas de latencia.
Fuentes, método y datos abiertos
Consulta del 22/09/2026. Priorizamos fuentes oficiales e identificamos nuestras propias recomendaciones. INEMA no ejecutó ningún benchmark para esta entrega.
- Lanzamiento: Sol y Luna
- Ficha técnica: GPT-6 Sol
- Ficha técnica: GPT-6 Luna
- Guía de la familia GPT-6
- Caché de prompts y facturación
- Migración a Responses
- Function calling
- Structured Outputs
- Búsqueda web con fuentes
- Conexiones MCP
- GPT Image 2.5 Sunburst
El análisis local usó el código del chat del portal, la documentación del bot, el flujo de catálogos y las directrices de descubrimiento del ecosistema. Estos registros orientan el plan; no demuestran la configuración activa en producción.
Investigación en JSON · Benchmarks CSV · Precios CSV · Código y documentación
Los datos de investigación y los archivos CSV conservan los identificadores y las mediciones originales; la documentación del repositorio está en portugués.
Actualización editorial: revisa las fuentes antes de tomar decisiones futuras. Los precios, la disponibilidad y los modelos pueden cambiar.