GPT-6 Sol e Luna: Metade do Preço, Metade dos Erros

Se você piscou, perdeu. A OpenAI acabou de soltar o GPT-6 Sol e o GPT-6 Luna no mundo, e dessa vez o discurso não é “nosso modelo é o mais inteligente”. O pitch mudou: é sobre custo. Metade do preço do GPT-5.6, metade dos erros factuais, e um Luna tão barato que custa $0,11 por sessão de agente. Sim, onze centavos.

Eu acompanho lançamentos de modelos de IA há tempo suficiente pra saber que todo press release promete revolução. Mas quando você olha os benchmarks lado a lado com o preço por tarefa, a conta fecha de um jeito que vale prestar atenção.

O que são Sol e Luna (e onde entra o Astra)

A família GPT-6 agora tem três camadas. Pense nelas como planos de um SaaS, só que para inteligência:

O Astra já existia. Sol e Luna são os novos integrantes, substituindo diretamente o GPT-5.6 Sol e GPT-5.6 Luna. A OpenAI matou a camada “Terra” que existia no 5.6, simplificando pra três tiers.

Os números que importam: preço por milhão de tokens

Vamos direto ao que interessa. Aqui está a tabela de preços comparando a família GPT-6 com os modelos da Anthropic:

Olha o Luna: dez centavos por milhão de tokens de input. Isso é 20x mais barato que o GPT-5.6 Luna anterior ($0,20). O Sol caiu pela metade, de $4 pra $2 por milhão de input, igualando exatamente o preço do Claude Sonnet 5.

Mas preço por token é abstração. O que realmente importa é quanto custa uma sessão real de trabalho.

Custo por sessão de agente: onde Luna humilha todo mundo

A OpenAI publicou um cenário típico de sessão agentic: 2 milhões de tokens de input (90% cache hit) e 150 mil tokens de output. Veja quanto cada modelo cobra por essa sessão:

Onze centavos. Pra contextualizar: rodar a mesma tarefa no Claude Opus 5.5 custa 38 vezes mais. No Fable 5.1, custa 90 vezes mais. Claro, esses modelos são mais inteligentes, mas a pergunta que todo dev deveria fazer é: “pra tarefa que eu preciso, a diferença de inteligência justifica 38x o preço?”

Na maioria dos casos de chat, classificação, sumarização e tarefas repetitivas? Não justifica.

Benchmarks: Sol não é o mais inteligente, mas é eficiente

Eu sei que benchmark não é tudo. Mas quando a diferença de preço é essa, os benchmarks viram contexto essencial. Aqui vai o comparativo nos principais:

DeepSWE v1.1 (engenharia de software)

O Luna faz 66,6% no DeepSWE por vinte e dois centavos. O GPT-5.6 Luna fazia 62,2% por cinquenta e três centavos. Isso é um salto de 4,4 pontos percentuais custando menos da metade. A evolução de custo-benefício aqui é brutal.

FrontierCode 1.1 (coding avançado)

Aqui o Claude Opus 5.5 lidera com 54,4%. O Sol fica 5 pontos atrás, mas custa metade do que o Opus 5 cobra. É a velha história: você paga um premium pra ir de 49% pra 54%, e esse premium é mais que o dobro do preço.

AutomationBench 1.0.6 (automação geral)

No AutomationBench, o Astra e o Opus 5.5 ficam praticamente empatados no topo. Mas repare no Sol: 33,2% por 27 centavos, contra 31,4% do Fable 5.1 por $2,45. O Sol bate o Fable gastando 9x menos.

Taxa de erro factual: a melhoria que ninguém esperava

Uma métrica que a OpenAI destacou (e que merece atenção) é a taxa de erro factual. Modelos de IA mentem. Todos mentem. A questão é com que frequência.

O Sol caiu de 8,5% pra 4,6%, quase no nível do Astra. O Luna foi de 12% pra 7,6%. Não é zero (nenhum modelo é), mas é uma redução de quase 50% em alucinações. A OpenAI atribuiu isso a melhorias no pós-treinamento e em técnicas de grounding durante a inferência.

Pra quem usa IA em produção, onde uma alucinação pode virar um bug em cascata ou uma informação errada pro usuário final, essa redução é mais relevante que qualquer benchmark de coding.

Specs técnicas

Ambos os modelos compartilham a mesma janela de contexto e limites de output:

Detalhe curioso: o Luna tem um knowledge cutoff mais recente que o Sol (maio vs abril). Provavelmente porque o treinamento do Luna foi finalizado depois, dado que é um modelo menor e mais rápido de treinar.

A janela de 1,05 milhão de tokens é a mesma do Astra. Nada mudou ali. O output de 128K tokens continua generoso, suficiente pra gerar documentos longos ou respostas extensas de agentes sem truncamento.

Como usar via API

Se você já usa a API da OpenAI, a migração é trocar o model ID:

from openai import OpenAI

client = OpenAI()

# GPT-6 Sol
response = client.chat.completions.create(
    model="gpt-6-sol",
    messages=[
        {"role": "user", "content": "Explique WebSockets vs SSE"}
    ]
)

# GPT-6 Luna (mais barato)
response = client.chat.completions.create(
    model="gpt-6-luna",
    messages=[
        {"role": "user", "content": "Classifique este ticket de suporte"}
    ]
)

Se você está usando o OpenRouter, os IDs são openai/gpt-6-sol e openai/gpt-6-luna. O caching de input funciona automaticamente quando você envia prompts com prefixos repetidos (system prompt, por exemplo), e o desconto de 90% no cache torna sessões longas absurdamente baratas.

curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "messages": [
      {"role": "system", "content": "Você é um assistente técnico."},
      {"role": "user", "content": "O que mudou no GPT-6?"}
    ]
  }'

Disponibilidade: quem pode usar agora

A disponibilidade depende do seu plano no ChatGPT/Copilot:

O Luna está disponível até no plano Pro básico. O Sol precisa de Pro+ ou superior. Na API, ambos estão disponíveis pra qualquer conta com acesso à plataforma.

O elefante na sala: e o Cursor?

Impossível falar de modelos OpenAI sem mencionar o elefante que todo dev está vendo. A SpaceX comprou o Cursor por $60 bilhões em agosto, e a OpenAI já avisou que vai cortar o acesso dos modelos ao Cursor até novembro de 2026.

Na prática, modelos OpenAI representam apenas 5% do tráfego do Cursor atualmente (o grosso usa Claude). Mas a mensagem política é clara: a OpenAI não quer alimentar o ecossistema do Elon Musk. E o timing do GPT-6 Sol e Luna, com preços agressivos, parece calculado pra atrair devs que dependem de modelos baratos e rápidos pra ferramentas de coding.

Se você usa Cursor e depende de modelos OpenAI, comece a planejar a migração agora. Novembro chega rápido.

Quando usar Sol, quando usar Luna

Depois de analisar os benchmarks e preços, aqui vai minha recomendação prática:

Use Luna quando:

• Chat conversacional e atendimento ao cliente
• Classificação de texto, análise de sentimento
• Sumarização de documentos
• Tarefas repetitivas em batch (processar milhares de itens)
• Prototipagem rápida onde custo importa mais que perfeição
• Agentes simples com lógica linear

Use Sol quando:

• Coding agentic (gerar, revisar, refatorar código)
• Automação de workflows complexos
• Tarefas que exigem raciocínio em múltiplas etapas
• Geração de conteúdo longo com precisão factual
• Análise de dados com tabelas e gráficos
• Qualquer tarefa onde alucinação é inaceitável (4,6% vs 7,6% do Luna)

Continue no Astra/Opus quando:

• Pesquisa acadêmica ou científica
• Problemas de programação no nível competição (FrontierCode, etc.)
• Tarefas onde cada ponto percentual de accuracy vale dinheiro
• Raciocínio jurídico ou médico

O que isso significa pro mercado

A corrida de preços na IA generativa está ficando insustentável. A OpenAI cortou pela metade. A Anthropic lançou o Opus 5.5 hoje mesmo. O DeepSeek V4.1 Flash já cobrava 1/20 do preço dos líderes. Quem perde? Ninguém, por enquanto. Quem ganha? Todo dev que consome API.

O padrão que estamos vendo é claro: modelos “bons o suficiente” estão ficando baratos a ponto de serem commodity. A diferenciação está migrando do modelo em si pra infraestrutura ao redor (caching, latência, ecossistema de tools, computer use). A OpenAI parece ter entendido isso ao enfatizar custo por sessão, não custo por token.

Pra startups que constroem em cima de LLMs, o Luna a $0,11 por sessão abre portas que antes eram economicamente impossíveis. Imagine um agente de suporte ao cliente que resolve tickets simples sem intervenção humana, rodando 24/7. A $0,11 por interação, o ROI se paga no primeiro dia.

Mas cuidado com a armadilha do “barato demais”. O Luna tem 20,7% no AutomationBench e 7,6% de erro factual. Pra tarefas críticas, “barato” pode sair caro se o modelo erra uma em cada treze respostas.

Migração do GPT-5.6: o que muda no código

Se você já roda GPT-5.6 Sol ou Luna em produção, a migração é quase trivial. Os endpoints não mudaram, o formato de resposta é idêntico, e o context window continua o mesmo. A única mudança real é o model ID:

{
  "gpt-5.6-sol": "gpt-6-sol",
  "gpt-5.6-luna": "gpt-6-luna",
  "gpt-5.6-terra": "gpt-6-sol"
}

Se você usava o Terra (tier intermediário do 5.6), a recomendação da OpenAI é migrar pro Sol, que absorveu essa faixa. O preço do Sol novo ($2/$10) é mais barato que o Terra antigo, então você economiza sem perder capability.

Uma pegadinha: o knowledge cutoff mudou. Se seu sistema depende de informações até uma data específica e você validou isso com o 5.6, teste novamente. O Sol tem cutoff em abril de 2026 e o Luna em maio de 2026.

A verdade que ninguém quer ouvir

O GPT-6 Sol e Luna não são os modelos mais inteligentes do mercado. O Claude Opus 5.5 e o Fable 5.1 ainda lideram em benchmarks de coding e raciocínio complexo. O GPT-6 Astra empata ou supera em algumas métricas. Mas Sol e Luna não foram feitos pra ser os melhores. Foram feitos pra ser os mais eficientes.

E eficiência, no mundo real de produção, frequentemente importa mais que inteligência pura. Um modelo que resolve 67% dos problemas por $0,22 é mais útil, em escala, do que um que resolve 74% por $11,84. A matemática é simples: com o orçamento de uma tarefa no Claude Opus 5, você roda 54 tarefas no Luna. Mesmo que o Luna acerte “só” 67% delas, o throughput absoluto é incomparavelmente maior.

Esse é o argumento que a OpenAI está fazendo. E, honestamente, é difícil discordar.