GPT-5.6 no es un solo modelo. Son tres: Sol, Terra y Luna, en orden descendente de tamaño y precio, con la misma ventana de contexto de 1,05 millones de tokens y el mismo límite de 128 000 tokens de salida. El nombre que usa OpenAI indica el orden y nada más, así que el 2 de septiembre de 2026 le hicimos las mismas tres preguntas a los tres a través de nuestra propia API, transmitimos las respuestas en streaming y leímos cuánto se facturó por cada solicitud. La versión completa de esta prueba con doce modelos —incluyendo Claude Opus 5, Kimi K3, Gemini 3.7 Flash y el resto— está en nuestra comparativa del mismo día. Esta entrada se centra solo en la familia.
El hallazgo que importa: Terra fue el modelo más rápido en llegar al primer token de todo el conjunto de doce modelos, no solo de la familia; no gastó ni un token de razonamiento en ninguno de los tres prompts, y escribió respuestas que un lector a ciegas no habría podido distinguir de las de Sol en dos de los tres prompts. Sol justificó su precio exactamente una vez, en la pregunta de criterio, y lo pagó con una respuesta de diez segundos facturada a casi cuatro veces lo que costó Terra. A Luna se le facturó cerca de una décima de centavo por todo el ejercicio, no se equivocó en nada, y tuvo un momento lento que vale la pena conocer.
Los prompts y la configuración
Los mismos tres prompts que en la prueba completa, copiados literalmente de las secciones de Resultados reales de las páginas de nuestros modelos:
- "Escribe una función en Python que fusione intervalos solapados, más tres pruebas cortas. Mantén toda la respuesta en menos de 40 líneas de código."
- "En unas 120 palabras, dile a un fundador sin experiencia cuándo elegir un monolito en lugar de microservicios, y cuál es la señal que indica que es momento de dividir."
- "Reescribe esta frase de tres maneras, cada una en un tono claramente diferente (llano, juguetón, ejecutivo): 'Nuestra app hace que presupuestar sea fácil.' Etiqueta cada versión."
Todas las solicitudes fueron enviadas a la API de NinjaChat desde un portátil con conexión doméstica en Estados Unidos el 2 de septiembre de 2026, una por una, tras una solicitud de calentamiento a cada modelo, con temperatura 0,7, un límite de salida de 2500 tokens, streaming con reporte de uso, y el razonamiento ajustado al valor predeterminado de cada modelo. Los tres tamaños fueron servidos directamente por OpenAI. El tiempo hasta el primer token es el del primer carácter visible tras cualquier razonamiento oculto, por lo que la latencia incluye nuestro enrutamiento. El coste es lo que la API reportó como facturado por la solicitud. Las ejecuciones individuales varían; trata los decimales como el tiempo que hace y el patrón como el clima.
Lo que ocurrió
| Tamaño | Prompt | Tiempo al primer token | Tiempo total | Tokens de salida | Tokens de razonamiento | Facturado por esta respuesta |
|---|---|---|---|---|---|---|
| Sol | Fusionar intervalos (código) | 8,8 s | 10,7 s | 194 | 26 | $0,0046 |
| Sol | Monolito o microservicios | 7,0 s | 10,0 s | 164 | 238 | $0,0082 |
| Sol | Tres tonos (reescritura) | 2,2 s | 3,2 s | 47 | 0 | $0,0011 |
| Terra | Fusionar intervalos (código) | 1,5 s | 2,9 s | 184 | 0 | $0,0023 |
| Terra | Monolito o microservicios | 2,4 s | 4,6 s | 167 | 0 | $0,0021 |
| Terra | Tres tonos (reescritura) | 2,4 s | 3,3 s | 54 | 0 | $0,0008 |
| Luna | Fusionar intervalos (código) | 5,9 s | 7,2 s | 171 | 374 | $0,0007 |
| Luna | Monolito o microservicios | 2,6 s | 4,4 s | 165 | 75 | $0,0003 |
| Luna | Tres tonos (reescritura) | 1,6 s | 2,1 s | 44 | 0 | $0,0001 |
Tres cosas llaman la atención.
El código era el mismo código. Los tres tamaños devolvieron una función de fusión basada en ordenar y recorrer, con tres asserts, diferenciándose solo en si devuelven listas o tuplas y en si incluyen docstring. Terra lo hizo en 2,9 segundos sin ningún razonamiento, la respuesta más rápida en ese prompt entre todos los doce modelos que probamos ese día. Sol gastó 26 tokens de razonamiento, añadió un docstring y tardó 10,7 segundos, la mayor parte antes del primer carácter. Luna razonó durante 374 tokens y tardó 7,2 segundos en producir la función más corta de las tres, su respuesta más lenta del día.
Sol razona cuando la pregunta requiere criterio. En la pregunta del fundador, Sol gastó 238 tokens de razonamiento antes de escribir, tardó siete segundos en llegar al primer token y produjo el mejor párrafo de los tres: "divide cuando una parte bien definida del producto necesita ser desplegada o escalada de forma independiente de manera repetida, y el monolito lo impide de forma medible," seguido de "extrae solo esa frontera, dale una interfaz clara y un responsable, y deja todo lo demás junto." Terra dijo prácticamente lo mismo sin la segunda oración, en 4,6 segundos, y se le facturó una cuarta parte. Luna razonó brevemente —75 tokens— y su respuesta incluía la oración que los otros dos olvidaron: extrae ese componente primero, "mide la mejora" y detente.
En textos cortos son un solo modelo. Las tres reescrituras son prácticamente intercambiables. Sol y Terra comenzaron la versión llana con las mismas siete palabras, "Our app helps you manage your budget", Luna reorganizó la misma idea, y los tres usaron "streamlines budgeting" en la línea ejecutiva. Luna respondió en 2,1 segundos y se le facturó una centésima de centavo.
Precio, contexto y límites
Precios de lista en la API de NinjaChat a 2 de septiembre de 2026, más lo que se facturó por todo el ejercicio de tres prompts en cada tamaño.
| Tamaño | ID del modelo | Entrada / salida por 1M de tokens | Entrada en caché por 1M | Ventana de contexto | Salida máxima | Facturado por las tres respuestas |
|---|---|---|---|---|---|---|
| Sol | gpt-5.6-sol | $4 / $20 | $0,4 | 1 050 000 | 128 000 | $0,0139 |
| Terra | gpt-5.6-terra | $2 / $12 | $0,2 | 1 050 000 | 128 000 | $0,0052 |
| Luna | gpt-5.6-luna | $0,2 / $1,2 | $0,02 | 1 050 000 | 128 000 | $0,0011 |
Las proporciones son lo que importa. Terra cuesta la mitad que Sol en entrada y el 60 % en salida; ese día, sus tres respuestas se facturaron al 37 % de lo que costó Sol. Luna es una vigésima parte de Sol en entrada y una decimoséptima en salida, y sus tres respuestas se facturaron a aproximadamente una quinta parte de Terra. La entrada en caché sigue la misma escala, lo que importa para agentes que reenvían un prompt de sistema largo en cada turno: un prompt de 50 000 tokens en caché sobre Luna cuesta una décima de centavo por llamada.
El contexto es idéntico en los tres, lo cual es inusual y útil. Puedes hacer prototipos con Luna usando el millón completo de tokens de contexto y mover una sola llamada a Sol cuando la respuesta no es suficientemente buena, sin cambiar cómo fragmentas nada.
Cuándo usar cada uno
Usa Terra por defecto. Es el tamaño al que apuntaríamos cualquier proyecto nuevo. Mismo contexto que Sol, sin penalización por razonamiento en tareas que no lo necesitan, y ese día fue el más rápido de los tres en código y estuvo a menos de una quinta de segundo de Luna en la pregunta del fundador. Su respuesta sobre el fundador le faltó solo una oración respecto a la de Sol.
Usa Sol para las llamadas donde la respuesta es el producto. Un plan que leerá un cliente, el diagnóstico de un bug complicado, un análisis donde una advertencia omitida tiene consecuencias. La disposición de Sol a pausar y razonar es exactamente lo que buscas en esos casos, y diez segundos no son nada frente a una respuesta incorrecta. Presupuéstalo: los tokens de razonamiento se facturan como salida, y esa única respuesta se facturó a casi cuatro veces lo que costó Terra.
Usa Luna para volumen. Clasificación, extracción, enrutamiento, reescritura a escala, primeros borradores que una persona editará, cualquier cosa que ejecutes miles de veces al día. No cometió ningún error en nuestros tres prompts y el conjunto completo se facturó en torno a una décima de centavo. Ten en cuenta que Luna razona por su cuenta cuando un prompt lo invita, y en el prompt de código eso le costó siete segundos; ajusta un esfuerzo de razonamiento menor en la solicitud si necesitas velocidad.
Un patrón que funciona: enruta con Luna, responde con Terra, escala a Sol. Deja que Luna decida si una solicitud es trivial, que Terra maneje el caso habitual, y envía la pequeña fracción que necesita pensamiento real a Sol. Como los tres comparten la ventana de contexto, escalar es un cambio de modelo en una sola línea.
Llámalos por su ID
Los tres están disponibles en la API de NinjaChat, compatible con OpenAI, una sola clave; una cuenta verificada por teléfono empieza con un saldo inicial de 0,50 $. Los IDs son exactamente gpt-5.6-sol, gpt-5.6-terra y gpt-5.6-luna.
curl https://www.ninjachat.ai/api/v1/chat/completions \
-H "Authorization: Bearer $NINJACHAT_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-5.6-terra",
"messages": [{"role": "user", "content": "Write a Python function that merges overlapping intervals, plus three short tests."}],
"max_tokens": 2500,
"stream": true,
"stream_options": {"include_usage": true}
}'
from openai import OpenAI
client = OpenAI(base_url="https://www.ninjachat.ai/api/v1", api_key="YOUR_KEY")
def ask(model, prompt, **kw):
r = client.chat.completions.create(model=model, messages=[{"role": "user", "content": prompt}], max_tokens=2500, **kw)
u = r.usage
print(model, "output tokens:", u.completion_tokens, "reasoning tokens:", u.completion_tokens_details.reasoning_tokens)
return r.choices[0].message.content
# Primer pase económico, luego escala el mismo prompt con el mismo contexto.
draft = ask("gpt-5.6-luna", "Summarise this incident report in five bullets: ...")
final = ask("gpt-5.6-sol", "Summarise this incident report in five bullets: ...", reasoning_effort="high")
El objeto de uso en cada respuesta reporta los tokens de razonamiento por separado de la salida visible, así que puedes ver exactamente a dónde va el dinero de Sol. El precio en vivo para cada ID está en GET https://www.ninjachat.ai/api/v1/models sin necesidad de clave. Y si prefieres simplemente hablar con ellos, los tres también están disponibles en el lado de consumidor: Sol, Terra y Luna, con un plan de pago.
Preguntas frecuentes
¿Cuál es la diferencia entre GPT-5.6 Sol, Terra y Luna? Tamaño y precio. Sol es el más grande y capaz, Terra el intermedio, Luna el más pequeño y económico. Los tres comparten la misma ventana de contexto de 1,05 millones de tokens y el límite de 128 000 tokens de salida, así que la elección es sobre calidad por dólar, no sobre lo que cabe.
¿Es GPT-5.6 Terra suficientemente bueno para programar? En nuestra prueba del 2 de septiembre de 2026 escribió la misma función de fusión de intervalos que Sol, con pruebas que pasan, en 2,9 segundos y sin razonamiento. Para funciones del día a día es el tamaño a usar. Escala a Sol para preguntas de arquitectura o bugs que requieren deliberación real.
¿Por qué Sol costó mucho más en un prompt? El razonamiento. En la pregunta del fundador, Sol generó 238 tokens de razonamiento antes de escribir 164 tokens visibles, y los tokens de razonamiento se facturan como salida. En la reescritura no gastó ninguno y se facturó cerca de lo que costó Terra.
¿Cuánto cuesta GPT-5.6 a través de la API? En la API de NinjaChat a 2 de septiembre de 2026: Sol es $4 de entrada y $20 de salida por millón de tokens, Terra $2 y $12, Luna $0,20 y $1,20, con la entrada en caché a una décima del precio de entrada. Los precios están en vivo en el endpoint de modelos y pueden cambiar; compruébalos antes de presupuestar.
¿Puedo cambiar entre tamaños sin modificar mi código? Sí. Comparten la ventana de contexto y la misma superficie de API, así que cambiar es solo la cadena del modelo. El patrón de escalada en el fragmento de Python de arriba es toda la idea.
¿Luna razona? A veces, por defecto. Gastó 374 tokens de razonamiento en el prompt de código, 75 en el del fundador y ninguno en la reescritura. Si necesitas velocidad en preguntas que invitan a la deliberación, reduce el esfuerzo de razonamiento en la solicitud.