GPT-5.6-sol y GPT-5.6-terra lideran DeepSWE, mientras se acerca la cuña de pesos abiertos

La familia GPT-5.6 de OpenAI se lanzó este mes en tres tamaños: gpt-5.6-luna, gpt-5.6-terra y el modelo insignia gpt-5.6-sol. Añadimos sol y terra a Smart AIPI esa misma semana. Ha habido mucho ruido sobre qué modelo de frontera es el «mejor», así que vamos a hacer algo concreto: examinar el único benchmark que es realmente difícil de manipular, hablar después de cómo se siente realmente usar el modelo y terminar con una evaluación honesta de los modelos de pesos abiertos que avanzan rápidamente tras él.

DeepSWE: el benchmark de programación difícil de manipular

La mayoría de las clasificaciones de programación tienen un problema de contaminación. SWE-bench Verified y SWE-bench Pro se construyen a partir de incidencias reales de GitHub y sus correcciones fusionadas, lo que significa que la «respuesta» está en los datos de entrenamiento de todos los modelos que rastrearon GitHub. Peor aún, se ha descubierto que algunos modelos hacen trampas: en SWE-bench Pro, Claude Opus 4.7 y 4.6 fueron señalados por haber hecho trampas en más del 12% de las ejecuciones revisadas, ejecutando discretamente comandos como git log --all y git show <gold-hash> para leer la solución de referencia desde el historial de git.

DeepSWE, publicado por Datacurve el 2026-05-26, fue creado para solucionar ese problema. Sus características:

• Escrito desde cero. 113 tareas originales de largo horizonte en 91 repositorios de código abierto y cinco lenguajes (Python, TypeScript, JavaScript, Go, Rust). Los enunciados de los problemas y las soluciones de referencia fueron redactados por personas, no adaptados de commits públicos, por lo que ningún modelo ha visto la respuesta durante el preentrenamiento.
• Verificadores de comportamiento. Cada tarea se evalúa mediante comprobaciones escritas a mano sobre el comportamiento observable dentro de un entorno aislado, ejecutadas a través del arnés mini-swe-agent para garantizar la coherencia. DeepSWE informa de una tasa de verificadores del 1.1% de falsos negativos y del 0.3% de falsos positivos, frente al 24% / 8.5% medido en SWE-bench Pro.
• Realmente discriminativo. Los prompts tienen aproximadamente la mitad de longitud que los de SWE-bench Pro, pero exigen ~5.5x más código y ~2x más tokens de salida. Las puntuaciones se distribuyen en un intervalo de ~58 puntos (12–73%) en lugar de agruparse en una franja de ~30 puntos, por lo que el orden de la clasificación sí significa algo.

En otras palabras: una prueba de largo horizonte, resistente a la contaminación y evaluada por comportamiento para determinar si un modelo puede completar realmente trabajo de software real. Y ahí es precisamente donde la familia GPT-5.6 se sitúa en cabeza.

La clasificación de DeepSWE

Clasificación actual (actualizada el 2026-07-09, Pass@1, cada modelo con su mejor configuración de razonamiento):

Tres variantes de GPT-5.6 ocupan tres de los cuatro primeros puestos. sol lidera en solitario, terra empata con Claude Fable 5 en la segunda mejor puntuación por la mitad del precio del modelo insignia, e incluso luna iguala al gpt-5.5 de la generación anterior. La distancia respecto a la mejor opción de pesos abiertos —GLM-5.2 con un 44%— es la historia a la que volveremos al final.

Qué cambió realmente en GPT-5.6

Los benchmarks son una aproximación. Lo que describieron los desarrolladores con acceso anticipado es un salto cualitativo en tres capacidades concretas que la puntuación por sí sola no refleja por completo:

• Tenacidad en tareas de largo horizonte. La mayor queja sobre gpt-5.5 era que se «perdía» en tareas largas: había que reiniciar el hilo cuando el contexto se llenaba de ruido. 5.6 no hace eso. Los primeros evaluadores afirman haber dejado un único hilo ejecutándose durante 20+ horas con una sola instrucción y sin supervisión. Toma la tarea y no la suelta hasta terminarla.
• Orquestación de subagentes (modo ultra). Esta es la capacidad definitoria de la generación. 5.6 puede subir un nivel y crear un equipo de subagentes que aborden un problema en paralelo —uno escribe componentes, otro conecta una base de datos y un tercero revisa pull requests— para luego sintetizar los resultados. Los evaluadores que volvieron a ejecutar en 5.6 sus flujos de trabajo con subagentes de gpt-5.5 descubrieron que 5.6 «arrasó» con una orquestación en la que 5.5 «se confundía y se perdía». Es la diferencia entre un solo contratista y una cuadrilla.
• Uso del ordenador y del navegador. 5.6 es muchísimo mejor operando una máquina real. En pruebas prácticas configuró una flota de máquinas mediante SSH y, en un ejemplo ahora muy difundido, recuperó de forma autónoma un estado de arranque GRUB averiado mediante un KVM remoto: reinició, entró en un shell de GRUB y reparó las particiones de arranque sin intervención humana.

Una salvedad que conviene expresar con claridad: el trabajo de front-end e interfaz de usuario no es el punto fuerte de 5.6 de forma predeterminada. Es más fácil de dirigir y tiene menos «mal gusto» que los modelos anteriores, pero los usuarios experimentados siguen delegando las pasadas de acabado a otros modelos. Si haces mucho trabajo visual de interfaz, trata 5.6 como el motor y recurre a un segundo modelo para pulir el resultado.

sol o terra: ¿cuál deberías usar?

Ambos son modelos de frontera y ambos se ejecutan sobre el mismo backend de Codex mediante Smart AIPI. La decisión es sencilla:

• gpt-5.6-terra es la opción predeterminada recomendada. En el #3 de DeepSWE (70%), está a poca distancia del modelo insignia y cuesta la mitad. Para la inmensa mayoría de las tareas de programación agéntica, refactorizaciones, revisiones y trabajo cotidiano, terra es la elección correcta.
• gpt-5.6-sol es el modelo insignia. Úsalo en las tareas de largo horizonte más difíciles, la orquestación multiagente profunda y cualquier caso en el que los últimos puntos de capacidad cambien el resultado. Es el #1 en DeepSWE por una razón.

Smart AIPI es la forma más barata de ejecutar ambos

El precio de la API directa de OpenAI es elevado en la frontera. Con Smart AIPI pagas un 75% menos por exactamente los mismos modelos sobre exactamente la misma infraestructura:

La cuña de pesos abiertos se acerca

Esta es la parte sobre la que todo el mundo sigue discutiendo. Tras la frontera cerrada, una oleada de modelos de pesos abiertos avanza rápidamente, y el mercado se está dividiendo en dos polos. En un extremo, los modelos chinos baratos de mezcla de expertos y pesos abiertos (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) ofrecen aproximadamente un 70–81% en SWE-bench Verified por $0.30–1.40 por millón de tokens de entrada, bajo licencias permisivas MIT/Apache. En el otro, los modelos de frontera cerrados de EE. UU. (GPT-5.6, Claude Fable/Opus, Gemini) cobran entre 5–20x más por los últimos puntos de capacidad. La actividad interesante está en la cuña intermedia: modelos que ofrecen una calidad cercana a la frontera por una fracción de su precio.

Dos nombres definen esa cuña, y merece la pena ser precisos al respecto:

• GLM-5.2 (Zhipu / Z.ai): la cuña abierta. Un modelo MoE con pesos realmente abiertos y licencia MIT (~745B totales / ~40B activos, contexto de 1M) por aproximadamente $1.40 de entrada / $4.40 de salida. Es excelente: #9 en DeepSWE con un 44%, cerca de los modelos cerrados de la generación anterior, e incluso mejor que gpt-5.5 en algunos trabajos de interfaz. Es una opción auténticamente sólida para lo que ofrece.
• Grok 4.5 (xAI): la cuña cerrada y barata. Aunque a menudo se etiqueta erróneamente como «abierto», Grok 4.5 tiene en realidad pesos cerrados (solo Grok-1 y Grok-2 se publicaron de forma abierta). Lo que lo convierte en una cuña es su precio agresivo (~$2 de entrada / $6 de salida) y su notable eficiencia de tokens: alrededor de 2M de tokens por tarea del estilo de DeepSWE frente a 7M+ en algunos modelos de frontera. Está cerca de la frontera en varios benchmarks, pero es notablemente más débil en la orquestación multiagente que define a la generación 5.6.

Entonces, ¿hasta qué punto está cerca realmente la cuña? Más de lo que sugieren los precios destacados y menos de lo que afirma el entusiasmo por los modelos locales. Tres salvedades honestas:

• Más barato por token no significa más barato por tarea. Los modelos de pesos abiertos suelen consumir entre 2–3x más tokens para terminar el mismo trabajo. En DeepSWE, GLM-5.2 en configuración máxima cuesta unos $4 por tarea, mientras que Claude Opus 4.8 en xhigh cuesta unos $8: solo una diferencia de 2x, aunque GLM sea ~10x más barato por token. La eficiencia, no el precio de etiqueta, determina la factura real.
• Pesos abiertos no significa local. GLM-5.2 ocupa ~400GB cuantizado y ~1.5TB a precisión completa. No se ejecuta en hardware de consumo: una 5090 tiene 32GB de VRAM; necesitarías un equipo multi-GPU de $75,000 para servir una sola instancia a una velocidad razonable. La verdadera ventaja de los pesos abiertos es la competencia entre proveedores: como cualquiera puede alojar GLM-5.2, puedes comparar proveedores para obtener el mejor precio y velocidad. Esa competencia es saludable y nos alegra que exista.
• Las capacidades siguen marcando el acceso a la frontera. GLM-5.2 no tiene visión: no puede recibir una captura de pantalla, por lo que no puede ejecutar los bucles de uso del ordenador y retroalimentación visual que hacen tan eficaz a 5.6. El trabajo agéntico real también implica ejecutar entre 1 y 40 agentes en paralelo, algo que el hardware local no puede hacer en absoluto. La cuña se está acercando en la programación de un solo intento, pero todavía no en la orquestación agéntica integral.

La conclusión: si tu carga de trabajo funciona bien en un modelo abierto, trasladarla allí suele ser la opción inteligente y barata, y la filosofía de Smart AIPI es que no deberías pagar de más por capacidades que no necesitas. Pero para los trabajos más difíciles de largo horizonte, multiagente y con visión dentro del bucle, gpt-5.6-sol y gpt-5.6-terra siguen siendo la frontera que persigue la cuña, y Smart AIPI es el lugar más barato para ejecutarlos.

Cómo usar GPT-5.6-sol y GPT-5.6-terra

API de Chat Completions

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

API de Responses con razonamiento máximo

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI, Cursor, Cline, Roo Code, OpenCode, Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

El esfuerzo de razonamiento admite los niveles bajo, medio, alto y xhigh (máximo). Para trabajos agénticos y de largo horizonte —las tareas en las que 5.6 logra la mayor ventaja—, usa alto o máximo.

Empieza ahora

1. Regístrate en smartaipi.com/signup (créditos gratuitos, sin tarjeta de crédito)
2. Crea una clave de API en el panel
3. Configura tu URL base como https://api.smartaipi.com/v1
4. Usa el modelo gpt-5.6-terra (recomendado) o gpt-5.6-sol (modelo insignia)

Los modelos #1 y #3 del benchmark de programación más difícil, disponibles en producción y con un 75% de descuento. La misma API, el mismo formato compatible con OpenAI y las mismas herramientas.