GPT-6 Sol E Luna: Os Dois Modelos Baratos Que A OpenAI Lançou De Uma Vez

Na terça passada, 22 de setembro, um colega mandou no grupo do time uma mensagem curta: "saiu o Sol novo, metade do preço". Minha primeira reação foi responder que o Sol tinha saído em julho, que eu inclusive tinha escrito sobre ele. Antes de mandar, abri o link. Não era o mesmo Sol. Era o GPT-6 Sol, acompanhado do GPT-6 Luna, dois modelos novos que a OpenAI decidiu batizar com os mesmos nomes das variantes do GPT-5.6. A confusão do meu colega e a minha quase-correção errada resumem bem o problema de comunicação desse lançamento.

O anúncio caiu no mesmo dia em que a Anthropic lançou o Claude Opus 5.5 (cerca de 90 minutos antes, segundo a The Next Web), e a imprensa tratou os dois como um duelo de preços. Faz sentido como manchete, mas acho que mistura duas conversas diferentes. A comparação entre Opus 5.5 e Sol merece um post próprio, e ele sai amanhã. Aqui quero olhar só para o que a OpenAI colocou na mesa: dois modelos, uma tabela de preços que corta pela metade o que a geração anterior cobrava, um desconto de cache agressivo e um conjunto de benchmarks que a própria OpenAI escolheu e mediu.

Não testei nenhum dos dois. O que fiz foi ler o anúncio oficial, a cobertura técnica da The New Stack, da MarkTechPost, da The Next Web e da AI Business, e cruzar os números. O que sai dessa leitura é um lançamento mais interessante pelo preço do que pela capacidade, e mais útil para quem opera volume do que para quem procura o modelo mais inteligente do mercado.

Vou passar por seis frentes: por que os nomes confundem e o que de fato é novo; os preços e o cache; a diferença entre Sol e Luna; os benchmarks, com as ressalvas que eles pedem; onde o GPT-6 Astra fica nessa linha; e a disponibilidade. Fecho com alguns cenários hipotéticos de onde cada modelo encaixa numa arquitetura real.

Sol E Luna De Novo: Por Que Os Nomes Confundem

Em julho, a OpenAI lançou o GPT-5.6 em três variantes: Sol, a mais poderosa; Luna, otimizada para velocidade; e Terra, o meio-termo pensado para o trabalho do dia a dia. Dentro do Sol havia ainda o modo Ultra, que delegava pedaços da tarefa para submodelos internos. Escrevi sobre isso em GPT-5.6: Sol, Luna, Terra e o modo Ultra de submodelos, com foco no que significava um provedor embutir orquestração de subagentes dentro do próprio produto.

O que saiu em 22 de setembro não é uma atualização daquelas variantes. É a geração 6. O GPT-6 Sol e o GPT-6 Luna são modelos novos, construídos, segundo a OpenAI, com "métodos similares" aos do GPT-6 Astra, o topo da linha lançado no começo de setembro. Os nomes foram reaproveitados, a geração não. Isso tem consequência prática imediata: qualquer conversa no time que diga só "o Sol" fica ambígua. Se alguém fala que "o Sol custa US$4 por milhão de tokens de entrada", está falando do GPT-5.6 Sol. Se fala em US$2, é o GPT-6 Sol.

Na API a diferença pelo menos fica explícita nos identificadores, gpt-6-sol e gpt-6-luna. O risco está no lugar em que as pessoas conversam, não no código: planilha de custo, documento de arquitetura, ticket de migração, ADR escrito às pressas. Minha sugestão, e ela vale para qualquer time que usa OpenAI em produção, é nunca escrever "Sol" ou "Luna" sem o número da geração na frente. Parece pedantismo até o dia em que alguém orça um projeto com o preço da geração errada.

Outro detalhe que chama atenção por ausência: o anúncio do GPT-6 não menciona uma variante Terra. A linha que a OpenAI apresenta agora tem Astra no topo, Sol no meio e Luna na base. Pelo que escrevi em julho sobre o "imposto de decisão" de ter muitas variantes, a simplificação não me parece ruim.

Os Preços: Metade Do Que Custava O GPT-5.6

O número central do lançamento é simples. O GPT-6 Sol custa US$2 por milhão de tokens de entrada e US$10 por milhão de saída. O GPT-6 Luna custa US$0,10 de entrada e US$0,50 de saída. A OpenAI apresenta os dois como 50% mais baratos que os antecessores diretos, o GPT-5.6 Sol e o GPT-5.6 Luna. A página oficial lista os preços antigos como referência, e a tabela abaixo junta tudo:

No Sol, o corte é exatamente metade nas duas pontas. No Luna, a entrada cai pela metade e a saída cai um pouco mais, de US$1,20 para US$0,50, e por isso algumas coberturas falam em 58% de redução. A The New Stack fez questão de registrar um detalhe que considero o mais importante da tabela: são preços padrão, não promocionais. Isso diferencia o movimento de outros cortes recentes que vinham com data de validade, como o preço promocional do Gemini 3.8 Flash até dezembro, citado pela AI Business.

A segunda peça é o cache. A OpenAI anuncia desconto de 90% nas leituras de tokens de entrada em cache. Segundo a MarkTechPost, a janela de reuso de prefixos compartilhados elegíveis é de 30 minutos, e vêm junto controles novos: diagnóstico de cache, breakpoints explícitos e a possibilidade de ajustar o nível de raciocínio no meio da conversa. A The New Stack destaca justamente esse último ponto, que dá para mudar o esforço de raciocínio sem invalidar o cache. Para quem roda agente com prompt de sistema longo e contexto que se repete, isso pesa mais na fatura do que o preço de tabela.

Para dar concretude, pense num cenário hipotético de triagem de chamados de suporte. Imagine um time que processa 10 mil chamados por dia, cada um com cerca de 2 mil tokens de entrada (prompt de sistema, taxonomia de categorias, exemplos e o texto do chamado) e 200 tokens de saída com a classificação. Isso dá 20 milhões de tokens de entrada e 2 milhões de saída por dia.

Nesse volume, o GPT-6 Luna custaria cerca de US$2 de entrada mais US$1 de saída, uns US$3 por dia. O mesmo trabalho no GPT-5.6 Luna saía por volta de US$6,40. No GPT-6 Sol, seriam uns US$60 por dia. Agora suponha que 1.500 dos 2 mil tokens de entrada sejam um prefixo fixo que o cache aproveita. Com 90% de desconto nessa parte, a entrada do Luna cai de US$2 para algo perto de US$0,65, e o total diário fica abaixo de US$2. A conta é de tabela, sem considerar retries, variação de tamanho ou falhas de acerto de cache, mas mostra a ordem de grandeza: para tarefa de volume, o custo do Luna fica pequeno o bastante para deixar de ser a variável que decide a arquitetura.

Já discuti em LLM FinOps 2026 e a queda dos preços que boa parte das decisões de arquitetura feitas para economizar token envelhece mal quando o preço cai uma ordem de grandeza. O Luna a US$0,10 reforça esse argumento. O que continua valendo é medir: preço de tabela baixo não garante fatura baixa se o modelo precisa de três tentativas para acertar o formato.

O Que É Sol E O Que É Luna

A OpenAI posiciona os dois de forma bem distinta. O GPT-6 Sol mira trabalho profissional e código complexo a custo menor. É o modelo que a empresa compara com Claude Opus 5 e Claude Fable 5 nos gráficos, o candidato natural a motor de agente de código, de automação de fluxos de negócio e de uso de computador. O GPT-6 Luna mira tarefas rotineiras de alto volume, com resumo e extração citados como exemplos típicos. É o modelo para o trabalho braçal, aquele que roda mil vezes por hora e raramente precisa de raciocínio longo.

A frase do anúncio que mais me chamou atenção sobre o Sol não tem a ver com benchmark de código. A OpenAI diz que ele comete cerca de metade dos erros factuais do antecessor. Se isso se confirmar fora da avaliação da própria empresa, é a melhoria mais relevante do pacote para quem usa o modelo em resposta a cliente, geração de relatório ou qualquer lugar em que um erro factual custa caro. Mas é um número interno, sem descrição detalhada do método no material que li, então fica como promessa a verificar.

Sobre o Luna, a afirmação mais forte é que, em níveis de esforço altos, ele equivale ao GPT-5.6 Sol a 1/100 do custo. É uma frase que pede cuidado. Ela diz que o menor modelo da geração nova, forçado a raciocinar mais, alcança o maior modelo da geração anterior em alguma medida escolhida pela OpenAI. Não diz que o Luna substitui o GPT-5.6 Sol em tudo, nem que o custo de 1/100 se mantém quando você considera os tokens extras de raciocínio que o esforço alto gera. Esforço alto significa mais tokens de saída, e é na saída que o preço pesa mais.

Os dois compartilham algumas características. Segundo a MarkTechPost, a janela de contexto é de 1,1 milhão de tokens, e ambos são modelos só de API, sem pesos para hospedar por conta própria. A OpenAI também diz que ajustou o estilo de colaboração, com "mais clareza, menos jargão, menos construções estranhas". É o tipo de mudança difícil de medir, mas que qualquer um que já leu resposta de modelo cheia de floreio vai reconhecer como problema real.

Os Benchmarks Que A OpenAI Escolheu Mostrar

Antes de qualquer número, a ressalva que atravessa esta seção inteira: todos os benchmarks abaixo foram publicados pela OpenAI, com configurações escolhidas pela OpenAI, e todas as comparações de custo com Claude Opus 5 e Claude Fable 5 são cálculos da OpenAI. Não encontrei, até a data deste post, avaliação independente que reproduza esses resultados. Isso não torna os números falsos, mas torna os números de fornecedor, e fornecedor escolhe o benchmark e o nível de esforço que o favorecem.

O Luna aparece em menos linhas. No DeepSWE v1.1, a OpenAI reporta 66,6%, apresentado como 93% mais barato que o Opus 5. A The New Stack registra ainda que o Luna melhorou 5,4 pontos percentuais no AutomationBench em relação ao antecessor.

Olhando a tabela, dá para notar um padrão na escolha das comparações. Os adversários nos gráficos são o Claude Opus 5 e o Claude Fable 5, modelos da geração anterior da Anthropic, não o Opus 5.5, que saiu no mesmo dia. Isso é natural em anúncio simultâneo, e a própria The New Stack observou que o lançamento da Anthropic no mesmo dia deixou parte das comparações desatualizada na hora. Também aparecem níveis de esforço diferentes por benchmark, xhigh em um, max em outro. Isso é legítimo, mas quer dizer que o "custo por tarefa" apresentado depende de uma configuração específica, que pode não ser a que você usaria.

Há ainda uma frente que recebeu menos atenção. A The New Stack reporta números de alinhamento publicados pela OpenAI: num teste de engano em tarefas de código, a taxa do Sol caiu para 1,3%, contra 10,4% do antecessor. Para quem pensa em delegar tarefas longas de código a um agente sem supervisão constante, essa métrica diz mais sobre risco operacional do que qualquer ponto a mais no DeepSWE. Também é número de fornecedor, e vale a mesma ressalva.

Onde O Astra Fica Nessa Linha

Quem acompanhou o lançamento do Astra no começo do mês pode estar se perguntando como os três modelos se relacionam. A OpenAI é explícita: o GPT-6 Astra continua sendo o topo da linha, descrito no anúncio de Sol e Luna como "o modelo mais inteligente e alinhado do mundo", indicado para projetos exigentes, uso de computador e tarefas críticas. Sol e Luna existem para distribuir parte dessa capacidade a custo menor no trabalho do dia a dia.

Escrevi sobre o Astra em o que o GPT-6 Astra muda para quem constrói em cima da OpenAI, e um ponto daquele post ajuda a ler este lançamento: a distância entre número de marketing e número independente: a OpenAI divulgou 99,9% no ARC-AGI-3 para o Astra, e o teste da ARC Prize registrou 62,7%. Isso não quer dizer que os números do Sol e do Luna estejam inflados, mas é um lembrete recente de que o benchmark do comunicado e o benchmark reproduzido por terceiros podem divergir muito.

Também vale notar o contexto de negócio. A OpenAI está no meio de um processo de abertura de capital, e já comentei em o que o IPO da OpenAI muda para quem constrói em cima da API que decisões de preço e acesso podem mudar por razões que o cliente da API não enxerga. Um corte de 50% em preço padrão é boa notícia hoje. Não é garantia de como a tabela vai estar daqui a um ano, e isso é argumento para manter a camada de abstração entre seu código e o provedor.

Disponibilidade: API, ChatGPT E O Desktop Gratuito

Na API, os dois modelos ficaram disponíveis desde o dia do anúncio, com os identificadores gpt-6-sol e gpt-6-luna. A MarkTechPost informa também disponibilidade no Amazon Bedrock e no Azure, o que importa para empresas que só consomem modelos por meio da nuvem que já têm contratada.

No ChatGPT, a distribuição é por plano. Assinantes Plus, Pro, Business, Enterprise e Edu recebem os modelos no ChatGPT Work e no Codex, com rollout gradual ao longo do dia do lançamento. Usuários dos planos Free e Go ficam só com o GPT-6 Luna, e só no app desktop.

Hoje, 29 de setembro, acontece o DevDay 2026 da OpenAI em São Francisco, e é provável que parte do que foi anunciado em 22 de setembro ganhe detalhes novos por lá: limites de taxa, preços de lote, integração com o que a OpenAI vier a mostrar sobre agentes gerenciados. Escrevo antes do evento, então trato isso como expectativa, não como fato.

Cenários Hipotéticos: Onde Cada Um Encaixa

Com preço, benchmarks e disponibilidade na mão, a pergunta prática é onde cada modelo cabe numa arquitetura real. Os cenários abaixo são hipotéticos, pensados para ilustrar o raciocínio, não relatos de uso.

O primeiro é o mais óbvio: Luna como subagente barato de triagem. Imagine um sistema de atendimento em que cada mensagem que chega passa por um classificador que decide a intenção, a urgência e se precisa de humano. Esse classificador roda em toda mensagem, então o custo por chamada domina a conta. É exatamente o perfil que a OpenAI descreve para o Luna. O orquestrador, que monta a resposta final ou decide a escalada, pode rodar no Sol, porque roda menos vezes e erra mais caro. Já escrevi sobre esse padrão em subagentes baratos e modelos lite na orquestração multiagente: quando o subagente custa uma fração do orquestrador, a conta do fan-out muda, e dá para voltar a usar a arquitetura que você tinha abandonado por custo.

Um esboço de configuração de roteamento, só para visualizar a ideia, ficaria mais ou menos assim:

# Exemplo hipotético de roteamento por tipo de tarefa
roteamento:
  triagem_de_mensagem:
    modelo: gpt-6-luna
    esforco: low
    cache_prefixo: true   # prompt de sistema e taxonomia fixos
  extracao_de_campos:
    modelo: gpt-6-luna
    esforco: medium
    validacao: schema_json
  resposta_ao_cliente:
    modelo: gpt-6-sol
    esforco: high
  revisao_de_pr:
    modelo: gpt-6-sol
    esforco: xhigh
  fallback_luna_falhou_validacao:
    modelo: gpt-6-sol
    esforco: medium

O segundo cenário é extração em lote. Pense num time financeiro que precisa extrair campos de milhares de contratos ou notas por dia. O Luna, com contexto de 1,1 milhão de tokens e preço de US$0,10 na entrada, permite processar documentos longos inteiros sem cortar em pedaços, e o cache de 90% ajuda quando as instruções e o schema de saída são sempre os mesmos. O cuidado aqui é validação: extração barata sem checagem de schema é erro barato em volume alto, e erro em volume alto deixa de ser barato.

O terceiro é agente de código. Um time que hoje usa um modelo caro no agente de código pode avaliar o Sol como alternativa para a maior parte das tarefas, reservando o modelo mais caro para o que é realmente difícil. O DeepSWE de 68,8% que a OpenAI reporta, perto do Fable 5, sugere que vale o teste. Mas o teste precisa ser no seu repositório, medindo custo por tarefa concluída e taxa de PR aceito sem retrabalho, não custo por token nem percentual de benchmark.

Conclusão

O GPT-6 Sol e o GPT-6 Luna são, antes de tudo, uma jogada de preço. Metade do que custava a geração anterior, em preço padrão e não promocional, com cache 90% mais barato e contexto de 1,1 milhão de tokens. A capacidade anunciada é boa, mas os números são da OpenAI, as comparações de custo com Opus 5 e Fable 5 também, e o histórico recente do Astra mostra que vale esperar a verificação independente antes de tratar qualquer percentual como fato consolidado.

A escolha de reaproveitar os nomes Sol e Luna do GPT-5.6 foi, na minha leitura, um erro de comunicação pequeno com custo real. Vai gerar orçamento com preço errado e conversa desencontrada em time por algum tempo. A disciplina de sempre escrever a geração junto do nome resolve, mas é o tipo de coisa que ninguém faz até errar uma vez.

Não sei ainda se o Luna vai sustentar a promessa de fazer o trabalho do GPT-5.6 Sol a uma fração do custo, nem se o Sol vai segurar o nível que a OpenAI mostra nos benchmarks quando sair do ambiente de avaliação da própria empresa. O que sei é que o preço do trabalho braçal de IA caiu de novo, e quem desenhou arquitetura evitando subagentes por custo tem um bom motivo para revisitar essa decisão. Amanhã coloco o Sol lado a lado com o Opus 5.5, que saiu no mesmo dia e disputa o mesmo tipo de tarefa.

Fontes:

• OpenAI — Introducing GPT-6 Sol and Luna
• The New Stack — OpenAI GPT-6 Sol and Luna release
• MarkTechPost — OpenAI Releases GPT-6 Sol and Luna: 50% Cheaper API Pricing and Benchmarks
• The Next Web — OpenAI GPT-6 Sol and Luna API price cut
• AI Business — OpenAI takes AI price war to the next level with GPT-6 Sol and Luna pricing