GPT-5.6 Luna: para qué sirve de verdad (benchmark en español)

Su fuerte es Contenido (#11 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.88 contra 8.84). Está en el tercio más barato del ranking: $0.930 por cada 1.000 llamadas.

Nota de calidad8.52/10#1 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.930más barato que 71 de 97

Al mes, uso típico$1.4050 llamadas por día, todos los días

Velocidad102 tok/s10.6 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ◈ Razona antes de responder ⌸ Le caben ~1.800 páginas a la vez ⛨ Resiste instrucciones ocultas · 7.8/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.78 (-0.30 vs mediana)

Contenido 8.84 (+0.46 vs mediana)

Razonamiento 8.58 (+0.62 vs mediana)

Agentes 7.88 (+0.33 vs mediana)

Medido con 162 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.96. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

OCR / extracción desde imágenes — 9.09 (+1.13 contra su media). Decide: leer datos de una imagen
JSON estructurado (extracción, schemas) — 9.04 (+1.08 contra su media). Decide: emitir JSON válido a la primera
Estrategia (pricing, planificación) — 8.85 (+0.89 contra su media). Decide: elegir entre opciones de negocio
Integridad de idioma (no mezclar idiomas) — 8.80 (+0.84 contra su media). Decide: no meter otro idioma en medio del texto

Donde se cae

Tool calling (llamada de funciones) — 5.88 (-2.08 contra su media). Decide: llamar bien las funciones
No inventar herramientas (abstenerse cuando no hay) — 6.45 (-1.51 contra su media). Decide: no inventar herramientas que no existen
Precisión literal (hex, JWT, configs) — 6.91 (-1.05 contra su media). Decide: no equivocarse en un dato
Soporte al cliente (clasificar y responder) — 6.92 (-1.04 contra su media). Decide: clasificar y responder un ticket

Si GPT-5.6 Luna no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Qwen 3.7 Flash Más barato, calidad equivalente	8.49	$0.204	28.5 s	misma nota o mejor, menos plata por llamada
Gemini 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: GPT-5.6 Luna en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	162
Tool calling	6.36
Resistencia a prompt injection	7.75
Precio
Precio por millón · entrada	$0.100
Precio por millón · salida	$0.600
Rendimiento y límites
Latencia total media	10.6 s
Ventana de contexto	1.050.000
Contexto útil medido	256.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GPT-5.6 Luna para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
GPT-5.6 Luna Este modelo	8.52	$0.930
GLM 5.3 El de más calidad medida	8.52	$7.02
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GLM 5.3 (el techo medido) cuesta 8 veces más y no rinde más: 8.52 contra 8.52.
Claude Opus 4.8 (el caro que todos conocen) cuesta 42 veces más y no rinde más: 8.48 contra 8.52.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, GPT-5.6 Luna no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.956	9.973	12.466 (piso)
Contenido startup (newsletter. actualidad)	3.455	6.495	8.118
Estrategia (pricing. planificación)	3.814	4.941	6.176
Decisiones de negocio (prioridades. plan)	1.737	4.732	5.915
Razonamiento general (lógica. decisiones)	2.939	3.799	4.748
Generación de código (Python. SQL. debug)	980	3.757	4.696
Razonamiento profundo (matemática. Fermi)	1.895	3.757	4.696
Noticias + SEO (artículos completos)	1.441	3.579	4.473
Presentaciones (slides. reportes)	3.217	3.217	4.021
Gestión de tareas (action items. planes)	1.897	2.970	3.712
Auditar números (detectar el error plantado)	1.083	2.831	3.538
Creatividad (hooks. analogías. narrativa)	1.274	2.641	3.301
Ventas en frío (cold email. campañas)	545	2.269	2.836
OCR / extracción desde imágenes	514	1.949	2.436
Multi-turno (debugging. requisitos)	1.394	1.841	2.301
Anti-alucinación (citas. contexto)	271	1.797	2.246
JSON estructurado (extracción. schemas)	119	1.534	1.917
Integridad de idioma (no mezclar idiomas)	799	1.411	1.763
Traducción (es↔en)	161	1.072	1.340
Contenido genérico (blog. email. social)	757	882	1.102
Contenido con datos verificables (no inventar)	403	738	922
Orquestación (flujos de varios pasos)	389	713	891
Capacidades de agente (delegación. skills)	198	609	761
Resúmenes y extracción de datos	395	395	493
Seguir instrucciones al pie de la letra	227	301	376
No inventar herramientas (abstenerse cuando no hay)	57	289	361
Verificar un dato contra su fuente	53	166	207
Tool calling (llamada de funciones)	137	148	185
Soporte al cliente (clasificar y responder)	144	144	180
Precisión literal (hex. JWT. configs)	56	140	175
Resistencia a prompt injection	39	101	126
Aguja en el pajar (contexto largo en español)	38	44	55

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de GPT-5.6 Luna

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si GPT-5.6 Luna es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →