Nem toda tarefa precisa do modelo mais caro da prateleira. Ao lançar GPT-6 Sol e GPT-6 Luna, a OpenAI está tentando transformar essa ideia em uma família mais fácil de operar: Astra continua como a opção de capacidade máxima, Sol assume o trabalho profissional exigente e Luna busca escala com custo baixo.

Os preços deixam a intenção clara. GPT-6 Sol custa US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída. GPT-6 Luna custa US$ 0,10 e US$ 0,50, respectivamente. Segundo a OpenAI, os dois valores representam redução de 50% em relação aos preços promocionais dos equivalentes GPT-5.6.

Isso interessa especialmente a equipes que já perceberam que “usar o melhor modelo em tudo” é uma arquitetura cara, não uma estratégia de qualidade.

Sol para profundidade, Luna para volume

O Sol foi posicionado para coding agents, automação entre aplicações e tarefas profissionais complexas. A OpenAI afirma que ele melhora o GPT-5.6 Sol em avaliações de engenharia de software, factualidade e uso de computador, enquanto se aproxima de modelos maiores por uma fração do custo.

O Luna é a opção para alto volume. Ele pode servir bem em classificação, extração, transformações previsíveis, primeiras passagens e subtarefas delegadas por um agente principal. A economia só é real quando a tarefa cabe no modelo. Se o resultado exige várias tentativas ou muita correção posterior, o barato começa a cobrar juros.

Os números de benchmark publicados são do próprio lançamento e usam configurações específicas de esforço, ferramentas e harness. Eles ajudam a formular hipóteses; não escolhem o modelo pela equipe.

O ganho está no roteamento

A novidade mais útil talvez não seja trocar um modelo por outro, mas parar de tratar todas as etapas como iguais. Uma mesma solicitação pode usar Luna para organizar contexto e localizar candidatos, Sol para implementar e testar a mudança, e Astra apenas quando a ambiguidade ou o risco justificarem a diferença de custo.

Esse desenho precisa de métricas. Compare custo da tarefa completa, latência, taxa de sucesso na primeira tentativa e tempo humano de revisão. Para coding agents, acompanhe também comandos executados, arquivos alterados sem necessidade e ciclos de correção. Preço por token sem qualidade final é uma planilha bonita contando a história errada.

A família também herda mudanças de estilo do Astra: respostas mais curtas, menos jargão e mais clareza sobre o que foi ou não verificado. Isso é difícil de medir em um leaderboard, mas importa bastante quando uma pessoa precisa revisar dezenas de decisões do agente.

Onde estão disponíveis

Sol e Luna chegam ao ChatGPT, à API e ao Codex. O GitHub também anunciou os dois modelos no Copilot, com liberação gradual e controles de política para organizações. Antes de definir um padrão corporativo, vale confirmar disponibilidade, multiplicadores de consumo e regras do plano em cada produto.

O lançamento não encerra a corrida pelo modelo mais capaz. Ele mostra outra competição, mais próxima da realidade de produto: quem entrega inteligência suficiente pelo menor custo total da tarefa. Para AI Engineering, essa pergunta costuma ser mais valiosa do que descobrir qual modelo ficou alguns pontos à frente em um gráfico.