GPT-6 Sol, Luna e Astra: especificações e escolha do modelo

Versão breve

Defina a tarefa → Avalie as opções → Registe as falhas.
Guarde as fontes e reveja o resultado antes de o utilizar.

GPT-6 Sol, Luna e Astra oferecem opções diferentes de complexidade e custo. A OpenAI apresenta o Astra para o trabalho mais exigente, o Sol para programação e fluxos com agentes, e o Luna para tarefas delimitadas de grande volume. Comece por uma tarefa que consiga avaliar e escolha o modelo que cumpre os seus critérios a um custo aceitável.

As especificações abaixo refletem a documentação oficial da OpenAI consultada em 28 de setembro de 2026. Este guia não apresenta um benchmark da Thrive nem promete melhores resultados de um modelo no seu trabalho concreto.

Compare as especificações publicadas

Item	GPT-6 Luna	GPT-6 Sol	GPT-6 Astra
ID do modelo na API	gpt-6-luna	gpt-6-sol	gpt-6-astra
Preço base de entrada por milhão de tokens	0,10 USD	2 USD	10 USD
Preço base de saída por milhão de tokens	0,50 USD	10 USD	50 USD
Janela de contexto	1 050 000 tokens	1 050 000 tokens	1 050 000 tokens
Saída máxima	128 000 tokens	128 000 tokens	128 000 tokens

Simple: Use a bounded low-risk request. Complex: Require deeper review and testing. Sensitive: Add explicit human approval. Fallback: Define what happens on failure — Deslize para ler o gráfico

Fontes: páginas oficiais de Luna, Sol e Astra. A tabela utiliza preços base de texto. Verifique a cache, as condições de entradas longas, os níveis de serviço, o processamento regional e os custos de ferramentas antes de calcular uma fatura.

Uma janela de contexto grande define um limite de capacidade. Não comprova que o modelo utilizará bem todos os documentos fornecidos. Teste se encontra e aplica as provas relevantes para a pergunta.

Escolha o modelo segundo os critérios de aceitação da tarefa

Exemplo de tarefa	Candidato a experimentar primeiro	Provas necessárias para o manter
Extrair campos de um documento curto	Luna	Campos válidos, valores fundamentados e tratamento correto de dados em falta
Implementar uma alteração delimitada num repositório	Sol	Testes aprovados e alterações que possam ser revistas
Investigar várias restrições interdependentes	Astra	Explicação fundamentada e verificações dos casos importantes
Reescrever um ponto do currículo	Um teste delimitado entre os modelos disponíveis	Factos preservados e redação útil

Estes são percursos de teste propostos, não classificações medidas. A sua avaliação pode levar a outra escolha. Uma extração de dados sensíveis pode exigir mais revisão do que uma tarefa grande de escrita de baixo risco.

Guarde exemplos com resultados aceitáveis conhecidos. Inclua campos em falta, instruções contraditórias e entradas fora do intervalo habitual. Considere aceitável reconhecer a ausência de resposta ou encaminhar a tarefa quando as provas não permitirem responder.

Calcule um custo base ilustrativo

Para 10 000 tokens de entrada sem cache e 2 000 de saída, os preços base da tabela resultam em 0,002 USD para Luna, 0,04 USD para Sol e 0,20 USD para Astra. São exemplos aritméticos com contagens fixas, não utilização observada nem previsões do comprimento das respostas.

Acrescente os custos aplicáveis ao pedido. Conte as novas tentativas e as tentativas falhadas. Compare o custo total por tarefa aceite após revisão em vez de assumir que o preço por token mais baixo produz o trabalho concluído mais barato.

Numa subscrição para consumidores ou agentes de programação, utilize as condições do plano do produto. Os preços da API e os limites das subscrições descrevem formas de faturação diferentes.

Define: List task families. Sample: Keep representative examples. Evaluate: Apply one review rubric. Record: Track cost and failure modes. Revise: Change routing from observed results — Deslize para ler o gráfico

Defina quando recorrer a outro modelo antes de entrar em produção

Defina as condições que exigem um modelo mais capaz ou revisão humana. Pode encaminhar um documento com valores contraditórios nas fontes, uma alteração de código que falha um teste de regressão ou uma resposta sem citações obrigatórias.

Guarde a entrada original e o motivo da falha juntamente com a tarefa encaminhada. O segundo modelo precisa das provas que causaram o problema. Pedir uma resposta mais confiante pode esconder a incerteza sem a resolver.

Utilize o fluxo de avaliação de modelos para definir o sucesso e o prompt de auditoria de erros de saída para classificar falhas. Volte a testar o modelo mais pequeno num conjunto separado antes de ampliar o trabalho que lhe atribui.

Mantenha a avaliação consistente entre atualizações

Registe o ID do modelo, a data, as definições, as entradas, as ferramentas, os resultados e a decisão do revisor. Volte a executar casos representativos quando o fornecedor mudar o comportamento ou alterar a aplicação envolvente. Um resultado numa configuração não comprova o desempenho noutra.

Para programação, leia o guia de escolha de IA para programação. Para decidir entre fornecedores, utilize a comparação Opus 5.5 vs Sol.

Pode transformar uma experiência de distribuição de tarefas sem dados identificáveis num projeto de portefólio. Explique os critérios de aceitação, as falhas observadas e as decisões de revisão e descreva a sua contribuição no criador de currículos.

Fontes e notas de atualização

A equipa editorial da Thrive consultou estas fontes em 28 de setembro de 2026. Volte a verificar preços e acesso à conta antes de assumir um volume de trabalho.

Ponha em prática