Critérios para escolher o modelo GPT-5.6: preço varia 5x, desempenho em codificação difere 4,1 p.p.

O GPT-5.6 divide os modelos em Sol/Terra/Luna, com os modos Max/Ultra adicionados a eles.
Como fica confuso decidir o que escolher para cada tarefa, organizei os benchmarks divulgados.

Primeiro, é preciso separar dois eixos

• Grau do modelo (Grade): Sol / Terra / Luna. Determina o nível de inteligência e o custo-base.
• Modo de operação (Mode): inferência padrão / Max / Ultra. É aqui que variam a quantidade de computação e a estrutura de processamento.
• No Max, um único agente se aprofunda em um problema; no Ultra, 4 agentes trabalham em paralelo dividindo a tarefa.

Preço da API (entrada/saída por 1 milhão de tokens)

• Sol US$ 5 / US$ 30
• Terra US$ 2,5 / US$ 15
• Luna US$ 1 / US$ 6
• Diferença de até 5x. Como leituras em cache têm 90% de desconto, em tarefas repetitivas a diferença real fica ainda menor.

O desempenho não aumenta tanto quanto o preço (Terminal-Bench 2.1)

• Sol Ultra 91,9% / Sol 88,8% / Terra 87,4% / Luna 84,7%
• A diferença entre Sol e Luna, embora o preço seja 5x maior, é de 4,1 p.p.
• Entre Sol e Terra há 1,4 p.p. de diferença, mas o preço é o dobro.
• O Terra (87,4%) supera o flagship da geração anterior, GPT-5.5 (85,6%).

Em trabalho cotidiano de conhecimento, a distância fica ainda menor (Agents' Last Exam)

• Sol 52,7% / Terra 50,4% / Luna 50,3% / GPT-5.5 46,9%
• Terra e Luna diferem por 0,1 p.p. Para resumos simples ou Q&A, o Luna é suficiente.

Sol nem sempre fica em 1º lugar

• SWE-Bench Pro (análise de estrutura de código): Sol 64,6% / Claude Mythos 5 80,3% / Fable 5 80,0%
• Por outro lado, o Sol lidera em tarefas que manipulam diretamente o ambiente.
  OSWorld 2.0 (controle de computador): Sol 62,6% vs Claude Opus 4.8 54,8%
  BrowseComp (navegação): Sol Ultra 92,2% / Sol 90,4%
• Parece variar conforme a tarefa é operação no terminal ou análise de estrutura de código.

O modo Ultra sobe menos do que se imagina

• Codificação +3,1 p.p., análise de segurança +3,1 p.p., navegação +1,8 p.p.
• Para ganhar esses 2–3 p.p., ele usa cerca de 3x mais tokens.
• Parece fazer sentido usá-lo apenas em tarefas em que o custo de falha é alto ou a precisão é indispensável.

Em resumo

• Luna: repetição simples, processamento em volume, prioridade para velocidade
• Terra: a maioria das tarefas gerais. Na prática, o padrão
• Sol: estruturas lógicas complexas, trabalhos com alto custo de falha
• Max: aprofundar em um único problema
• Ultra: executar várias tarefas em paralelo

Todos os números são baseados nas tabelas de benchmark do post oficial de lançamento da OpenAI.
https://openai.com/index/gpt-5-6/

Benchmarks são resultados pontuais, então podem diferir do custo real de projetos ou da percepção prática.
Especialmente em trechos como o SWE-Bench Pro, onde o ranking se inverte, a leitura também pode variar conforme o tipo de tarefa.
Tenho curiosidade para saber se houve partes em que sua experiência usando diretamente foi diferente.
Se eu tiver interpretado algo errado, avisem que corrijo.