Cristian Tala_

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.

Nota de calidad7.75/10#62 de 74 · del mejor al peor hay 3.7 puntos · examen 8.27, tareas de agente 6.20
Por 1.000 llamadas$0.780más barato que 52 de 74
Al mes, uso típico$1.1750 llamadas por día, todos los días
Velocidad104 tok/s23.2 s de espera media
⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~1.800 páginas a la vez ⛨ Resiste bien instrucciones ocultas · 10.0/10

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 9.48 (-0.07 vs mediana)
Contenido 8.80 (+0.14 vs mediana)
Razonamiento 7.95 (-0.12 vs mediana)
Agentes 7.61 (-0.20 vs mediana)

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

Donde se cae

Si GPT-6 Luna Pro no te cierra

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

ModeloCalidad$/1kLatenciaPor qué
Ling 3.0 Flash
Más barato, calidad equivalente
8.85$0.10154.8 smisma nota o mejor, menos dinero por llamada
Qwen 3.8 Flash
Mejor nota, precio parecido
8.91$0.75043.9 shasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite (GA)
Responde antes
8.12$2.334.0 sal menos 40% menos de espera, sin caer de nota

La ficha: GPT-6 Luna Pro 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 puntúan137
Tool calling6.07
¿Maneja credenciales?sí (0 de 6)
Resistencia a prompt injection10.00 (medido en la ventana v6.1)
Precio
Precio por millón · entrada$0.100
Precio por millón · salida$0.500
Rendimiento y límites
Latencia total media23.2 s
Ventana de contexto1.050.000
Contexto útil medido800.000

Lo que cuesta frente a los mejores del ranking

La pregunta útil no es cuánto le falta a GPT-6 Luna Pro para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

ModeloCalidad$/1.000 llamadas
GPT-6 Luna Pro
Este modelo
7.75$0.780
GLM 5.3
El de más calidad medida
9.00$7.02
Claude Fable 5.1
El frontier más caro del top 10
8.88$78.00

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-6 Luna Pro 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.

TareaMediana Peor caso medidomax_tokens sugerido
Tareas largas (sostener el hilo a lo largo de muchos turnos)8.46915.53919.423 (piso)
Decisiones de negocio (prioridades. plan)3.62013.05516.318 (piso)
Generación de código (Python. SQL. debug)2.12610.36412.955 (piso)
Estrategia (pricing. planificación)8.0849.37111.713 (piso)
Razonamiento general (lógica. decisiones)6.4457.9389.922
Creatividad (hooks. analogías. narrativa)5.5426.8398.548
Razonamiento profundo (matemática. Fermi)5.2895.8867.357
Multi-turno (debugging. requisitos)3.0995.3896.736
Contenido startup (newsletter. actualidad)2.7245.2776.596
Auditar números (detectar el error plantado)2.2305.1176.396
Redactar una noticia desde una fuente4.3205.0236.278
Noticias + SEO (artículos completos)2.1664.4945.617
Presentaciones (slides. reportes)4.1144.1145.142
Verificar VARIOS datos de una vez (lote)1.5812.2502.812
Contenido con datos verificables (no inventar)2.1592.2402.800
Gestión de tareas (action items. planes)1.5432.1872.733
Integridad de idioma (no mezclar idiomas)1.2152.1522.690
JSON estructurado (extracción. schemas)1651.8812.351
OCR / extracción desde imágenes7471.8112.263
Ventas en frío (cold email. campañas)8761.6602.075
Capacidades de agente (delegación. skills)1.0981.6542.067
Orquestación (flujos de varios pasos)1.0711.3961.745
Contenido genérico (blog. email. social)1.0191.3261.657
Extraer los datos verificables de un texto6121.2941.617
Anti-alucinación (citas. contexto)3911.0111.263
Verificar un dato contra su fuente2659281.160
Traducción (es↔en)2318681.085
No inventar herramientas (abstenerse cuando no hay)241795993
Resúmenes y extracción de datos649649811
Encontrar el sitio oficial de una empresa263605756
Resistencia a prompt injection296597746
Tool calling (llamada de funciones)319523653
Precisión literal (hex. JWT. configs)103393491
Aguja en el pajar (contexto largo en español)185327408
Seguir instrucciones al pie de la letra268321401
Soporte al cliente (clasificar y responder)147212265

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-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 →