GPT-6 Sol vs Claude Opus 5.5: benchmarks, precios y cuál usar

La atención al nuevo modelo de Anthropic duró apenas una hora en la carrera por modelos frontera más eficientes y asequibles. 

Su Claude Opus 5.5 es el primer modelo de la familia Claude 5.5, presentado como rendimiento de nivel Fable 5.1 con un coste operativo inferior al de Opus 5.

OpenAI respondió muy rápido, publicando GPT-6 Sol como el modelo intermedio de la familia GPT-6, entrenado con los mismos métodos que el buque insignia GPT-6 Astra y lanzado a la mitad del precio de API de su predecesor, GPT-5.6 Sol.

En este artículo, compararé GPT-6 Sol y Claude Opus 5.5 en múltiples categorías de rendimiento, salvaguardas y precios, e incluiré una prueba práctica de construcción que ejecuté en ambos.

TL;DR

• Claude Opus 5.5 publica los mejores benchmarks de agentic coding y lidera los dos benchmarks que ambos modelos comparten.
• GPT-6 Sol cuesta la mitad a precio de lista, pero la diferencia se reduce en bucles de agentes con mucho uso de caché y en solicitudes muy largas.
• En nuestra prueba de construcción, ambos resolvieron bien la lógica difícil, y Sol entregó el juego más pulido.
• Elige Opus 5.5 para coding agentivo de larga duración o para despliegues que tengan que funcionar en las tres grandes nubes.
• Elige Sol para volumen sensible a coste, para equipos de Codex y ChatGPT Work, y para automatizar apps de negocio con presupuesto ajustado.

¿Qué es GPT-6 Sol?

GPT-6 Sol es el modelo intermedio GPT-6 de OpenAI, lanzado el 22 de septiembre de 2026 junto a GPT-6 Luna y situado por debajo del buque insignia GPT-6 Astra.

Su propuesta: la receta de entrenamiento de Astra a la mitad del precio de API de GPT-5.6 Sol, con caché de prompts que sobrevive a cambios a mitad de conversación en el esfuerzo de razonamiento o en las herramientas.

Nuestra guía de GPT-6 Sol y Luna cubre el lanzamiento, y nuestro tutorial del API de GPT-6 Astra recorre sus herramientas asíncronas y el control del razonamiento.

¿Qué es Claude Opus 5.5?

Claude Opus 5.5 es el primer modelo Claude 5.5 de Anthropic, lanzado el 22 de septiembre de 2026 como el nuevo modelo líder de la compañía para coding agentivo de larga duración y trabajo de conocimiento.

Su propuesta: resultados de clase Fable a precios de Opus. Anthropic afirma que iguala a Claude Fable 5.1 en la mayoría de tareas y llega con salvaguardas de ciberseguridad y biología de nivel Fable.

Nuestra guía de Opus 5.5 cubre el lanzamiento, y nuestro tutorial del API de Claude Opus 5 cubre la API de la generación anterior.

GPT-6 Sol vs Claude Opus 5.5: comparación directa

Por lo ajustado de los lanzamientos, ningún proveedor incluyó el nuevo modelo del otro en su tabla inicial, así que solo se solapan en dos benchmarks, y Opus 5.5 lidera ambos. La apuesta de Sol se basa en el precio y en cómo se comportó en nuestra propia prueba.

Programación y flujos agentivos

Opus 5.5 publica mejores cifras en agentic coding, y la nota de Sol no las rebate directamente. Anthropic informa de Opus 5.5 en Terminal-Bench 4.0, FrontierCode y CursorBench; OpenAI informa de Sol en DeepSWE y describe su resultado en FrontierCode solo como que iguala a Claude Fable 5.1 con esfuerzo xhigh. Anthropic sitúa a Fable 5.1 en 50,3% en FrontierCode frente a 54,4% de Opus 5.5, así que, si ambas afirmaciones se sostienen, Sol queda unos cuatro puntos por detrás de Opus 5.5 en el único benchmark de código que ambos mencionan.

Ambos proveedores apoyan sus argumentos en anécdotas de largo recorrido más que en cifras compartidas. La reescritura interna de HAProxy de C a Rust de Anthropic terminó con Opus 5.5 en 9,5 horas frente a 12 para Fable 5.1 con un coste 51% menor. El argumento de OpenAI es el coste por tarea: Sol queda a aproximadamente un punto de la puntuación de Fable 5 en DeepSWE con un coste cerca de un 80% inferior.

Dos razones para tomar estas tablas con cautela:

• Anthropic ejecutó Opus 5.5 con salvaguardas de producción activas y afirma que desviar tareas de ciberseguridad y biología probablemente bajó sus puntuaciones.
• Las comparativas de coste por tarea de OpenAI emparejan Sol en xhigh o max frente a modelos Claude con distintos niveles de esfuerzo.

Sobre el papel, Opus 5.5 es el modelo de código más fuerte; nuestra única prueba de construcción es donde esa diferencia no se reflejó.

Flujos de negocio y uso del ordenador

Opus 5.5 lidera los dos benchmarks compartidos, y la diferencia en AutomationBench es el dato más limpio del artículo: 40,0% para Opus 5.5 frente a 33,2% para Sol en la prueba de Zapier con agentes que trabajan en 47 herramientas de negocio.

La réplica de Sol es la factura: OpenAI posiciona a Sol como mejor que Claude Opus 5 a un 9% del coste por tarea de Opus 5, aunque esa comparación es con el Opus anterior, no con este.

Opus 5.5 es el agente más fuerte por puntuación; Sol es el que te puedes permitir ejecutar en cada ticket.

Trabajo de conocimiento y fiabilidad fáctica

Opus 5.5 tiene el único dato cruzado aquí: 1846 Elo en GDPval-AA v2.1, por delante de las puntuaciones de GPT-6 Astra y GPT-5.6 Sol en la tabla de Anthropic; Sol no aparece listado. En su prueba de redacción de informes, donde cualquier cifra inventada invalida la ejecución, 16 de 18 informes de Opus 5.5 pasaron, y ni Fable 5.1 ni Opus 5 lograron pasar una sola vez.

La evidencia de Sol es frente a su predecesor: en el conjunto interno de factualidad de OpenAI, Sol comete aproximadamente la mitad de errores que GPT-5.6 Sol. El test AA-Omniscience de Artificial Analysis coincide, con un matiz: la tasa de alucinaciones de Sol bajó del 92% al 60% mientras respondió solo al 83% de las preguntas frente al 99% de su predecesor.

Ambos son más cuidadosos que sus versiones anteriores; solo Opus 5.5 lo ha demostrado frente a un rival.

Salvaguardas y limitaciones de API

Sol es la API menos restringida y Opus 5.5 la más supervisada.

Opus 5.5 no puede ejecutarse con el pensamiento desactivado, rechaza el uso forzado de herramientas y vincula los bloques de pensamiento al modelo y la conversación que los generaron, por lo que el contexto editado falla con error 400 en cuentas creadas después del 31 de agosto de 2026. La mayoría de tareas de ciberseguridad se desvían a Opus 4.8 fuera de su Cyber Verification Program, y el trabajo en biociencias requiere su Life Sciences Verification Program.

La escalera de Sol va de none a max, se puede cambiar el esfuerzo a mitad de conversación sin romper la caché, y OpenAI informa de menos afirmaciones engañosas sobre su trabajo de código que GPT-5.6 Sol.

El intercambio es deliberado: Opus 5.5 intentó cruzar límites de contención aproximadamente un 85% menos que Opus 5, algo importante para agentes desatendidos.

Precios: lo que realmente pagas

Opus 5.5 cuesta exactamente el doble que Sol en tarifas de cabecera, pero los dos mecanismos que realmente pagan los agentes rompen el patrón: las lecturas de caché cuestan lo mismo, y Sol añade un recargo por encima de 272K tokens que Anthropic no aplica.

Tarifas por token, lado a lado

La prima es plana en entrada, salida y escrituras de caché, así que afecta por igual a cualquier forma de carga hasta que entra en juego la caché o el contexto largo. Las lecturas de caché son la excepción, y Anthropic afirma que suponen la mayor parte del coste en trabajo agentivo y de coding. Ningún proveedor publica una tarifa separada para los tokens de razonamiento, así que calcúlalos a la tarifa de salida.

Cuánto cuesta una carga real

La fila sobre umbral es la clave: cuando cada solicitud supera el umbral, el recargo de Sol eleva su factura hasta quedar a un 8% de Opus 5.5, por lo que un pipeline de recuperación con contexto largo apenas obtiene descuento por elegir Sol. El bucle con mucha caché reduce la diferencia al 33% por otro motivo: las 1.000 lecturas en caché cuestan lo mismo en ambos modelos, y solo los tokens nuevos cargan la prima 2x.

Los modelos usan tokenizadores distintos y ningún proveedor ha publicado recuentos de tokens para una carga compartida, así que toma estos totales como una comparación de tarifas más que como una factura. Anthropic sí afirma que Opus 5.5 usa menos tokens por tarea que Opus 5, aunque no cómo se compara con Sol.

Cómo rindieron GPT-6 Sol y Claude Opus 5.5

Los benchmarks de dos proveedores que no probaron el modelo del otro llegan hasta cierto punto, así que ejecuté una tarea de construcción contra ambos con el mismo prompt y las mismas herramientas.

La prueba

Pedí a ambos construir un clon de Tetris de un solo archivo en un tablero de 12×24 con un giro: la gravedad cambia cada 20 segundos. Dos requisitos del prompt lo hacen difícil: tras un cambio, las piezas deben caer hacia el techo y bloquearse en una segunda pila allí, con líneas completas limpiándose en cualquiera de las pilas, y las celdas ya bloqueadas no deben moverse nunca.

Ambos modelos corrieron dentro de OpenCode con la misma superficie de herramientas fijada: lectura, búsqueda y edición de archivos, sin shell y sin red. Ambos a esfuerzo de razonamiento high, un intento cada uno, sin reintentos, y el prompt se entregó byte por byte a una sesión nueva.

Una asimetría a tener en cuenta: high está dos peldaños por debajo del tope en ambas escaleras, pero la de Sol tiene un peldaño extra none abajo, así que high es su cuarto de seis ajustes y el tercero de cinco de Opus 5.5.

Este fue el prompt:

Build a single-file HTML page (inline CSS and JS, canvas, no build step, no external dependencies, no network) that is a playable Tetris clone with one twist: gravity flips every 20 seconds. It needs:
- a 12×24 board, the seven tetrominoes, rotation, left/right movement, soft drop, hard drop, line clears, a score, and a game-over state, controlled with the arrow keys and the space bar;
- the twist: every 20 seconds the direction of gravity flips between down and up. Pieces then fall toward the ceiling, land on the stack that has formed there, and full rows clear on either stack. Pieces already locked in place never move when gravity flips;
- a visible gravity indicator (an arrow showing the current direction) and a countdown to the next flip, both always on screen;
- a fixed starting position: the board loads with the same flat four-row stack already locked on the floor (a few gaps, no complete rows), so the flip has a stack to leave behind;
- a fixed seed for the piece sequence, so two loads produce the same game;
- autoplay on load: with no key pressed, a simple built-in player plays at the normal starting speed of about one row per second, sliding each piece without rotating into the column where the stack it is falling toward is currently lowest (the leftmost such column on a tie) and letting it fall — never a hard drop — so pieces are seen falling the moment the page opens. Any key press hands control to the keyboard for the rest of the game;
- the whole board, indicator and countdown fit in one viewport of about 1440×900 without scrolling.

Ship it as one working file named `index.html`. Do not install packages. Do not open, screenshot, or headless-render the page (no Playwright, Puppeteer, or Chrome). Do not ask me clarifying questions — make reasonable assumptions and note them briefly in a comment at the top of the file.

Registré el coste y evalué a ambos con estas tres rúbricas, con puntuaciones del 1 al 5:

• Mecánica del cambio: Cuando cambia la gravedad, ¿las piezas realmente suben, aterrizan en el techo y se limpian allí, mientras la pila antigua permanece intacta?
• Completitud del juego: ¿Es un Tetris completo y jugable bajo el giro?
• Calidad visual y sensación: ¿Es fluido y legible, y el cambio parece intencionado y no un fallo?

Lo que produjo GPT-6 Sol

Sol necesitó 6 turnos y 9 llamadas a herramientas: listó, buscó y leyó el espacio de trabajo vacío antes de escribir un index.html de 22 KB y luego lo parcheó una vez más. El resultado trae su propio branding, "Fall / Rise, a game of shifting ground", con un panel de gravedad que cambia de ámbar a verde azulado en cada inversión, una cuenta atrás hasta el siguiente cambio y una tarjeta de reglas en el margen.

Hace lo que debe y funciona con suavidad y estabilidad: la pila del suelo se mantiene al cambiar la gravedad, las piezas ascienden y se bloquean en el techo, las líneas se limpian en ambas pilas y el soft drop se siente ágil, lo que lo hizo más divertido de jugar.