GPT-6.1 Terra y GPT-6 Luna: ¿Razonamiento visual o automatización de alta capacidad?
GPT-6.1 Terra y GPT-6 Luna son ambos miembros eficientes de la actual línea de modelos de OpenAI, pero la palabra "eficiente" describe dos prioridades diferentes. Terra está diseñado en torno al razonamiento visual, el uso preciso de la computadora y la escritura clara. Luna es el modelo más rentable de OpenAI para tareas enfocadas y de alto volumen.
Para los equipos de operaciones, esta diferencia puede determinar el diseño de todo el sistema. Los flujos de trabajo de inspección visual pueden beneficiarse de la especialización de Terra, mientras que las tareas de clasificación, extracción y otros trabajos con alcance definido pueden preferir el precio de token significativamente más bajo de Luna.
Comparación de especificaciones
| Especificaciones | GPT-6.1 Terra | GPT-6 Luna |
|---|---|---|
| ID del modelo | gpt-6.1-terra | gpt-6-luna |
| Personajes principales | Razonamiento visual y uso de computadora | Trabajo enfocado y de alto volumen |
| Ventana de contexto | 1,050,000 tokens | 1,050,000 tokens |
| Salida máxima | 128,000 tokens | 128,000 tokens |
| Fecha límite de conocimiento | 1 de junio de 2026 | 18 de mayo de 2026 |
| Entrada estándar | $1.00 por cada 1 millón de tokens | $0.10 por cada 1 millón de tokens |
| Salida estándar | 5.00 USD por 1 millón de tokens | 0.50 USD por 1 millón de tokens |
| Entrada de caché | $0.05 por cada 1 millón de tokens | $0.01 por cada 1 millón de tokens |
| Esfuerzo de razonamiento | Ninguno a máximo | Ninguno a máximo |
| Entrada de imagen | Compatible | Compatible |
Ambos admiten entrada de texto e imágenes, salida de texto, transmisión en flujo y las principales herramientas de la API de Responses. Ninguna de las páginas de los modelos enumera entrada nativa de audio o video. El problema central es si la orientación visual y de uso informático de Terra es suficiente para mejorar significativamente los resultados que usted acepta, justificando así la diferencia de diez veces entre las tarifas de tokens de entrada y salida estándar no almacenados en caché.
Elige Terra para juicios visuales y de pantalla
Terra es una prueba inicial contundente, cuando el modelo debe razonar sobre el significado de imágenes o interfaces, y no solo extraer texto evidente. Los ejemplos incluyen detectar desajustes entre la foto de un producto y su listado, comparar variantes de campañas, interpretar planos técnicos, o verificar si las viñetas de un storyboard siguen la referencia.
El trabajo basado en pantalla también implica contexto espacial. El modelo puede necesitar identificar los controles correctos, comprender el estado actual de la aplicación y determinar si una operación es segura. El posicionamiento oficial de Terra lo hace especialmente adecuado para este tipo de problemas.
Usa Terra en los siguientes casos:
- La relación visual entre los elementos es importante.
- El flujo de trabajo incluye capturas de pantalla y operaciones de computadora.
- El resultado final necesita una explicación clara o una nota de revisión.
- Las diferencias omitidas generarán costos significativos a futuro.
- Esta tarea puede verificarse según la evidencia visible.
Elige Luna para tareas de rango estrecho y repetitivas
La ventaja de Luna radica en su economía. Según el precio estándar actual, procesar un millón de tokens de entrada y un millón de tokens de salida con Luna cuesta 0,60 dólares, mientras que con Terra cuesta 6,00 dólares. Aunque la cantidad real de entrada y salida varía mucho según la solicitud, esta diferencia relativa sigue siendo importante en aplicaciones a gran escala.
Luna merece ser evaluada para tareas enfocadas con instrucciones estables y patrones de salida claros: enrutar mensajes de soporte, extraer campos, asignar etiquetas, resumir registros cortos o generar variantes estandarizadas. También admite entrada de imágenes, por lo que cuando los criterios de aceptación son simples y claros, podría lograr una clasificación visual de bajo costo.
Usa Luna en los siguientes casos:
- Esta tarea es muy repetitiva y los pasos son compactos.
- El modo define el resultado requerido.
- El rendimiento y el costo unitario dominan.
- El costo de la verificación manual o automática es bajo.
- La evaluación muestra que los beneficios adicionales del razonamiento visual son mínimos.
Mejor arquitectura: enrutamiento por dificultad
Muchos equipos no necesitan elegir el mismo modelo para cada solicitud. Un flujo práctico es usar Luna para los casos habituales, mientras que los proyectos inciertos, visualmente complejos o de alto impacto se asignan a Terra.
Por ejemplo, Luna puede extraer etiquetas visibles de un lote de imágenes de productos y compararlas con campos de catálogo conocidos. Aquellos elementos con baja confianza, conflictos de texto o diseños anómalos pueden luego ser enviados a Terra para una revisión más contextual. El sistema final debería utilizar señales de enrutamiento cuantificables, en lugar de basarse únicamente en una declaración de confianza autoinformada.
Las señales útiles incluyen: fallos de validación de patrones, resultados inconsistentes entre dos procesamientos, falta de evidencia necesaria, dimensiones de imagen anormales, o categorías de riesgo definidas por el revisor.
Escenario de costos
Imagina una tarea en modo estándar con 50 millones de tokens de entrada no almacenados en caché y 5 millones de tokens de salida al mes:
- Terra: 50 × $1 + 5 × $5 = $75.
- Luna: 50 × $0.10 + 5 × $0.50 = $7.50.
Ahora supongamos que Luna asigna el 15% de los casos a Terra. El diseño de enrutamiento podría conservar la mayor parte de la ventaja de costos de Luna, mientras aplica Terra cuando el contexto visual es importante. El total real también incluye tarifas de tokens de imagen, herramientas, reintentos, escritura en caché e infraestructura.
Ejemplo de flujo de trabajo creativo
El equipo creativo puede usar Luna para normalizar los metadatos de las tomas o clasificar grandes bibliotecas de material. Luego, Terra puede revisar los fotogramas seleccionados del storyboard para garantizar la continuidad de los personajes, la seguridad del recorte, el texto visible y la coherencia con el briefing. Una vez completada la revisión, el equipo puede entregar la dirección aprobada a su entorno de generación de imágenes o videos elegido.
Plan de evaluación
Antes de elegir un valor predeterminado, primero establezca un pequeño punto de referencia:
- Recopilar de 50 a 200 casos representativos, incluyendo casos de fracaso conocidos.
- Definir la salida correcta y los errores inaceptables.
- Ejecuta Luna y Terra con las mismas instrucciones y un nivel de esfuerzo similar.
- Registre la tasa de aceptación, latencia, tokens, número de reintentos y tiempo de revisión.
- Probar un enrutador que maneje un caso difícil de actualización.
- Vuelva a verificar los puntos de referencia después de cambios en las indicaciones, la interfaz o el modelo.
No optimices solo para la precisión promedio. Un flujo de trabajo puede parecer exitoso en apariencia, pero fallar repetidamente en las categorías pequeñas que conllevan el mayor riesgo comercial.
Preguntas Frecuentes
¿Siempre es Luna diez veces más barata que Terra?
Las tarifas de tokens de entrada y salida no almacenados en caché publicadas para Standard son una décima parte de las de Terra. El costo total de las solicitudes puede variar según la longitud de la salida, los tokens en caché, los tokens de imagen, el multiplicador de contexto largo, las herramientas, el modo de procesamiento y los reintentos.
¿Puede GPT-6 Luna analizar imágenes?
Sí. OpenAI ha listado soporte para entrada de imágenes y visión en su modelo insignia más reciente, incluido Luna. El posicionamiento oficial de este modelo se centra en trabajos de alto volumen, en lugar del enfoque en razonamiento visual y uso informático de Terra.
¿Qué modelo debería manejar las operaciones de la computadora?
Ambas las páginas de modelos listan el uso de computadora como una herramienta compatible de la API de Responses. Terra es la opción más directamente orientada al uso preciso de la computadora, pero el equipo debe comparar la finalización de tareas y el comportamiento de seguridad en un entorno de prueba aislado.
Sentencia
Cuando el fondo visual y los juicios basados en la pantalla determinan el éxito o el fracaso, elige Terra. Cuando las tareas son limitadas, repetitivas y sensibles al costo, elige Luna. Para cargas de trabajo mixtas, adoptar una ruta de actualización progresiva de Luna a Terra suele ser más práctico que declarar a cualquiera de los modelos como ganador universal.
