OpenAI ha publicado una nueva guía que detalla cómo los desarrolladores deben usar su familia de modelos GPT-6, junto con nuevas herramientas diseñadas para permitir que los agentes de IA operen en tareas que pueden extenderse durante horas o incluso días. El documento consolida la forma en que OpenAI pretende que se use la familia, cubriendo la selección de modelos, el diseño de agentes, el estilo de prompting y el control de costos en un solo lugar.

La empresa divide la línea en tres modelos principales: GPT-6 Astra, GPT-6.1 Sol y GPT-6 Luna, cada uno dirigido a un equilibrio diferente de inteligencia, costo y velocidad. Las familias escalonadas de este tipo se han convertido en una estructura común entre los principales proveedores de IA, permitiendo a los equipos derivar el trabajo rutinario a modelos más económicos mientras reservan la capacidad insignia para las tareas más difíciles.

GPT-6 Astra se posiciona como el modelo más inteligente de OpenAI y está destinado a las cargas de trabajo de razonamiento más difíciles. GPT-6.1 Sol está orientado a tareas complejas de programación, investigación y uso de computadora, mientras que Luna está diseñado para cargas de trabajo de alto volumen con objetivos más claros, como extracción, clasificación y resúmenes estructurados. La documentación actual de la API de OpenAI describe igualmente a Astra como su opción de mayor inteligencia y a Sol como una alternativa de menor costo con un rendimiento cercano al de Astra.

Los precios varían drásticamente entre los tres niveles. Astra cuesta $10 por millón de tokens de entrada y $50 por millón de tokens de salida. GPT-6.1 Sol tiene un precio de $2 y $10, respectivamente, mientras que Luna cuesta $0.10 por entrada y $0.50 por salida, una diferencia de aproximadamente 100 veces entre el nivel superior y el inferior tanto en entrada como en salida. Los tokens, las unidades de texto que los modelos leen y generan, son la unidad estándar de facturación de las API de IA, por lo que la ubicación de una carga de trabajo en la línea influye directamente en su costo de ejecución.

Junto con los niveles de modelos, OpenAI enfatiza el trabajo autónomo de mayor duración con la generación GPT-6. Según la empresa, los modelos ahora pueden asumir tareas que abarcan horas o días, respaldadas por funciones que incluyen la corrección a mitad de ejecución, las llamadas a herramientas asíncronas y el trabajo en paralelo. Los desarrolladores pueden actualizar las instrucciones mientras una tarea se está ejecutando sin cancelar las llamadas a herramientas existentes y los agentes pueden continuar trabajando de forma independiente mientras las herramientas más lentas operan en segundo plano. Para tareas que se ejecutan durante horas, la corrección a mitad de ejecución reduce la necesidad de cancelar y reiniciar trabajo que ya ha consumido tokens.

GPT-6.1 Sol también admite flujos de trabajo multiagente en beta a través de la Responses API. El modelo puede delegar partes independientes de una tarea a subagentes y combinar sus hallazgos en una respuesta final. La etiqueta de beta significa que el flujo de trabajo aún está en desarrollo y está sujeto a cambios. GPT-6 Astra amplía ese enfoque en Codex, el agente de programación de OpenAI, donde puede pedir aclaraciones a los usuarios mientras continúa con las partes de una tarea que no dependen de la respuesta. OpenAI recomienda que los desarrolladores definan explícitamente qué decisiones puede tomar un agente de forma independiente y cuáles requieren aprobación.

Los tres modelos también pueden usar capacidades de control de computadora para interactuar con sitios web y aplicaciones de escritorio cuando no hay APIs directas o herramientas conectadas disponibles. OpenAI dijo que esto puede permitir a un agente investigar un error de software, modificar el código y luego abrir el producto en un navegador para verificar la corrección.

Para controlar el costo de los flujos de trabajo de agentes cada vez más largos, la guía recomienda un mayor uso del caché de prompts y la compactación de contexto. La entrada en caché puede costar hasta 95% menos que los tokens sin caché, dependiendo del modelo. Debido a que los agentes que se ejecutan durante horas leen y generan grandes volúmenes de texto bajo una facturación por token, la guía trata estas optimizaciones como controles de costo centrales y no como extras opcionales.

OpenAI también señaló que los desarrolladores pueden necesitar simplificar la forma en que hacen prompts a los nuevos modelos. La empresa sostiene que los sistemas cada vez más capaces manejan mejor los matices y la ambigüedad, lo que significa que las instrucciones demasiado prescriptivas a veces pueden perjudicar el rendimiento en lugar de mejorarlo. Para los equipos que trasladan bibliotecas detalladas de prompts escritas para modelos anteriores, la guía sugiere que un enfoque más ligero podría funcionar mejor ahora.