Em 29 de setembro de 2026, a OpenAI levou ao palco do DevDay 2026 o GPT-6.1 Sol, uma atualização da família GPT-6 apresentada poucos dias antes. O evento foi acompanhado em tempo real por desenvolvedores e pesquisadores.
O registro da repercussão que chegou até nós veio do blog de Simon Willison, que publicou às 18h27 daquele mesmo dia um comentário na discussão aberta no Hacker News sobre o lançamento.
A thread do Hacker News trazia no título uma promessa ambiciosa: "GPT 6.1 Sol: Near-Astra intelligence for a fifth of the price". Algo como inteligência próxima da de Astra por um quinto do preço.
Willison não confirmou nem contestou a cifra. Sua participação foi modesta e serviu, sobretudo, para justificar um atraso.
Ele estava ocupado fazendo a cobertura ao vivo do keynote da OpenAI, publicada no live blog do DevDay 2026.
Uma atualização dentro da mesma família
A movimentação não acontece isolada. Em 22 de setembro de 2026, uma semana antes do DevDay, Willison já havia escrito sobre o Claude Opus 5.5, o GPT-6 Sol e o GPT-6 Luna em meio a uma nova guerra de preços.
O GPT-6 Sol, portanto, já circulava antes de ganhar a versão 6.1. Cinco dias depois, em 27 de setembro, o autor publicou o balanço 2026 in LLMs (so far), retrospectiva do que o ano reservou aos grandes modelos de linguagem até aquele ponto.
O GPT-6.1 Sol entra nesse histórico como mais um capítulo de um ciclo de lançamentos cada vez mais curtos.
O teste do pelican e seus limites
Willison mantém há anos um teste informal que se tornou marca registrada de suas análises: pedir ao modelo que gere um SVG de um pelicano andando de bicicleta. Para o GPT-6.1 Sol, o resultado foi disponibilizado por meio de sua ferramenta de renderização de SVG a partir de markdown, que aponta para um gist com o arquivo gerado.
A avaliação foi direta: o desenho não é notavelmente diferente dos pelicanos produzidos pela família GPT-6, reunidos numa grade comparativa.
Vale a ressalva: o exercício não mede raciocínio, custo por token ou latência. Ele funciona como termômetro qualitativo da capacidade do modelo de seguir instruções visuais e devolver código que renderiza de fato.
Preço, concorrência e o que fica em aberto
A menção a "Astra" no título da thread sugere um patamar de capacidade que o material disponível não detalha. Não há, na fonte, descrição técnica do que seria esse modelo de referência.
Da mesma forma, a ideia de entregar inteligência equivalente por "um quinto do preço" é uma afirmação da manchete da discussão, e não um número oficial confirmado no conteúdo analisado.
O que se sabe é o pano de fundo: o setor vinha de uma semana marcada por movimentos simultâneos de concorrentes diretos, com Claude Opus 5.5, GPT-6 Sol e GPT-6 Luna disputando atenção e orçamento de empresas. Nesse cenário, atualizações incrementais que reduzem custo tendem a pesar mais na decisão de quem precisa escalar aplicações do que saltos de capacidade difíceis de medir.
Por que isso importa
Para quem desenvolve produtos com LLMs, a leitura do caso é prática. Versões pontuais como a 6.1 raramente mudam o jogo sozinhas, mas redefinem o custo relativo de rodar cargas de trabalho em produção.
É isso que costuma destravar adoção.
Também chama atenção o método de avaliação: um teste caseiro, reproduzível e público, publicado no mesmo dia do anúncio, enquanto os números oficiais ainda estavam sendo digeridos pela comunidade.
O episódio reforça ainda um padrão que Willison vinha documentando ao longo de 2026: a distância entre o que um lançamento promete e o que um usuário experiente consegue verificar em poucas horas. Enquanto a indústria discute patamares de inteligência e guerras de preço, o sinal mais concreto disponível é o comportamento do modelo diante de uma tarefa banal e bem definida.
Fontes e links
- Simon Willison
- OpenAI DevDay 2026 live blog
- 2026 in LLMs (so far)
- Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war
