Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Volver al blog

Reseña de GPT-6.2 Sol: el modelo de uso diario casi alcanza al buque insignia, pero no es una mejora en todo

GPT-6.2 SolOpenAIreseña de modelosFrontierCodeLifeVal

En el gráfico de FrontierCode 2.0 publicado por OpenAI, Sol marca 43,8 % y Astra 44,2 %, solo 0,4 puntos de diferencia. Ese mismo día, en el índice de agentes de programación de Artificial Analysis (AA), Sol queda 3 puntos por debajo de su generación anterior, GPT-6.1 Sol.

Las dos frases son ciertas. GPT-6.2 Sol es el modelo que OpenAI destina al "trabajo diario y a los agentes a gran escala"; en muchas tareas se acerca a Astra y en algunas direcciones concretas retrocede. Describirlo como un "buque insignia en pequeño" o como una "versión recortada" son dos imprecisiones.

Este texto recopila información pública y no es una prueba realizada por Guishu Intelligence. Las cifras se presentan separadas por fuente y condiciones, sin mezclarlas.

Posicionamiento oficial y especificaciones

Según la entrada de lanzamiento de OpenAI, Sol se orienta al trabajo diario y al despliegue de agentes a gran escala, y OpenAI afirma que mucha gente dentro de la empresa lo usa como modelo por defecto. La documentación del modelo Sol recoge estas especificaciones:

  • ID de API: gpt-6.2-sol.
  • Entrada de texto e imagen, salida de texto; sin audio ni vídeo.
  • Ventana de contexto de 1.050.000 tokens, entrada máxima de 922.000 y salida máxima de 128.000.
  • Admite razonamiento; la API rechaza reasoning effort = none.
  • Admite Chat Completions, Responses y Batch; no admite Realtime, Assistants, ajuste fino ni generación de imagen y vídeo. Las llamadas a herramientas deben hacerse con la API Responses.
  • Fecha de corte de conocimiento: 1 de junio de 2026, posterior a la de Astra (18 de mayo).

El contexto y las modalidades son exactamente los de Astra. La diferencia está en el posicionamiento, la fecha de corte y la distribución de capacidades.

La disponibilidad sigue a ChatGPT Learn: ChatGPT Work, Codex y la API. En ChatGPT hay que activar primero Work. En Enterprise y Edu debe activarlo un administrador. Ultrafast es el nombre de un nivel de velocidad; pueden usarlo algunas suscripciones Pro de nivel superior y los espacios de empresa o educación en los que un administrador lo haya activado.

Donde se acerca a Astra

Las cifras siguientes proceden de material de lanzamiento de OpenAI (recopilado por VentureBeat). Los gráficos oficiales pueden tomar el mejor punto, y los niveles de razonamiento correspondientes pueden diferir.

Benchmark (gráfico oficial de OpenAI) Sol frente a GPT-6.1 Sol
FrontierCode 2.0 43,8 % frente a 39,0 %
LifeVal 83,8 % frente a 79,5 %
BenchCAD 2.1 Core 73,1 % frente a 52,6 %
Terminal-Bench-Science 68,0 % frente a 57,0 %
AutomationBench (gráfico oficial) 41,2 % frente a 36,1 %
Harvey LAB-AA 11,1 % frente a 6,9 %
Agents' Last Exam 73,0 % frente a 72,5 %

Dos de ellas merecen mención aparte:

  • FrontierCode 2.0. Sol 43,8 %, Astra 44,2 %. OpenAI afirma además que, en nivel max, Sol queda unos 0,5 puntos por detrás de Astra.
  • LifeVal. Sol, con 83,8 %, no solo supera a su generación anterior, sino también al 79,8 % de GPT-6 Astra.

Entre las evaluaciones independientes también hay evidencia de esa cercanía. En FrontierCode 2.0 con condiciones estándar de AA, según Handy AI, Sol obtiene 44,4 %, Astra 45,4 % y Claude Fable 5.2 48,8 %. En el índice de inteligencia de AA v5.0 (nivel max), Sol tiene 57,3, aproximadamente a la par con los 56,9 de GPT-6 Astra, mientras que Astra tiene 62,1. Es decir, Sol equivale más o menos al buque insignia de la generación anterior, no al de esta.

En el índice general de Vals (OfficeChai o The Decoder transmiten datos de Vals; este artículo no ha verificado directamente la clasificación general de Vals), Sol es noveno con 66,06 %, a 1,6 puntos de Astra (67,66 %), que es séptimo.

Donde retrocede

Agentes de programación

La página de agentes de programación de AA usa el harness de Codex y el nivel max:

  • Índice de agentes de programación: Sol 49, GPT-6.1 Sol 52, una bajada de 3 puntos; Astra tiene 53.
  • SWE-Atlas-QnA-AA: Sol 46, GPT-6.1 Sol 60. El artículo de AA atribuye a esta caída de 14 puntos la causa principal: Sol omite con más frecuencia hechos clave.
  • Terminal-Bench 4.1: Sol 58, Astra 64.
  • Tiempo medio por tarea: Sol unos 17,5 minutos, Astra unos 25,1 minutos.

Aquí el FrontierCode-AA 2.0 de Sol es 42, igual que el de Astra. Esta misma prueba da 42 con el harness de Codex, 44,4 % con las condiciones estándar de AA y 43,8 % en el gráfico oficial. Son tres cifras de tres condiciones y no se pueden sustituir entre sí.

Ciencia

En el Vals Science Index (actualizado el 16 de noviembre), GPT-6.2 Sol es séptimo con 57,76 %, por debajo del 59,63 % de GPT-6.1 Sol. El material de OpenAI da 58,5 % frente a 59,6 %, que difiere ligeramente de la página de Vals; este artículo se guía por la página de Vals. La conclusión es la misma: baja un poco.

Tareas profesionales

El conjunto de tareas profesionales de Surge (11 tareas diseñadas por médicos, contables, abogados e ingenieros sénior) da un resultado con luces y sombras:

  • Mejora: programación, gráficos y seguimiento de instrucciones de agente. En Chartography, Sol marca 87,7 %, por encima del 71,0 % de GPT-6 Astra y algo por debajo del 90,7 % de Astra.
  • Empeora: medicina, PDF y finanzas. En DAYJOB Healthcare, Sol obtiene 17,2 % y GPT-6.1 Sol 25,2 %, una bajada de 8 puntos, el mayor retroceso que Surge midió ese día. Astra tiene 34,4 % en la misma prueba.
  • En sudo L7, Sol obtiene 36,1 % y Astra 38,3 %, ambos por debajo del 52,2 % de Fable.

Alucinaciones y obstáculos

En AA-Omniscience, nivel max, la tasa de alucinación de Sol es 55 % y la de Astra 59 % (cuanto menor, mejor). Es un conjunto de preguntas muy difícil; no representa la tasa de alucinación cotidiana ni demuestra que Sol sea más fiable.

La tarjeta del sistema indica que ambos modelos omiten con más facilidad los obstáculos conocidos al informar de su trabajo. En el caso de Sol, la caída en SWE-Atlas que observó AA (omite más hechos clave) es una métrica distinta, pero el lector puede ponerlas juntas como aviso de que conviene una revisión humana antes de entregar.

Prueba personal: la revisión de código de Kazike

Kazike y AIZ Xiaozhu, en su prueba en WeChat, compararon tres modelos en nivel xhigh con un conjunto propio de revisión de código: GPT-6.1 Sol encontró el 65 % de los problemas, GPT-6.2 Sol el 84 % y GPT-6.2 Astra el 96 %. Es un conjunto de evaluación sencillo creado por el propio autor; no se han publicado las preguntas ni el tamaño de la muestra. El texto añade que Astra tarda aproximadamente el doble que Sol y encuentra una docena larga de bugs más. A partir de ahí, el autor piensa usar Sol xhigh como modelo de revisión por defecto. Es una decisión de uso del autor, no una recomendación general.

No contradice a AA: la revisión de código consiste en leer código y señalar problemas, mientras que el índice de agentes de programación mide la finalización de tareas largas dentro de Codex. Son dos tipos de trabajo distintos.

Desglosar el "se acerca": dónde está la diferencia

"Sol se acerca a Astra" significa cosas muy distintas según el benchmark. Según los gráficos oficiales citados aquí, la diferencia se divide en tres niveles.

Primer nivel, casi sin diferencia: FrontierCode 2.0 (43,8 % frente a 44,2 %) y LifeVal (83,8 % frente a 86,1 %, 2,3 puntos). Son tareas bastante generales, en las que, por fuerte que sea el modelo, el presupuesto extra de razonamiento aporta poco.

Segundo nivel, diferencia clara: en BenchCAD 2.1 Core, Sol tiene 73,1 % y Astra 82,5 %; en Terminal-Bench-Science, 68,0 % frente a 77,1 %; en AutomationBench (gráfico oficial), 41,2 % frente a 52,4 %; en Harvey LAB-AA, 11,1 % frente a 15,0 %. En ciencia, CAD y automatización compleja, es decir, los "proyectos más difíciles", la ventaja de Astra ronda los 9 puntos, que es justo el fundamento con el que OpenAI reparte los papeles de los dos modelos.

Tercer nivel, donde Sol no avanza: queda por debajo de la generación anterior en el Vals Science Index, cae 14 puntos en las preguntas SWE-Atlas de AA y retrocede 8 puntos en medicina de Surge.

Con los tres niveles juntos, la conclusión es que la ventaja de Sol está en ser "rápido y suficiente", y no en ser mejor que el modelo anterior en todas las direcciones. La página del Vals Science Index ofrece cifras que respaldan lo de "rápido": en ese índice, Sol tarda de media unos 19 minutos y Astra unos 22 minutos y 15 segundos; Sol usa unos 3,21 millones de tokens y Astra unos 3,48 millones. Es la media de Vals en sus tres tareas científicas y no se aplica a todas las tareas.

Por qué importa la comparación con la generación anterior

Mucha gente se pregunta si vale la pena pasar de GPT-6.1 Sol a 6.2 Sol. La respuesta de los gráficos oficiales es bastante positiva: en las siete comparaciones oficiales, Sol supera a la generación anterior en todas, y en GDPval v2 hay además +5,3 puntos. La respuesta de las evaluaciones independientes es mixta: en el índice de inteligencia de AA, Sol queda cerca de GPT-6 Astra, pero el índice de agentes de programación baja, el Vals Science Index baja un poco y Surge ve retrocesos en varias direcciones.

Ambas lecturas pueden ser ciertas a la vez, porque los benchmarks que elige OpenAI, los niveles de razonamiento que muestrea y los criterios de puntuación difieren de los de las entidades independientes. Si conviene actualizar depende de a cuál de los dos lados se parezca su carga de trabajo: si sus tareas se parecen a FrontierCode, LifeVal o BenchCAD, la evidencia a favor de actualizar es más sólida; si se parecen a documentos médicos, extracción de PDF o preguntas y respuestas con recuperación, compare primero las dos generaciones con sus propias muestras antes de decidir.

Lista mínima de validación antes de pasar a producción

  1. Tome unas 30 tareas reales y ejecútelas con el Sol nuevo y el anterior, con el mismo nivel de razonamiento.
  2. Anote en cada tarea si omite hechos clave, porque AA observó un retroceso de Sol en este punto.
  3. Contabilice aparte las tareas médicas, financieras y de PDF; no las promedie con las generales.
  4. Pida que el modelo enumere los obstáculos que encontró al entregar y verifíquelos por muestreo; la tarjeta del sistema advierte de que ambos modelos tienden a omitirlos.
  5. Si usa la API, haga las llamadas a herramientas con la interfaz Responses y fije el nivel de razonamiento según la documentación; no use none.

Para quién es Sol como modelo por defecto

Según la evidencia anterior, Sol encaja en:

  • Preguntas y respuestas cotidianas, organización de documentos y tareas de vida y oficina (la dirección de LifeVal).
  • Revisión de código, generación de gráficos y agentes por lotes que necesitan baja latencia.
  • Equipos que quieren reservar Astra para los problemas difíciles y dejar el resto a un modelo más rápido.

Requiere cautela en:

  • Flujos de trabajo médicos, financieros o con muchos PDF, donde Surge muestra un retroceso de Sol frente a la generación anterior.
  • Preguntas y respuestas con recuperación en las que no puede faltar ningún hecho; la caída en SWE-Atlas de AA es una advertencia.
  • Benchmarks científicos. En el Vals Science Index, Sol queda algo por debajo de la generación anterior.

Dos lecturas erróneas que evitar

Primera: no traslade a otro nivel las conclusiones de xhigh. La comparación de revisión de código de Kazike es en xhigh, el agente de programación de AA es max y los gráficos oficiales son el "mejor punto". El nivel que usted use en Work o en Codex puede ser más bajo. Cuanto más bajo es el nivel, más fácil suele ser que la diferencia entre Sol y Astra se vea en problemas difíciles, algo que conviene medir por cuenta propia.

Segunda: no resuma el modelo entero con una sola clasificación. Que Sol se acerque a Astra en FrontierCode no cambia su 17,2 % en las tareas médicas de Surge; que quede algo por debajo de la generación anterior en el Vals Science Index no cambia que supere a GPT-6 Astra en LifeVal. Cada cifra responde a una sola pregunta.

Lo que se dijo de Sol en las reacciones del primer día

La discusión pública del primer día se centró sobre todo en Astra. Hay pocas valoraciones directas de Sol: Kazike lo considera candidato para la revisión diaria; OpenAI afirma que mucha gente interna lo usa por defecto; la conclusión de Surge es "luces y sombras". Conviene subrayar que estos tipos de afirmación son de naturaleza distinta: lo oficial es la postura del fabricante, lo de Kazike es un conjunto propio de una persona y lo de Surge es un conjunto independiente. No hemos visto suficientes informes de uso prolongado de Sol, con escenarios concretos, así que este artículo no emite un veredicto sobre si "Sol es bueno de usar"; solo responde en qué es fuerte y en qué débil según la evidencia pública.

Una forma razonable de repartir el trabajo

Si un equipo puede usar los dos modelos, la evidencia pública apoya un reparto prudente: las peticiones diarias, las revisiones por lotes, los gráficos y las tareas de oficina generales, para Sol; las tareas de cálculo científico, CAD o automatización compleja, o aquellas en las que el resultado de Sol omite elementos con frecuencia en las comprobaciones por muestreo, pasan a Astra. Hay tres motivos: el posicionamiento oficial de los dos modelos ya está repartido así; en FrontierCode y LifeVal la diferencia entre ellos es pequeña; y en BenchCAD y Terminal-Bench-Science la diferencia se concentra en torno a los 9 puntos.

En sentido contrario, no se recomienda dejar por defecto en manos de Sol las tareas médicas, financieras o de preguntas y respuestas con recuperación solo porque "alcance al buque insignia" en algún benchmark. Son justo las áreas en las que Surge y AA observaron retrocesos y deben validarse primero con muestras propias. Este reparto es una lectura de los datos públicos existentes, no una conclusión validada por Guishu Intelligence.

Limitaciones

Solo ha pasado un día desde el lanzamiento. Algunas tareas de Surge seguían en ejecución ese día y Epoch y Vals actualizarán más clasificaciones. Todo lo expuesto son datos de terceros y pruebas personales, no pruebas de Guishu Intelligence. Para decidir entre Sol y Astra, véase también la guía de elección.

Versión en una frase

Sol es el modelo eficiente que OpenAI prepara para el trabajo diario y los agentes a gran escala. En FrontierCode y LifeVal se acerca e incluso supera al buque insignia anterior; en agentes de programación, ciencia de Vals y medicina de Surge retrocede. Conviene tratarlo como un "modelo por defecto suficiente para la mayoría de las tareas", y no como un "modelo nuevo mejor en todas las direcciones".

Fuentes