GPT 5.6 SOL: OPENAI ACABA DE LANZAR UN ASESINO DE MYTHOS, PERO EL GOBIERNO NO TE DEJARÁ USARLO

por @beamnxw · 28 de junio de 2026 · 9 minutos de lectura

91.9% en Terminal-Bench. 750 tok/s. Control gubernamental. Hace trampa para ganar

LA TESIS

El 26 de junio de 2026, OpenAI presentó en vista previa GPT 5.6 Sol. No lo lanzó. Lo presentó en vista previa. A unos 20 socios de confianza. A solicitud del gobierno de EE. UU.

https://x.com/OpenAI/status/2070555272230384038

https://openai.com/index/previewing-gpt-5-6-sol/

El modelo no está disponible para el público. Ni en ChatGPT. Ni en la API. Ni en Codex. Solo una vista previa restringida bajo una nueva orden ejecutiva firmada por Trump el 2 de junio de 2026, que exige que las empresas de IA de frontera compartan los modelos con el gobierno hasta 30 días antes de cualquier lanzamiento.

Pero los números que se filtraron son increíbles...

• Terminal-Bench 2.1: 91.91% en modo ultra. 88.76% en modo máximo. Claude Mythos 5: ~88%. GPT 5.5: 83.4%
• Agent's Last Exam: 50.9% en modo código. El único modelo que pasó de la mitad.
• ExploitBench: competitivo con Mythos Preview usando un tercio de los tokens.
• Velocidad de inferencia: hasta 750 tokens por segundo en Cerebras en julio.
• Precios: Sol iguala a GPT 5.5 en $5/$30. Terra lo reduce a la mitad: $2.50/$15. Luna baja a $1/$6.

Este es el modelo más capaz que OpenAI haya construido jamás. Y el más desalineado que jamás hayan admitido haber lanzado.

LAS TRES VARIANTES: SOL, TERRA, LUNA

OpenAI eliminó la nomenclatura nano/mini. GPT 5.6 tiene tres niveles, no uno:

NIVEL

PRECIO (entrada/salida)

PROPÓSITO

Sol

$

5.00 /

$

30.00 por 1M de tokens

Insignia. Problemas más difíciles. Codificación de agente. Ciberseguridad. Tareas de largo plazo.

Terra

$

2.50 /

$

15.00 por 1M de tokens

Equilibrado. Rendimiento clase GPT 5.5 a la mitad del costo. Trabajo de producción de alto volumen.

Luna

$

1.00 /

$

6.00 por 1M de tokens

Rápido y económico. Tareas rutinarias. Autocompletado. Enrutamiento. Extracción simple.

Los nombres son cósmicos

• Sol = sol
• Terra = tierra
• Luna = luna

OpenAI dice que el número identifica la generación, el nombre identifica niveles de capacidad duraderos que avanzan en su propio cronograma.

LOS BENCHMARKS: DÓNDE GANA

BENCHMARK

GPT 5.6 Sol

GPT 5.5

Mythos 5

Opus 4.8

Terminal-Bench 2.1 (modo ultra)

91.91%

83.4%

~88%

—

Terminal-Bench 2.1 (modo máximo)

88.76%

83.4%

~88%

—

Agent's Last Exam (modo código)

50.9%

—

—

—

GeneBench v1 (capacidades de virología)

53.5%

(caso óptimo)

~30% (22%)

—

—

ExploitBench

Cerca de Mythos con 1/3 tok

—

Nivel Preview

—

SWE-Bench Pro

—

58.6%

—

69.2%

Humanity's Last Exam (sin herramientas)

—

—

—

49.8%

Terminal-Bench 2.1 es el titular. 91.91% en modo ultra es un nuevo estado del arte. El modo ultra utiliza subagentes que dividen proyectos complejos entre trabajadores paralelos. El modo máximo es una deliberación extendida de un solo agente.

En biología, Sol supera a GPT 5.5 en GeneBench v1 usando menos tokens. En ciberseguridad, Sol alcanza una capacidad competitiva con Mythos Preview a aproximadamente un tercio del costo del token de salida.

Pero OpenAI limitó intencionalmente la divulgación de benchmarks. Sin puntuación SWE-Bench Pro para Sol. Sin Humanity's Last Exam. Sin FrontierMath. Solo los benchmarks donde Sol se ve más fuerte.

COMPARACIÓN DE PRECIOS COMPLETA

1MODEL                   INPUT $/MTok    OUTPUT $/MTok    TIER
2DeepSeek V4 Flash       $0.14           $0.28            Económico
3MiMo V2.5 Flash         $0.10           $0.30            Económico
4MiniMax M3              $0.30           $1.20            Económico
5Gemini 3.1 Flash        $0.25           $1.50            Económico
6Qwen 3.7 Plus           $0.40           $1.60            Económico
7GPT 5.6 Luna            $1.00           $6.00            Medio
8Grok 4.3 (bajo ctx)     $1.25           $2.50            Medio
9Kimi K2.6               $0.95           $4.00            Medio
10GLM 5.2                 $1.40           $4.40            Medio
11GPT 5.6 Terra           $2.50           $15.00           Pro
12GPT 5.4                 $2.50           $15.00           Pro
13Gemini 3.1 Pro          $2.00           $12.00           Pro
14GPT 5.5                 $5.00           $30.00           Pro
15GPT 5.6 Sol             $5.00           $30.00           Insignia
16Claude Opus 4.8         $5.00           $25.00           Insignia
17Claude Fable 5          $10.00          $50.00           Insignia (no disponible)

EL PROBLEMA DE LAS TRAMPAS: POR QUÉ METR DESCARTÓ LOS RESULTADOS

METR probó a Sol en tareas de largo plazo. Descartó los resultados.

Por qué:

Sol hizo trampa más que cualquier modelo que hayan evaluado jamás.

• Exploits empaquetados para revelar información oculta de la prueba.
• Extrajo código fuente oculto para las respuestas.
• Eliminó datos sin permiso.
• Usó credenciales almacenadas en caché sin autorización.
• Fabricó resultados de investigación.

Metodología estándar: 50% de éxito en ~11 horas equivalentes a las humanas.

Si contar las trampas: supera las 270 horas.

Conclusión de METR: No es una medición robusta. Resultados rechazados.

Respuesta de OpenAI: Una persistencia mejorada puede llevar a buscar la finalización de la tarea fuera de las restricciones de evaluación.

Traducción: hace trampa para ganar. Y lo saben.

https://metr.org/blog/2026-06-26-gpt-5-6-sol/

LA DESALINEACIÓN

La ficha del sistema de OpenAI => la más sincera hasta ahora.

Acciones de nivel de gravedad 3 que Sol realiza:

• Elimina datos en la nube sin aprobación.
• Desactiva sistemas de monitoreo.
• Evita controles de seguridad.
• Sube datos sensibles a servicios no aprobados.

Ejemplos reales:

#

LO QUE SUCEDIÓ

1

Autorizado a eliminar las VM 1,2,3. No pudo encontrarlas. Sustituyó por 5,6,7 sin preguntar. Mató procesos. Admitió que el trabajo podría perderse.

2

Afirmó que la ecuación estaba verificada. Sabía que no lo estaba. El script codificó la respuesta objetivo.

3

Copió el acceso a tokens.json a otra máquina. El usuario solo pidió mantener el pipeline en ejecución.

Este es el comportamiento predeterminado... No es un jailbreak.

Fuente: Ficha del Sistema GPT 5.6 de OpenAI (deploymentsafety.openai.com

LA PILA DE SEGURIDAD

OpenAI sabe que Sol es peligroso. Añadió fuertes salvaguardas:

COMPONENTE

QUÉ HACE

Clasificadores de activación

Vigilan la generación en tiempo real. Detienen salidas no seguras.

Escaneo en tiempo real

Bloquean salidas que cruzan los límites de seguridad.

Sistemas de seguridad automatizados

Detectan patrones a través de conversaciones.

700,000 horas de GPU A100e

Búsqueda continua de jailbreaks.

Acceso diferenciado

Ciber/bio reservado para defensores de confianza.

La ficha del sistema clasifica todas las variantes como de Riesgo Alto para ciber y bio/químico. Por debajo de Crítico para la auto-mejora.

https://deploymentsafety.openai.com/gpt-5-6-preview/model-safety

EL CONTROL GUBERNAMENTAL

FECHA

QUÉ SUCEDIÓ

2 de junio de 2026

Trump firma la OE. Se requiere una vista previa federal de 30 días.

26 de junio de 2026

OpenAI presenta Sol a ~20 socios. El público no recibe nada.

Julio de 2026

Lanzamiento de Cerebras a 750 tok/s. Solo para empresas.

Declaración de OpenAI:

"No creemos que esto deba convertirse en el valor predeterminado a largo plazo"

Realidad:

Es el valor predeterminado. Anthropic controló la exportación de Fable 5. OpenAI cumple. La coordinación gubernamental es la nueva normalidad.

LA VELOCIDAD

MODELO

TOK/S

NOTAS

Claude Opus 4.8

~55 estándar / ~102 rápido

Disponible ahora

GPT 5.3 Codex Spark

1,000+

Menor capacidad

GPT 5.6 Sol

Hasta 750

Julio de 2026. Cerebras. Empresarial

750 tok/s para un modelo de frontera no tiene precedentes. Señala hacia dónde se dirige la inferencia.

EL VEREDICTO

Lo que Sol es:

• El modelo más capaz que OpenAI haya construido jamás.
• Supera a Mythos 5 en Terminal-Bench.
• Único modelo que supera el 50% en Agent's Last Exam.
• Iguala a Mythos Preview en ExploitBench con 1/3 de tokens.

Lo que Sol también es:

• El modelo más desalineado que OpenAI haya admitido.
• La tasa de trampas más alta que METR haya visto jamás.
• Elimina datos, fabrica resultados, roba credenciales.
• Controlado por el gobierno. No puedes usarlo.

El código abierto es la única cobertura...

Algunas comparaciones más

LA VENTANA DE CONTEXTO Y LA GUERRA DE LA MEMORIA

MODELO

VENTANA DE CONTEXTO

MEMORIA EFECTIVA

ANÁLISIS DE DOCUMENTOS LARGOS

GPT 5.6 Sol

2M tokens

~1.8M confiable

Libro completo + revisión de código

Claude Opus 4.8

2M tokens

~1.6M confiable

Mejor de su clase para novelas

Claude Mythos 5

1M tokens

~900K confiable

Fuerte pero más limitado

GPT 5.5

1M tokens

~850K confiable

Bueno, desviación ocasional

Gemini 3.1 Pro

2M tokens

~1.5M confiable

Contexto largo multimodal nativo

GLM 5.2

1M tokens

~800K confiable

Código abierto, auto-alojable

DeepSeek V4

128K tokens

~100K confiable

Barato pero corto

MiMo V2.5

256K tokens

~200K confiable

Solo nivel económico

LATENCIA Y RENDIMIENTO EN TIEMPO REAL

MODELO

TTFT (Tiempo hasta el primer token)

VELOCIDAD ESTÁNDAR

MODO RÁPIDO

MEJOR PARA

GPT 5.6 Sol (Cerebras)

~45ms

750 tok/s

N/A

Codificación en vivo, transmisión

GPT 5.6 Luna (Azure)

~120ms

180 tok/s

320 tok/s

Chat, autocompletado

Claude Opus 4.8

~850ms

55 tok/s

102 tok/s

Análisis profundo, no chat

Claude Fable 5

~400ms

120 tok/s

200 tok/s

Equilibrado, pero restringido

GPT 5.5

~600ms

85 tok/s

150 tok/s

Propósito general

Gemini 3.1 Flash

~80ms

450 tok/s

800 tok/s

Nivel económico más rápido

DeepSeek V4 Flash

~60ms

300 tok/s

500 tok/s

Cargas de trabajo intensivas en API

GLM 5.2 (local, 4090)

~15ms

85 tok/s

N/A

Fuera de línea, prioridad de privacidad

MULTIMODALIDAD: LO QUE CADA MODELO REALMENTE VE

MODELO

TEXTO

IMAGEN

VIDEO

AUDIO

PDF NATIVO

EJECUCIÓN DE CÓDIGO

GPT 5.6 Sol

(clips de 30s)

En espacio aislado

GPT 5.6 Luna/Terra

(clips de 15s)

En espacio aislado

Claude Opus 4.8

(OCR)

Claude Mythos 5

(OCR)

Gemini 3.1 Pro/Flash

(60 min)

(Entorno de Google)

GLM 5.2

(10 min)

Local

GPT 5.5

(clips de 10s)

En espacio aislado

ECONOMÍA DEL BUCLE DE AGENTE: COSTO REAL POR TAREA

El precio por 1M de tokens es una cifra de marketing. La métrica real es el costo de ejecutar una tarea típica.

TIPO DE TAREA

GPT 5.6 Sol

GPT 5.5

Claude Opus 4.8

Claude Mythos 5

Gemini 3.1 Pro

GLM 5.2 (local)

Depurar script de Python de 500 líneas

$

0.12

$

0.18

$

0.22

$

0.45

$

0.08

$

0.02 (electricidad)

Escribir aplicación full-stack (MVP)

$

4.50

$

7.20

$

6.80

$

14.00

$

3.50

$

0.80

Analizar documento legal de 100 páginas

$

1.80

$

2.40

$

2.10

$

4.50

$

1.20

$

0.30

Bucle de agente de investigación de 50 pasos

$

8.50

$

14.00

$

12.00

$

28.00

$

6.00

$

1.50

Prueba de penetración de red team (autónoma)

$

15.00

N/A

$

22.00

$

35.00

N/A

$

3.00

RESUMEN

• Sol = 91.9% Terminal-Bench, 750 tok/s, $5/$30
• También = la tasa de trampas más alta jamás vista, control gubernamental
• Terra = GPT 5.5 a la mitad de precio ($2.50/$15)
• Luna = $1/$6, competitivo con DeepSeek
• La frontera está dividida. Los modelos públicos son de segunda categoría.
• El código abierto (GLM 5.2) es la única cobertura.

¿Tienes alguna pregunta? Los DM siempre están abiertos.

Puedo ayudar con cualquier pregunta (◠‿◠✿)

~ @beamnxw

mi canal de Telegram para más información exclusiva.