GPT-5.6: ¿Luna, Terra o Sol?
OpenAI vende tres tiers de GPT-5.6 y da por supuesto que el caro es el mejor. Los medimos con la misma suite, 103 corridas cada uno. Esto es lo que pasa cuando los pones a trabajar.
La respuesta corta
Los 5 tiers empatan en calidad: la diferencia entre ellos es más chica que el margen de error de la medición. Y el más caro cuesta 50× lo que el más barato.
Costos a 3.000 llamadas/mes (≈100 por día). Ajústalo a tu volumen en la calculadora. Y baja un poco: hay un caso donde el caro sí vale la pena, y no es el que te venden.
Los 5 tiers, uno al lado del otro
| Tier | Calidad | Coding | Contenido | Razon. | Agentes | Costo/mes | Latencia | Score |
|---|---|---|---|---|---|---|---|---|
| Luna ← el más barato | 8.43 | 8.8 | 8.8 | 8.6 | 7.9 | ≈$3/mes | 11.2s | 7.85 |
| Luna Pro | 8.60 | 9.8 | 8.9 | 7.9 | 7.9 | ≈$3/mes | 27.1s | 8.41 |
| Terra | 8.21 | 8.9 | 8.8 | 7.9 | 7.5 | ≈$28/mes | 16.6s | 6.07 |
| Terra Pro | 8.34 | 9.6 | 8.6 | 8.0 | 7.5 | ≈$28/mes | 29.0s | 6.36 |
| Sol | 8.20 | 8.9 | 8.6 | 8.3 | 7.3 | ≈$140/mes | 36.6s | 5.22 |
Sol cuesta 50 veces más que Luna y no gana en ninguna categoría. La escalera de precios no está comprada con calidad: está comprada con otra cosa (contexto, límites de uso, prioridad en cola).
| Qué le pedís | Luna$0.93 | Luna Pro$0.93 | Terra$9.30 | Terra Pro$9.30 | Sol$46.50 | ¿El precio compra algo? |
|---|---|---|---|---|---|---|
| Auditar un negocioEncontrar el error en un P&L, la causalidad falsa, la métrica envenenada | 8.40 | 7.35 | 8.20 | 8.40 | 8.03 | Va al revés: gana el barato |
| PlanificarArmar un plan cuya aritmética cierre y respete las restricciones | 9.00 | 9.20 | 8.40 | 9.20 | 8.80 | Gana Luna Pro |
| Escribir con restriccionesNo repetir el dato falso del brief, no meter el CTA prohibido | 9.63 | 9.33 | 10.00 | 10.00 | 9.00 | Gana Terra |
| Razonamiento profundoMatemática, lógica formal, estimaciones Fermi | 7.50 | 5.83 | 6.53 | 5.83 | 6.67 | Va al revés: gana el barato |
| CódigoGenerar y corregir código que funcione | 8.95 | 9.19 | 8.87 | 8.98 | 8.64 | Gana Luna Pro |
| Agentes largosMantener el hilo y las restricciones a lo largo de muchos turnos | 9.75 | 9.67 | 9.33 | 9.67 | 9.33 | Va al revés: gana el barato |
| Multi-turnoConversaciones de ida y vuelta sin perder el contexto | 8.50 | 7.00 | 8.00 | 7.00 | 7.00 | Va al revés: gana el barato |
| Tool callingLlamar herramientas con los parámetros correctos | 5.47 | 4.30 | 5.00 | 4.02 | 4.88 | Va al revés: gana el barato |
Cómo leer esto sin equivocarte
Que dos tiers empaten no significa que sean idénticos: significa que esta medición no los distingue. Con 103 corridas, cada número tiene un margen alrededor; cuando ese margen se solapa, la diferencia que ves es ruido, no señal. Si volviera a correr el test mañana, el orden podría darse vuelta sin que nada haya cambiado en los modelos.
La consecuencia práctica es simple: si la calidad empata, la decisión es de precio y de velocidad. Y si el proveedor quiere que pagues más, que te diga exactamente qué compras — con su margen de error al lado.
Antes de migrar, haz esto
Ya sabes cuál gana en el papel. No lo cambies a ciegas: toma el mejor de cada familia y pásales cinco prompts reales tuyos, de los que ya corres en producción. Una comparación general te dice quién arranca adelante; tu caso decide quién gana. Son veinte minutos y te ahorran una migración equivocada.
Y una advertencia: este resultado se recalcula con cada lote de modelos nuevos. Como el score de cada modelo es relativo a todos los demás, un modelo nuevo mueve a todos. El ganador de hoy puede no serlo el mes que viene.
Cada vez que corro un lote nuevo, publico el recálculo ahí — con los datos crudos y lo que cambió de lugar. Es también donde hay gente tomando esta misma decisión. Entrar es gratis.
¿Qué mide este benchmark?
No es un benchmark académico (para eso están MMLU, HumanEval o SWE-bench). Es un benchmark aplicado para emprendedores hispanohablantes: mide qué modelo conviene poner en producción para casos reales, con lo que los benchmarks oficiales no cubren — costo en provider real, velocidad, español neutro y agentes multi-turno.
Contamos con 192 modelos catalogados, 138 testeados y 30.000+ runs reales evaluados por un LLM-as-Judge local (Phi-4, de Microsoft — sin conflicto de interés), en 4 pilares:
- Coding — generar código, JSON estructurado y debugging en tareas reales (plugins WordPress, scripts, templates de N8N).
- Contenido y marketing — blogs, copy y textos largos en español neutro (no traducción del inglés).
- Razonamiento — matemáticas, lógica formal y planificación multi-paso.
- Agentes y operaciones — multi-turno largo, tool calling y flujos tipo N8N / Hermes.
Dos números distintos, no los confundas. Las tablas por tarea de esta página se ordenan por calidad en esa tarea: capacidad pura, sin mezclar precio. Es la respuesta a "¿quién lo hace mejor?".
El score global es otra cosa: una función ponderada (calidad 70% + costo 15% + velocidad 7,5% + latencia 7,5%) que responde "¿qué conviene poner en producción?". Ahí un modelo barato y rápido sí puede superar a uno más capaz pero caro. Los dos números sirven — para preguntas distintas.
Tool calling va como insignia aparte (no suma al score global): indica si el modelo soporta herramientas, no su calidad. Límite conocido: el juez es Phi-4 (14B) y varios modelos evaluados son más capaces que él — ordena bien, pero comprime las diferencias en la cima. Leé un empate como "el juez no los distingue", no como "son idénticos". Metodología y tests completos.