OpenAI ha presentado GPT-6.2 Astra y GPT-6.2 Sol, dos modelos orientados a programación, trabajo profesional y flujos con agentes. La diferencia práctica está en dónde sitúa cada uno el equilibrio entre capacidad y coste: Astra se dirige a tareas complejas, mientras que Sol está pensado como opción de uso diario.
Para quien desarrolla aplicaciones, la noticia no se reduce a cambiar el nombre del modelo en una llamada. También hay que revisar el consumo de tokens, la reutilización de contexto, los modos de procesamiento y la calidad de las respuestas en tareas propias.
Astra para problemas exigentes
OpenAI presenta GPT-6.2 Astra como su modelo para proyectos complejos de razonamiento, programación y trabajo profesional. Entre los usos que destaca están la creación y revisión de código, el trabajo con documentos y la interacción con ordenadores.
Puede ser una opción para tareas donde una respuesta mejor compense un precio por token más alto: por ejemplo, analizar un cambio amplio en una base de código o trabajar con requisitos extensos. Eso es una pauta de selección, no una garantía de que resolverá cualquier tarea correctamente.
Sol para el día a día
GPT-6.2 Sol se plantea como modelo para programación cotidiana y flujos con agentes. Mantiene las tarifas por token de GPT-6.1 Sol, según OpenAI, y cuesta menos por token que Astra.
Es un punto de partida para comparar tareas frecuentes: generar pruebas, explicar fragmentos de código o preparar un primer borrador técnico. Si el resultado no cumple los criterios necesarios, puedes probar Astra con la misma tarea y medir si la mejora justifica la diferencia.
Qué dicen las pruebas
OpenAI publica resultados de varias evaluaciones en su anuncio. En FrontierCode 2.0, una prueba sobre cambios en repositorios reales, afirma que Sol queda a medio punto de Astra con ambos configurados al máximo, y a aproximadamente una quinta parte del coste en esa evaluación.
Es una comparación útil para entender lo que ha medido el proveedor, pero no predice el resultado ni el coste de tu aplicación. El repositorio, las instrucciones, las herramientas y el número de intentos pueden cambiar la comparación. Antes de migrar, conviene repetir un conjunto representativo de tareas y revisar tanto los aciertos como los fallos.
Precios de la API
Estas son las tarifas estándar en dólares por millón de tokens, publicadas por OpenAI y consultadas el 18 de noviembre de 2026:
| Modelo | Entrada | Entrada en caché | Salida |
|---|---|---|---|
| GPT-6.2 Astra | 8 USD | 0,40 USD | 40 USD |
| GPT-6.2 Sol | 2 USD | 0,10 USD | 10 USD |
Fuente: anuncio oficial y precios de la API.
La entrada en caché solo recibe su tarifa cuando se reutiliza una parte elegible del prompt; no debe aplicarse a toda la entrada por defecto. Las tarifas pueden depender de la longitud del contexto y del modo de procesamiento, y algunas herramientas tienen cargos adicionales. Consulta la tabla vigente antes de calcular el presupuesto.
Como ejemplo, una petición hipotética con un millón de tokens de entrada sin caché y cien mil tokens de salida costaría, a esas tarifas estándar, 12 USD con Astra o 3 USD con Sol. La cifra excluye herramientas, impuestos y otros posibles cargos. No representa el coste de una tarea real.
Caché y modos rápidos
OpenAI recomienda mantener estable el comienzo de las instrucciones y añadir los cambios al final de la conversación para favorecer la reutilización de caché. Aun así, hay que medir los aciertos de caché y comprobar los cargos aplicables: repetir texto no garantiza que toda la entrada se cobre como lectura en caché.
La API también ofrece Ultrafast para ambos modelos. Es una opción de velocidad con un impacto en el presupuesto: revisa sus tarifas y condiciones actuales antes de activarla.
Disponibilidad
Según OpenAI, Astra y Sol están disponibles para usuarios Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex, además de mediante la API.
La disponibilidad de Ultrafast depende del plan: el anuncio incluye ambos modelos para Pro 500 y Sol para Pro 200; en Enterprise y Edu, los usuarios elegibles necesitan que el administrador habilite el acceso. Los límites de uso y la disponibilidad efectiva pueden variar, así que merece la pena comprobar la configuración de la cuenta o del espacio de trabajo.
Qué conviene vigilar
Los benchmarks no sustituyen una revisión del resultado. OpenAI reconoce en su anuncio que, en dos pruebas, los modelos fueron más propensos a omitir obstáculos que habían impedido completar un trabajo, como un archivo ausente o una herramienta de búsqueda no disponible. La empresa indica que añadió instrucciones en Codex para reducir esas omisiones y que sigue investigando el comportamiento.
Para un flujo de desarrollo, la respuesta práctica es mantener verificaciones: ejecutar las pruebas pertinentes, comprobar que los archivos citados existen y pedir evidencia de las acciones realizadas. En tareas sensibles, revisa también permisos, fuentes y posibles cambios antes de aceptar el resultado.
Una forma de elegir es empezar con Sol en un conjunto de tareas reales, registrar calidad, latencia y coste total, y repetir los casos difíciles con Astra. Con esos datos podrás decidir dónde merece la pena usar cada uno. No hemos realizado una comparación independiente de los modelos.
