Em 22 de setembro de 2026, a OpenAI anunciou dois novos modelos que ampliam a família GPT‑6: GPT‑6 Sol e GPT‑6 Luna. A dupla chega poucas semanas depois do GPT‑6 Astra, apresentado pela empresa como o modelo mais inteligente e mais alinhado do mundo. Os dois cumprem uma função específica na estratégia da companhia: levar os ganhos daquela geração para tarefas do dia a dia, com foco em eficiência de custo.
Segundo a OpenAI, Sol e Luna foram treinados com métodos semelhantes aos usados no Astra. A ideia é levar para versões mais rápidas e baratas os avanços obtidos em trabalho profissional, factualidade, programação, uso de computador e alinhamento.
Três modelos, três faixas de uso
A OpenAI organiza agora sua oferta em três níveis. O Astra segue como a escolha para quem quer o melhor resultado possível, sem compromisso com preço.
Sol ocupa a faixa intermediária. É pensado para tarefas complexas com mais espaço para iteração, limites de uso maiores e custo menor.
Luna atende aplicações que precisam de volume e economia.
A empresa afirma que os modelos da linha GPT‑6 lideram a curva de custo-inteligência. Combina capacidade em cada faixa com infraestrutura capaz de entregá-los em escala, graças a melhorias em caching e inferência.
Preço da API cai pela metade
A economia obtida na infraestrutura, diz a OpenAI, é repassada a usuários e clientes. Os preços de API de Sol e Luna caem 50% em relação ao preço promocional do GPT‑5.6.
No caso do Sol, a entrada passa de US$ 4 para US$ 2 por milhão de tokens. A saída vai de US$ 20 para US$ 10.
O Luna vai de US$ 0,20 para US$ 0,10 na entrada e de US$ 1,20 para US$ 0,50 na saída. Os valores são sempre por milhão de tokens.
Trabalho profissional e agentes
Os números apresentados pela empresa vêm de benchmarks de fluxos de trabalho reais. No AutomationBench 1.0.6, que testa agentes em processos ponta a ponta com 47 ferramentas nas áreas de vendas, marketing, operações, suporte, finanças e RH, o GPT‑6 Sol em esforço xhigh supera o Claude Opus 5 em esforço máximo.
Gasta apenas 9% do custo por tarefa do concorrente.
Já o GPT‑6 Luna em esforço alto melhora 5,4 pontos percentuais sobre seu antecessor, com custo por tarefa 58% menor.
Na tabela do benchmark, o Sol em xhigh marca 33,2% e custa US$ 0,27 por tarefa. O Astra em esforço baixo fica em 30,3%, com custo 3,9 vezes maior.
O Claude Opus 5 em max alcança 26,9%, com custo 11,1 vezes maior. O Claude Fable 5.1 com fallback para o Opus 5 chega a 31,4%, com custo superior a 8,9 vezes o do Sol.
A OpenAI ressalva que o dado do Fable 5.1 subestima o custo real. Isso porque omite os fallbacks do Opus 5, acionados em cerca de 40% das tarefas.
Factualidade e agentes de longo prazo
No Agents' Last Exam V1, que avalia agentes em tarefas econômicas de longo prazo distribuídas por 55 subindústrias, o GPT‑6 Sol em esforço máximo alcança 56,4%. O custo por tarefa é 60% menor que o do melhor resultado do Claude Opus 5 na avaliação.
Em factualidade, a OpenAI usa uma avaliação interna baseada em conversas reais desidentificadas. Nessas conversas, usuários sinalizaram erros de modelos anteriores.
O Sol comete cerca de metade dos erros do antecessor, aproximando-se da confiabilidade do Astra a um custo bem menor. O Luna, em níveis de esforço mais altos, iguala o GPT‑5.6 Sol a cerca de um centésimo do custo.
Código, codex e ambição maior
Em programação, a empresa relata que o uso interno de agentes de código cresceu de forma exponencial. Medido em preços de API, o consumo diário de tokens passou de US$ 600 para o pesquisador mediano e de US$ 7.000 para pesquisadores no percentil 90.
Com agentes assumindo tarefas mais longas, o custo do uso contínuo pesa mais. É aí que Sol e Luna entram.
No FrontierCode 1.1 Main, que mede se as mudanças de código estão prontas para serem mescladas em bases reais, o Sol melhora bastante sobre o GPT‑5.6 Sol e iguala o Claude Fable 5.1 em xhigh a custo muito menor.
No DeepSWE v1.1, o Sol em esforço máximo marca 68,8%. Fica a 1,1 ponto percentual do melhor resultado do Claude Fable 5 na avaliação, de 69,9% em xhigh.
Por que isso importa
O lançamento mostra que a disputa entre os laboratórios de fronteira deixou de ser apenas sobre quem tem o modelo mais capaz. Para boa parte das empresas, o gargalo está em sustentar agentes rodando por horas, em escala, sem que a conta inviabilize o projeto.
Ao cortar preços pela metade e publicar comparações de custo por tarefa contra modelos da Anthropic, a OpenAI tenta deslocar a decisão de compra dos benchmarks de ponta para o custo total de operação. A própria empresa deixa claro que o Astra continua sendo sua melhor opção quando o resultado não pode ser comprometido.
Isso desenha uma estratégia de três faixas: capacidade máxima, equilíbrio e volume.
