GPT-6 Sol no ha demostrado un retroceso frente a GPT-5.6

Qué se sabe de la comparación entre GPT-6 Sol y GPT-5.6

No descartaría GPT-6 Sol por un único comentario emocional. El mensaje original afirma que el modelo es mucho menos capaz que GPT-5.6, pero no incluye la descripción de la tarea, ejecuciones repetidas, puntuaciones ni siquiera las condiciones de acceso. Es una observación de un usuario, no una comparación reproducible.

La documentación oficial de OpenAI sobre GPT-5.6 presenta al modelo como sólido en BrowseComp, OSWorld 2.0, ExploitBench, ExploitGym y SEC-Bench Pro. Por su parte, publicaciones de la comunidad sobre GPT-6 Astra afirman resultados punteros en FrontierMath Tier 4, ARC-AGI 3 y TerminalBench-4.0. El problema es evidente: Astra y Sol no pueden tratarse silenciosamente como la misma configuración.

Los resúmenes externos también señalan que GPT-6 Astra supera a GPT-5.6 en ARC-AGI-3, FrontierMath Tier 4, OSWorld 2.0 y ExploitBench. Otro debate vincula una posible regresión con GPT-6 Luna y un índice de programación, mientras atribuye una mejora a GPT-6 Sol. LiveBench muestra un resultado general fuerte para GPT-6 Astra Max Effort, especialmente en razonamiento y matemáticas.

También hay confusión sobre el acceso. Una aclaración de la comunidad sostiene que GPT-5.6 Sol sigue siendo el modelo de mayor nivel disponible en el chat estándar. En el momento del debate, los nombres, las variantes y el despliegue parecen lo bastante confusos como para que los usuarios comparen modos distintos de los que creen estar usando.

Por qué una queja subjetiva sigue siendo relevante

No se ha probado una regresión general, pero una degradación local puede ser real para un flujo de trabajo específico. Las mejoras agregadas en benchmarks no garantizan el mismo comportamiento en programación, conversaciones largas, uso de herramientas o tareas donde la estabilidad importa más que la mejor respuesta aislada.

Como ingeniero, primero comprobaría el nombre exacto de la variante, el modo de cómputo, las restricciones de acceso, el prompt original y una serie de repeticiones. Sin ello, decir que es «más tonto» mezcla calidad de razonamiento, estilo de respuesta, fiabilidad y eficiencia. Es un diagnóstico llamativo sin aislar la causa.

Por ahora, los hechos no apuntan a un fracaso generacional, sino a una brecha entre benchmarks agregados y la experiencia de usuarios individuales. La cuestión más interesante no es si subió la puntuación media, sino por qué un escenario concreto pudo empeorar mientras las métricas generales mejoraban.

Anteriormente analizamos la reversión de Anthropic de las degradaciones ocultas de Claude y lo que los cambios de rendimiento no divulgados implican para la confianza de los usuarios. La diferencia reportada entre GPT-6 y GPT-5.6 plantea una cuestión similar sobre cómo se mide y comunica la calidad de los modelos.