GPT-6 Luna Pro: para qué sirve de verdad (benchmark en español)
Lo mejor que tiene es Coding, y aun así queda abajo (#52 de 74 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.61 contra 9.48). Está en el tercio más barato del ranking: $0.780 por cada 1.000 llamadas.
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.
Medido con 137 runs que puntúan, juez Phi-4 vía OpenRouter · actualizado 2026-11-12 · datos abiertos
Tareas de agente: hasta que la tarea se corrija, no cuentan los checks cuya trampa el agente no podía conocer por el enunciado (en facturación, 3 de sus 8). La nota de agente y «N de 4» se calculan sin ellos.
Qué hace bien y qué no
Su media entre las 36 tareas medidas es 7.91. Un promedio esconde justo lo que te importa, así que acá están los extremos.
Donde rinde por encima de sí mismo
- Extraer los datos verificables de un texto — 9.19 (+1.28 contra su media).
- Encontrar el sitio oficial de una empresa — 9.10 (+1.19 contra su media).
- OCR / extracción desde imágenes — 9.05 (+1.14 contra su media).
- JSON estructurado (extracción, schemas) — 9.01 (+1.10 contra su media).
Donde se cae
- Orquestación (flujos de varios pasos) — 5.99 (-1.92 contra su media).
- Tool calling (llamada de funciones) — 6.10 (-1.81 contra su media).
- No inventar herramientas (abstenerse cuando no hay) — 6.55 (-1.36 contra su media).
- Razonamiento profundo (matemática, Fermi) — 6.68 (-1.23 contra su media).
Si GPT-6 Luna Pro no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Ling 3.0 Flash | 8.85 | $0.101 | 54.8 s | misma nota o mejor, menos dinero por llamada |
| Qwen 3.8 Flash | 8.91 | $0.750 | 43.9 s | hasta 30% más caro, pero rinde más |
| Gemini 3.1 Flash Lite (GA) | 8.12 | $2.33 | 4.0 s | al menos 40% menos de espera, sin caer de nota |
La ficha: GPT-6 Luna Pro en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 137 |
| Tool calling | 6.07 |
| ¿Maneja credenciales? | sí (0 de 6) |
| Resistencia a prompt injection | 10.00 |
| Precio | |
| Precio por millón · entrada | $0.100 |
| Precio por millón · salida | $0.500 |
| Rendimiento y límites | |
| Latencia total media | 23.2 s |
| Ventana de contexto | 1.050.000 |
| Contexto útil medido | 800.000 |
Lo que cuesta frente a los mejores del ranking
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| GPT-6 Luna Pro | 7.75 | $0.780 |
| GLM 5.3 | 9.00 | $7.02 |
| Claude Fable 5.1 | 8.88 | $78.00 |
- GLM 5.3 (el techo medido) rinde 16% más (9.00 contra 7.75) y cuesta 9 veces más por llamada.
- Claude Fable 5.1 (el caro que todos conocen) rinde 15% más (8.88 contra 7.75) y cuesta 100 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo a lo largo de muchos turnos) | 8.469 | 15.539 | 19.423 |
| Decisiones de negocio (prioridades. plan) | 3.620 | 13.055 | 16.318 |
| Generación de código (Python. SQL. debug) | 2.126 | 10.364 | 12.955 |
| Estrategia (pricing. planificación) | 8.084 | 9.371 | 11.713 |
| Razonamiento general (lógica. decisiones) | 6.445 | 7.938 | 9.922 |
| Creatividad (hooks. analogías. narrativa) | 5.542 | 6.839 | 8.548 |
| Razonamiento profundo (matemática. Fermi) | 5.289 | 5.886 | 7.357 |
| Multi-turno (debugging. requisitos) | 3.099 | 5.389 | 6.736 |
| Contenido startup (newsletter. actualidad) | 2.724 | 5.277 | 6.596 |
| Auditar números (detectar el error plantado) | 2.230 | 5.117 | 6.396 |
| Redactar una noticia desde una fuente | 4.320 | 5.023 | 6.278 |
| Noticias + SEO (artículos completos) | 2.166 | 4.494 | 5.617 |
| Presentaciones (slides. reportes) | 4.114 | 4.114 | 5.142 |
| Verificar VARIOS datos de una vez (lote) | 1.581 | 2.250 | 2.812 |
| Contenido con datos verificables (no inventar) | 2.159 | 2.240 | 2.800 |
| Gestión de tareas (action items. planes) | 1.543 | 2.187 | 2.733 |
| Integridad de idioma (no mezclar idiomas) | 1.215 | 2.152 | 2.690 |
| JSON estructurado (extracción. schemas) | 165 | 1.881 | 2.351 |
| OCR / extracción desde imágenes | 747 | 1.811 | 2.263 |
| Ventas en frío (cold email. campañas) | 876 | 1.660 | 2.075 |
| Capacidades de agente (delegación. skills) | 1.098 | 1.654 | 2.067 |
| Orquestación (flujos de varios pasos) | 1.071 | 1.396 | 1.745 |
| Contenido genérico (blog. email. social) | 1.019 | 1.326 | 1.657 |
| Extraer los datos verificables de un texto | 612 | 1.294 | 1.617 |
| Anti-alucinación (citas. contexto) | 391 | 1.011 | 1.263 |
| Verificar un dato contra su fuente | 265 | 928 | 1.160 |
| Traducción (es↔en) | 231 | 868 | 1.085 |
| No inventar herramientas (abstenerse cuando no hay) | 241 | 795 | 993 |
| Resúmenes y extracción de datos | 649 | 649 | 811 |
| Encontrar el sitio oficial de una empresa | 263 | 605 | 756 |
| Resistencia a prompt injection | 296 | 597 | 746 |
| Tool calling (llamada de funciones) | 319 | 523 | 653 |
| Precisión literal (hex. JWT. configs) | 103 | 393 | 491 |
| Aguja en el pajar (contexto largo en español) | 185 | 327 | 408 |
| Seguir instrucciones al pie de la letra | 268 | 321 | 401 |
| Soporte al cliente (clasificar y responder) | 147 | 212 | 265 |
Los números oficiales de GPT-6 Luna Pro
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.
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-6 Luna Pro es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →