Cuando se lanza un nuevo modelo de IA,
se elige el modelo más fuerte primero.
GPT-5.6 Sol
muestra por qué ese hábito está equivocado.
Lo importante no es el rendimiento más alto.
Es diseñar para lograr los resultados deseados
con el menor costo posible.
I. Hemos elegido los modelos demasiado simplificados
Cuando se anuncia un nuevo modelo,
la gente mira los benchmarks primero.
¿Qué tan inteligente es en comparación con el modelo anterior?
¿Cuánto ha mejorado en la puntuación de codificación?
¿Cuánto se ha ampliado el contexto?
Y luego, se establece el modelo que obtuvo la puntuación más alta como el valor predeterminado.
Este enfoque es conveniente.
Pero es costoso y lento.
Sobre todo, se pierde
la transformación de GPT-5.6.
GPT-5.6 no es un solo modelo.
Se divide en tres niveles de ejecución: Sol, Terra, Luna.
Sol es el buque insignia para tareas de codificación complejas, uso de computadoras,
investigación y seguridad.
Terra equilibra el rendimiento y el costo.
Luna se encarga de tareas a gran escala rápidas y económicas.
La configuración de energía básica utiliza
Sol y razonamiento intermedio.
Guía de selección de modelos de OpenAI
Aquí es donde cambia la pregunta.
No es "¿Cuál es el modelo más inteligente?".
Es "¿Cuál es el modelo más pequeño
necesario para esta tarea?".
II. El verdadero cambio está en la combinación, no en el rendimiento
GPT-5.6 Sol es poderoso.
Admite un contexto de 1.05 millones de tokens.
La entrada máxima es de 922,000 tokens.
La salida máxima es de 128,000 tokens.
Acepta texto e imágenes
y utiliza búsquedas web, búsquedas de archivos, ejecución de código,
uso de computadoras, MCP y habilidades.
Especificaciones oficiales de GPT-5.6 Sol
Pero si solo te fijas en los números,
te pierdes el punto principal.
El verdadero cambio en GPT-5.6 es
la ampliación de los ejes de elección.
Después de elegir un modelo,
tienes que tomar tres decisiones adicionales.
Pila de ajuste de 4 ejes de GPT-5.6
Nivel del modelo
¿Qué motor usar entre Sol, Terra, Luna?
Intensidad de razonamiento
¿Cuánto profundizar en el pensamiento entre
none,low,medium,
high,xhigh,max?Modo de ejecución
¿Usar el estándar
standardo
el más confiableprocon más operaciones?Estructura de la solicitud
¿Qué instruir y
qué dejar en manos del modelo?
Estos cuatro ejes los llamo
Pila MREP.
Modelo.
Razonamiento.
Ejecución.
Solicitud.
Ahora, la selección del modelo
no se trata solo de elegir un producto.
Es diseñar la infraestructura del servidor.
"Usa el menor esfuerzo de razonamiento que produzca el resultado que necesitas."
— Guía de modelos de OpenAI
Si obtienes los resultados deseados,
menos intensidad de razonamiento es mejor.
Usar las especificaciones más altas
no es optimización.
Es renunciar a la medición.
III. Sol no siempre es la respuesta
Por ejemplo.
Clasificar y resumir 1,000 consultas de clientes al día
en tres oraciones.
No se necesita un razonamiento complejo.
El formato del resultado también está fijo.
Para esta tarea, usar Sol y el modo Pro
dará buenos resultados.
Pero también se puede lograr
la misma calidad con Luna.
Entonces, en este caso, Sol
es un derroche, no una mejora de rendimiento.
También hay situaciones opuestas.
Analizar vulnerabilidades de seguridad
en docenas de archivos.
Seguir el flujo de código
y distinguir entre posibles ataques y falsos positivos.
También se debe revisar si la solución propuesta
crea nuevas vulnerabilidades.
En este caso, Sol es la elección correcta.
Se puede comparar High o Extra High
y, si es necesario, probar hasta Max.
Si puedes investigar múltiples áreas de forma independiente,
también se puede considerar un agente múltiple.
También hay un tercer escenario.
Un ejecutivo debe leer 30 informes de mercado
y comparar las características y precios de la competencia.
No es necesario que Sol
lea cada documento línea por línea.
Las herramientas recopilan datos.
El código elimina duplicados.
Solo se conservan los resultados que cumplen con ciertos criterios.
El modelo recibe evidencia comprimida
y se enfoca en la decisión final.
Esto es lo que se llama
Llamada de Herramienta Programática de GPT-5.6.
El modelo escribe JavaScript
para llamar a las herramientas permitidas en paralelo.
Utiliza bucles y condicionales.
Procesa los resultados intermedios en el entorno de ejecución
y devuelve solo resultados estructurados al contexto.
En lugar de que el modelo lea todos los datos,
el código se encarga de las tareas mecánicas.
Guía de Llamada de Herramienta Programática
La mejora no solo radica en que la IA sea más inteligente.
La IA ahora decide
cuándo pensar
y cuándo procesar como código.
IV. Ocho cambios en GPT-5.6 Sol
1. Llamada de Herramienta Programática
La llamada de herramientas existente era
interactiva.
El modelo llama a la herramienta.
Lee los resultados.
Decide la próxima llamada.
Cada llamada
acumula resultados intermedios en el contexto.
GPT-5.6 permite
envolver tareas predecibles en
programas JavaScript.
Llamadas en paralelo.
Filtrado.
Ordenamiento.
Eliminación de duplicados.
Agregación.
Validación.
Realiza estas tareas con código
y solo envía los resultados finales al modelo.
Sin embargo, no es adecuado para
todas las operaciones de herramientas.
Si se necesita una evaluación de significado nueva
después de cada resultado,
es mejor realizar la llamada a la herramienta directamente.
Lo mismo se aplica a las operaciones que requieren aprobación,
como pagos o eliminaciones.
2. Beta de Multiagente
El modelo GPT-5.6
puede crear múltiples subagentes a partir de un agente principal
y trabajar en paralelo.
Un agente se enfoca en la seguridad.
Otro en la precisión.
Y otro en encontrar pruebas faltantes.
El agente principal
reúne los resultados y resuelve conflictos y duplicados.
Útil para explorar grandes bases de código,
comparar múltiples documentos,
verificar múltiples hipótesis.
Beneficioso para la implementación de componentes independientes.
Sin embargo, no es una solución rápida para todo.
Es útil para tareas que requieren razonamiento secuencial.
Editar el mismo archivo simultáneamente.
Y no ayuda si una API externa lenta
determina el tiempo total de procesamiento.
También puede aumentar el uso de tokens.
Es importante tener en cuenta que esta función está en beta.
Guía de Multiagente de OpenAI
3. Razonamiento Persistente
En tareas multiturno anteriores,
la estructura de razonamiento anterior podría debilitarse
aunque la conversación continuara.
GPT-5.6 permite reutilizar elementos de razonamiento
en turnos posteriores.
A través de reasoning.context,
puedes decidir si usar el contexto solo en el turno actual
o extenderlo a múltiples turnos.
Es importante tener en cuenta que
esta función no revela el proceso de pensamiento subyacente del modelo.
Los elementos de razonamiento se mantienen opacos.
El beneficio radica en la continuidad
más que en la exposición.
En tareas que requieren mantener objetivos y suposiciones
a través de múltiples turnos,
se reduce la necesidad de repetir el mismo razonamiento desde cero.
Guía de Mantenimiento de Razonamiento
4. Modo Pro
Pro no es el nombre de un modelo separado.
No se cambia a un modelo diferente
con gpt-5.6-pro.
En el mismo modelo GPT-5.6,
se establece reasoning.mode: "pro".
El modo Pro realiza más tareas del modelo
para producir una sola respuesta final.
Es adecuado para tareas que requieren
optimización de alto nivel,
revisión de código de alto valor,
análisis costoso de fallas.
Sin embargo, aumenta el tiempo de espera.
También aumenta el uso de tokens y el costo.
"Elige el modo Pro cuando la calidad es lo más importante."
— Guía de GPT-5.6 de OpenAI
"Importante" y
"Difícil" no son lo mismo.
No necesitas Pro para tareas importantes pero simples.
Debería usarse cuando la calidad es crucial
en tareas difíciles donde las diferencias de calidad
pueden resultar en pérdidas reales.
5. Máxima Intensidad de Razonamiento
GPT-5.6 admite razonamiento max.
Puede parecer que obtener mejores respuestas
siempre implica pensar más, pero las recomendaciones oficiales son diferentes.
Si actualmente estás utilizando xhigh,
debes comparar xhigh y max
en la misma tarea representativa.
Si la precisión sigue siendo la misma
pero los costos y el tiempo aumentan,
Max no es una mejora.
Debes medir el éxito del trabajo,
no la cantidad de pensamiento del modelo.
6. Caché Explícita de la Solicitud
En GPT-5.6,
puedes especificar las partes de la solicitud
que deseas reutilizar.
Instrucciones de sistema largas.
Documentos de referencia fijos.
Definiciones de herramientas reutilizadas
se colocan al principio de la solicitud.
Contenido que cambia, como preguntas de usuario,
se coloca al final.
Esto permite que la misma parte inicial
se lea desde la caché.
Sin embargo, a partir de GPT-5.6,
la escritura en caché se cobra a una tarifa 1.25 veces mayor
que la entrada normal.
La lectura de la caché tiene un descuento,
pero si no vuelves a escribir una solicitud de caché,
puedes terminar perdiendo dinero.
Por lo tanto, no solo debes considerar los cached_tokens.
También debes tener en cuenta cache_write_tokens.
La caché no es una función de ahorro automático.
Es una inversión que solo ahorra
cuando hay suficiente repetición.
Guía de Caché de Solicitud de OpenAI
7. Diseño Frontend y Comprensión de Intenciones
GPT-5.6 ha mejorado en la interpretación de
diseños, jerarquías visuales
y juicios de diseño.
Ahora se enfoca en crear pantallas más organizadas
y fáciles de usar,
en lugar de simplemente generar código.
Está diseñado para inferir no solo
las frases superficiales de los usuarios,
sino también sus objetivos y expectativas reales.
Por lo tanto, ya no es necesario
escribir instrucciones detalladas en cada paso.
Sin embargo, no significa que se puedan omitir
los límites y condiciones de éxito.
Debes distinguir entre las áreas que el modelo debe manejar
y las restricciones que deben cumplirse.
8. Resolución Original de Imágenes
GPT-5.6 puede preservar el tamaño original
de las imágenes entregadas como original o auto.
Es beneficioso para tareas donde la información visual detallada,
como botones pequeños en pantallas grandes,
paneles de control complejos,
o ubicaciones de clics en computadoras,
es crucial.
Sin embargo, las imágenes grandes pueden
aumentar el número de tokens y el tiempo de espera.
La resolución también es similar a la del modelo.
Mayor no siempre es mejor.
Debería aumentarse solo cuando sea necesario.
V. El cambio más paradójico en la era de la IA es el prompt
Entre las nuevas funciones de GPT-5.6,
la más importante puede no ser una función en absoluto.
Ha cambiado la forma en que se escribe el prompt.
Hemos estado agregando instrucciones cada vez que el modelo cometía un error.
"¡Asegúrate de verificar!"
"No hagas suposiciones."
"Piensa paso a paso siempre."
"Escribe de manera concisa."
"Verifica de nuevo."
Estas frases se acumulan
y se convierten en un archivo de configuración del prompt.
El problema es que, aunque el modelo avance,
el archivo de configuración permanece igual.
Incluso un desarrollador de 30 años
se enfrenta a la misma tentación con una nueva versión.
Agregar una nueva opción es más reconfortante
que borrar la configuración existente.
Pero el prompt heredado
es como el código heredado.
Las condiciones creadas para evitar errores pasados
pueden obstaculizar el rendimiento en nuevas versiones.
En las evaluaciones internas de OpenAI,
cambiar de un sistema de prompt largo y explícito
a uno más corto resultó en una mejora del 10-15%.
La cantidad de tokens se redujo en un 41-66%
y el costo se redujo en un 33-67%.
No se garantiza que se obtenga el mismo resultado
en todas las tareas.
Pero la dirección es clara.
"Usa prompts más cortos."
— Guía de GPT-5.6 de OpenAI
Aquí también hay una trampa.
No debes repetir fuertemente
"responde de manera concisa".
GPT-5.6, por defecto,
prefiere respuestas más concisas que los modelos anteriores.
Instrucciones excesivamente breves
no significan simplemente eliminar introducciones.
Pueden recortar incluso
la evidencia y los resultados producidos.
Un buen prompt
no es simplemente un prompt corto.
Es un prompt corto con duplicados eliminados
y criterios de éxito claros.
Un mal ejemplo es este.
간결하게 답해라.
불필요한 설명을 하지 마라.
핵심만 써라.
길게 쓰지 마라.
반복하지 마라.
Un mejor ejemplo es este.
결론부터 제시한다.
결론을 뒷받침하는 근거와 중요한 예외,
다음 행동은 유지한다.
서론, 반복, 일반론부터 제거한다.
En lugar de reducir la cantidad de texto,
se trata de especificar qué dejar y qué eliminar.
VI. La competitividad en la era de la IA no se trata del acceso al modelo
GPT-5.6 Sol es poderoso.
Maneja contextos largos.
Programa herramientas.
Crea subagentes.
Mantiene el razonamiento anterior.
Ofrece modos Pro más profundos y
máxima intensidad de razonamiento.
Pero activar todas estas funciones
no es la solución.
Cuando operas servidores,
no envías todas las solicitudes al recurso más caro.
En las bases de datos,
no asignas todos los recursos a cada consulta.
Debes enrutarte, medir y ajustar
según la importancia y la dificultad.
La IA también ha llegado a esta etapa.
El modelo ya no es
un producto que compres.
Es una infraestructura que operas.
El prompt no es solo una instrucción.
Es una arquitectura que conecta modelos, herramientas y permisos.
En el futuro, la persona que use la IA de manera efectiva
no será la que tenga el modelo más fuerte.
Será quien sepa
dónde enviar qué tarea,
cuánto hacer pensar y
qué dejar en manos del código.
No compres el modelo más fuerte.
Diseña la ruta de éxito más económica.
Elimina las tres líneas duplicadas
de tu prompt actual.
Y compara Sol Medium
con una configuración un paso más baja.
La decisión debe basarse en los resultados, no en la intuición.