GPT-6 Luna ya está en Felo Search: Un millón de tokens por $0.10
GPT-6 Luna está disponible en Felo Search: 1.05M de contexto y lectura de clase frontera a $0.10 por millón de tokens de entrada, el nivel más económico de la familia GPT-6.
OpenAI lanzó GPT-6 Luna el 22 de septiembre junto con GPT-6 Sol. Luna es el modelo más económico de la familia GPT-6 por un amplio margen: $0.10 por millón de tokens de entrada y $0.50 por millón de tokens de salida, aproximadamente una vigésima parte del costo de Sol y una centésima parte del buque insignia Astra.
Ya está disponible en Felo Search. La pregunta interesante no es si Luna es el modelo más inteligente que puedes poner detrás de una caja de búsqueda. Es qué se vuelve posible cuando leer un documento cuesta casi nada.
Qué es realmente GPT-6 Luna
Luna ocupa el nivel más bajo de la generación GPT-6, debajo de GPT-6 Sol y mucho más abajo de GPT-6 Astra. El nombre merece una pausa, porque va en sentido contrario a la generación anterior.
En la generación GPT-5.6, Sol era el buque insignia, con Terra y Luna debajo. GPT-6 invierte ese orden: Astra lidera a $10/$50, Sol es el nivel intermedio a $2/$10, y Luna sostiene la familia a $0.10/$0.50. Los mismos tres nombres, clasificación opuesta. Si arrastras suposiciones de GPT-5.6, el precio es la forma más rápida de saber qué Luna tienes delante.
| Especificación | GPT-6 Luna |
|---|---|
| ID del modelo | gpt-6-luna |
| Fabricante | OpenAI |
| Lanzamiento | 22 de septiembre de 2026 |
| Ventana de contexto | 1,050,000 tokens |
| Máximo de entrada | 922,000 tokens |
| Máximo de salida | 128,000 tokens |
| Entrada | Texto, imagen |
| Salida | Texto |
| Esfuerzo de razonamiento | ninguno / bajo / medio (predeterminado) / alto / muy alto / máximo |
| Precio | $0.10 por millón de entrada, $0.50 por millón de salida |
| Contexto largo | $0.20 entrada / $0.75 salida por encima de 272,000 tokens de entrada |
| Entrada en caché | $0.01 por millón de tokens |
| Límite de conocimiento | 18 de mayo de 2026 |
Lee la fila de contexto junto a la de precio. Luna ofrece la misma ventana de 1,050,000 tokens que el buque insignia (922,000 tokens de entrada, 128,000 de salida) a una centésima parte del precio de entrada de Astra. OpenAI no redujo la ventana para alcanzar el precio. Es la misma ventana en un modelo más barato.
Tres filas más cambian cómo el modelo actúa en trabajo real.
La entrada en caché cuesta un centavo por millón de tokens. Usar el mismo conjunto de fuentes en veinte preguntas diferentes, a ese precio, resulta gratis.
Seis configuraciones de esfuerzo de razonamiento, con medio como predeterminado. Luna es el único modelo de los cuatro lanzados esta semana con un interruptor: ninguno omite el razonamiento por completo para tareas que no lo requieren. Esa decisión afecta tanto la latencia como el costo. Para clasificación, extracción y enrutamiento, la respuesta correcta más rápida suele ser la que no piensa primero.
Batch y Flex reducen el precio a la mitad otra vez. Para tareas que no requieren respuesta en tiempo real, cincuenta centavos por millón de tokens de salida es el mínimo.
Qué cambia la lectura barata
La mayoría de los presupuestos de investigación no se gastan en síntesis. Se gastan en lectura: abrir cuarenta fuentes para encontrar las seis relevantes, y luego revisar esas seis en detalle. Ese primer paso resulta costoso porque un modelo de frontera realiza tareas que uno mucho más barato podría hacer.
A $0.10 por millón de tokens de entrada, el cálculo se invierte. Ahora puedes hacer esto en Felo Search:
- Leer todo antes de decidir qué importa. Trae el conjunto completo de resultados a un solo contexto y clasifícalos por relevancia para tu pregunta específica, con razones. Cien mil tokens de entrada cuestan un centavo.
- Usar la misma pregunta en más fuentes de lo habitual. Leer diez fuentes en lugar de tres aumenta la cobertura, y la razón por la que la gente lee tres es el costo. A este precio, la restricción cambia.
- Extraer antes de razonar. Haz que Luna convierta cuarenta documentos en una tabla estructurada de números, fechas y afirmaciones, con la fuente adjunta a cada fila. Luego entrega esa tabla, no los documentos, a un modelo más fuerte.
- Enrutar por dificultad. Envía la mitad fácil del trabajo a Luna y escala solo las preguntas que requieren profundidad. El triage multiplica el ahorro.
Los resultados apoyan el uso de Luna para ese primer paso. DeepSWE v1.1 publicado por OpenAI lo sitúa en 66.6% en ingeniería de software de largo horizonte, y Agents' Last Exam en 0.51. HealthBench Professional alcanza 60.8%. La puntuación de SEC-Bench Pro, 34.2%, recuerda que el trabajo en el dominio financiero resulta más difícil que la lectura general para cualquier modelo de este nivel.
Qué no es Luna
La versión honesta: Luna sacrifica profundidad de razonamiento por costo, y el intercambio existe.
En las tablas publicadas ocupa el nivel más bajo de la familia, y la cifra de OpenAI para el ajuste predeterminado (esfuerzo medio) queda muy por debajo de lo que Sol y Astra ofrecen en mayor esfuerzo. Los números de recuperación en dominio abierto mejoraron mucho respecto al Luna anterior, y aún no son los que necesitas para una respuesta final en una pregunta de alto riesgo.
Eso no implica evitarlo. Implica usarlo en la mitad adecuada del trabajo: Luna lee, el modelo más fuerte decide. En Felo Search ambos pasos ocurren en el mismo espacio de trabajo. Haz el barrido amplio con Luna, luego cambia el modelo en el selector y formula la pregunta final con la evidencia extraída aún en contexto.
Cómo usar GPT-6 Luna en Felo Search
1. Abre el selector de modelos y elige GPT-6 Luna. Mismo cuadro de búsqueda, mismas fuentes.
2. Empieza amplio. Haz una pregunta que requiera leer más fuentes de las que normalmente pagarías: "encuentra todas las cifras publicadas para esto, con su fuente y fecha."
3. Pide estructura, no prosa. Tablas, listas y campos extraídos son lo que un modelo barato hace bien. Deja la síntesis escrita para el paso costoso.
4. Sube el esfuerzo cuando la pregunta se complica. Medio es el predeterminado por una razón, pero alto y muy alto están disponibles cuando la tarea lo requiere.
5. Cambia de modelo para la respuesta final. Conserva la evidencia, cambia el modelo. El selector es un control, no un compromiso.
Los otros tres modelos están en Felo Search
Luna llegó con tres hermanos, y los cuatro están en Felo Search.
| Modelo | Lanzado por | Precio por millón de tokens | Contexto | Diseñado para |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | $2 entrada / $6 salida | 500K | Razonamiento de largo horizonte y trabajo de conocimiento |
| Claude Opus 5.5 | Anthropic | $4 entrada / $20 salida | 1M | Respuestas que resisten verificación |
| GPT-6 Luna | OpenAI | $0.10 entrada / $0.50 salida | 1.05M | Búsqueda de alto volumen al menor costo por llamada |
| GPT-6 Sol | OpenAI | $2 entrada / $10 salida | 1.05M | Bucles de agente y llamadas repetidas a precio intermedio |
Luna es el más barato de los cuatro por un orden de magnitud, y el único que ofrece una opción sin razonamiento. Si piensas que los modelos baratos sirven para preguntas desechables, la ventana de un millón de tokens debería cambiar tu opinión.
Prueba GPT-6 Luna en Felo Search
GPT-6 Luna está disponible en Felo Search con una ventana de contexto de 1,050,000 tokens, seis configuraciones de esfuerzo de razonamiento y precios de $0.10/$0.50. Es el modelo que convierte leer todo en la opción económica.
Abre GPT-6 Luna en Felo Search →
Esta publicación también está disponible en English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, বাংলা and Português.