OpenAI comenzó a liberar, para disponibilidad general, la familia GPT-5.6, compuesta por Sol, Terra y Luna, junto con resultados en tareas profesionales, programación, navegación, uso del computador, ciberseguridad, ciencias de la vida e investigación de inteligencia artificial.
De lo que se observa, las cifras muestran avances frente a GPT-5.5, aunque la posición de cada modelo cambia según el nivel de razonamiento, la cantidad de agentes utilizados, los tokens consumidos y el costo estimado de cada ejecución.
GPT-5.6 Sol ya había aparecido en una vista previa limitada centrada en código, biología y ciberseguridad. El lanzamiento general suma a Terra y Luna y entrega más resultados para comparar su rendimiento.
Los resultados de GPT-5.6 cambian según la prueba y los recursos utilizados
Las ocho evaluaciones cubren capacidades generales y tareas específicas, con diferencias en metodología, origen y recursos utilizados. Los resultados presentados en la nota corresponden a las siguientes pruebas:
- Agents’ Last Exam, centrada en trabajos profesionales de larga duración.
- Artificial Analysis Intelligence Index v4.1, que reúne razonamiento, programación, ciencia y trabajo agéntico.
- Artificial Analysis Coding Agent Index v1.1, orientada al desarrollo de software, terminales y repositorios.
- BrowseComp Multi-Agent, dedicada a la búsqueda y relación de información en la web.
- OSWorld 2.0, que mide tareas realizadas mediante aplicaciones y entornos gráficos.
- ExploitBench, enfocada en la construcción progresiva de exploits sobre código vulnerable.
- GeneBench Pro, basada en análisis prolongados de genómica y biología cuantitativa.
- RSI Index, una evaluación interna de OpenAI para tareas de investigación de inteligencia artificial.
Agents’ Last Exam mide trabajos profesionales de larga duración
Agents’ Last Exam evalúa flujos de trabajo prolongados en 55 campos profesionales, con tareas que requieren mantener información y completar varias etapas relacionadas. OpenAI publica 53,6 puntos para GPT-5.6 Sol con razonamiento max, frente a los 40,5 puntos de Claude Fable 5 con razonamiento adaptativo.
La tabla general del anuncio consigna 52,7% para Sol, 50,4% para Terra, 50,3% para Luna y 46,9% para GPT-5.5. La página no explica junto a esa tabla por qué el resultado de Sol difiere de los 53,6 puntos presentados en el gráfico, por lo que ambas cifras deben mantenerse asociadas a sus respectivas configuraciones.
Artificial Analysis sitúa a Sol a un punto del primer lugar
Artificial Analysis Intelligence Index v4.1 es una medición de terceros que combina trabajo agéntico, programación, razonamiento científico y capacidades generales. GPT-5.6 Sol con razonamiento max obtiene 58,9 puntos y queda detrás de Claude Fable 5, que alcanza 59,9 puntos.
Claude Opus 4.8 registra 55,7 puntos, Terra llega a 55, GPT-5.5 obtiene 54,8 y Luna marca 51,2. OpenAI calcula que Sol completa las tareas en 61% menos tiempo y con cerca de la mitad del costo estimado que Fable 5, aunque estas cifras provienen de simulaciones y pueden variar en condiciones de uso reales.
Coding Agent Index mide programación con terminales y repositorios
Artificial Analysis Coding Agent Index v1.1 es una evaluación independiente que reúne implementación de software, uso de terminal y trabajo sobre repositorios reales. Sol alcanza 80 puntos, seguido por Terra con 77,4, Claude Fable 5 con 77,2, GPT-5.5 con 76,4 y Luna con 74,6.
Sol lidera esta prueba y utiliza menos de la mitad de los tokens de salida y del tiempo informado para Fable 5, junto con un costo estimado aproximadamente un tercio menor. Luna no mantiene la misma ventaja y queda 1,8 puntos por debajo de GPT-5.5, lo que muestra que la mejora no se repite en todos los integrantes de la familia.
BrowseComp mejora cuando varios agentes trabajan en paralelo
BrowseComp mide la capacidad de buscar, seleccionar y relacionar información distribuida en la web. Sol obtiene 90,4% con un agente, mientras la configuración Ultra llega a 92,2% mediante cuatro agentes que trabajan de forma paralela.
Terra alcanza 87,5% y queda por debajo de Claude Mythos 5 con 88%, mientras Luna obtiene 83,3% frente al 84,4% de GPT-5.5. El resultado más alto pertenece a Sol Ultra, aunque depende de la coordinación multiagente y no únicamente del modelo ejecutado de manera individual.
OSWorld evalúa tareas realizadas dentro de un computador
OSWorld 2.0 establece si un agente puede completar tareas mediante la interacción con aplicaciones y entornos gráficos de computador. Sol registra 62,6%, por encima de Claude Opus 4.8 con 54,8%, Terra con 50,2% y GPT-5.5 con 47,5%.
OpenAI informa que Sol utiliza 85% menos tokens de salida que Opus 4.8 durante esta evaluación. Luna alcanza 45,6% y queda por debajo de GPT-5.5, por lo que el avance observado en Sol y Terra no se extiende al modelo de menor costo.
ExploitBench muestra una mejora frente a GPT-5.5 sin alcanzar el primer lugar
ExploitBench detalla el avance desde el acceso a código vulnerable hasta la ejecución arbitraria de código mediante la construcción progresiva de exploits para V8. Sol alcanza 73,5% frente al 47,9% de GPT-5.5 con un presupuesto comparable de tokens de salida.
Claude Mythos 5 obtiene 78% y su versión preliminar llega a 74,2%, por lo que ambos resultados quedan sobre Sol. Terra registra 52,9%, Luna baja a 33,2% y Claude Opus 4.8 alcanza 40%.
OpenAI realizó estas evaluaciones con salvaguardas reducidas y utilizó el arnés API de ExploitBench con cinco semillas y continuidad de razonamiento para todos los modelos. La empresa no publica una gráfica de latencia porque considera que su estimación no es fiable para esta prueba.
GeneBench Pro compara análisis prolongados de biología y genómica
GeneBench Pro reúne tareas de larga duración relacionadas con genómica y biología cuantitativa. Sol obtiene 28,7%, seguido por Terra con 23,3%, Claude Opus 4.8 con 16%, GPT-5.5 con 12% y Luna con 10,8%.
Claude Fable 5 no aparece porque, según OpenAI, rechaza la mayoría de las preguntas avanzadas de biología incluidas en la evaluación. Su ausencia impide comparar directamente el resultado de Sol con el modelo que lidera Artificial Analysis Intelligence Index v4.1.
Sol ocupa el primer lugar entre los modelos incluidos, pero Luna vuelve a quedar por debajo de GPT-5.5. El gráfico muestra una mejora concentrada en Sol y Terra, no un avance uniforme de los tres modelos GPT-5.6.
RSI Index solo compara modelos de OpenAI en tareas de investigación
RSI Index reúne evaluaciones internas basadas en tareas de investigación de IA, entre ellas depuración de sistemas, optimización de kernels, ajuste de procesos de entrenamiento y ejecución de experimentos. Sol alcanza 57,9%, Terra obtiene 56,3%, Luna registra 41,9% y GPT-5.5 llega a 41,7%.
La diferencia entre Sol y GPT-5.5 es de 16,2 puntos, mientras Terra queda a 1,6 puntos del modelo principal. La prueba no incorpora modelos externos ni una validación independiente publicada, por lo que sus resultados describen el rendimiento dentro de las tareas seleccionadas por OpenAI y no una comparación general con otros proveedores.
Las comparaciones cambian según la prueba y los recursos utilizados
Los resultados publicados muestran que GPT-5.6 Sol reúne las mayores mejoras de la familia, aunque no ocupa el primer lugar en todas las evaluaciones y algunas ventajas dependen de más razonamiento, agentes paralelos o mayores recursos de ejecución. Terra mantiene cifras cercanas en varias pruebas, mientras Luna ofrece resultados más variables y en ciertos casos queda por debajo de GPT-5.5.
Las comparaciones también deben leerse según el origen y las condiciones de cada benchmark, porque las pruebas externas, las evaluaciones internas y las mediciones con salvaguardas reducidas no entregan resultados completamente equivalentes. El rendimiento final depende de la tarea, el costo estimado, los tokens utilizados y el tiempo requerido para completar cada evaluación.