GPT-5.5 vs GPT-5.6 Luna
Cuál usar y cuándo
gpt-5.6-luna es mucho más barato: $1 frente a $5 por millón de tokens de entrada, $6 frente a $30 en salida, $0.1 en lecturas de caché frente a $0.5, unas 5 veces menos en cada línea, mientras ambos comparten un contexto de 1050000 tokens y 128000 tokens de salida. gpt-5.5 conserva el uso del ordenador y las llamadas de herramientas en paralelo, que gpt-5.6-luna no lista, así que sigue siendo el que fijar para trabajo guiado por herramientas o por pantalla; para texto y código en volumen, el modelo nuevo da la misma ventana 5 veces más barata.
Benchmarks
41 medidos en ambos.
Publicado por los proveedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Precios
| GPT-5.5 | GPT-5.6 Luna | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $5 | $1 | 5× |
| Salida / 1M tokens | $30 | $6 | 5× |
| Lectura de caché / 1M tokens | $0.5 | $0.1 | 5× |
| Escritura en caché | sin cargo por separado | sin cargo por separado | - |
Tarifas del catálogo en vivo en el momento de la compilación; la página de cada modelo incluye la ficha actualizada.
Dónde se sitúan - precio de entrada por 1M de tokens en todos los 64 modelos de chat en esta unidad de facturación (escala logarítmica)
Capacidades
| GPT-5.5 | GPT-5.6 Luna | |
|---|---|---|
| Uso de herramientas | sí | sí |
| Control de pensamiento | configurable | configurable |
| Salida estructurada | sí | sí |
| Caché de prompt | implícito (automático) | implícito (automático) |
| Tiempo de vida de la caché | 5-10m, up to 1h | 5-10m, up to 1h |
| Prefijo mínimo en caché | 1024 tokens | 1024 tokens |
Especificaciones
| GPT-5.5 | GPT-5.6 Luna | |
|---|---|---|
| Modalidades de entrada | texto imagen | texto imagen |
| Modalidades de salida | texto | texto |
| Lanzamiento | 2026-04-24 | 2026-07-09 |
| Límite de conocimiento | 2025-12 | 2026-02 |
| Ventana de contexto | 1.1M | 1.1M |
| Salida máxima | 128K | 128K |
| Parámetro de pensamiento | reasoning.effort | reasoning.effort |
| Valores aceptados | reasoning.effort
| reasoning.effort
|
| Predeterminado | medium | medium |
Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica una fila, se omite en lugar de inferirse. Fuentes completas: GPT-5.5 · GPT-5.6 Luna
Un prompt, ambos modelos - medido a través del gateway
GPT-5.5 superado · 3 sentences
Enabling reasoning makes the model do additional internal “thinking” before producing the final answer, which consumes more compute and billable tokens. Even if user volume and output length stayed the same, each request now costs more because the model is spending extra capacity to solve the problem. In short, we bought higher-quality answers, but the unit cost per answer increased enough to double the total LLM bill.
salida 131 tok (+42 pensamiento) latencia 2.9 s
GPT-5.6 Luna superado · 3 sentences
Enabling reasoning causes the model to use substantially more computational steps and generated tokens per request, even when the visible answer is similar. Because our provider charges based largely on token consumption and compute, that increased processing translated into roughly twice the cost. We can control the expense by reserving reasoning for complex tasks, setting token and effort limits, and monitoring cost per successful outcome.
salida 146 tok (+60 pensamiento) latencia 3.1 s
Seguimiento de la instrucción (exactamente tres frases - contables), adaptación a la audiencia (registro de CFO), y la brecha de facturación por pensamiento oculto que los medidores de tokens de abajo dejan ver.
GPT-5.5 superado · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug was that `cur` and `best` were counting the number of equal *adjacent comparisons*, not the number of items in the run. A run of one item has length `1`, but the original code initialized both values to `0`, so single-element inputs returned `0`. Similarly, a run like `[2, 2, 2]` has length `3`, but only two adjacent equal comparisons, so the result was off by one. Also, `best` should be updated after every element is processed, not only inside the equality branch, so runs that continue through the final index are properly considered.
salida 401 tok (+182 pensamiento) latencia 5.9 s
GPT-5.6 Luna superado · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: best = max(best, cur) cur = 1 return max(best, cur) ``` The bug is that `cur` counts equal *transitions* rather than the number of items in the current run, so a single-element run returns `0` and a run of length `n` returns `n - 1`; additionally, `best` is only updated when a run is interrupted, so a run continuing through the final element is not finalized before returning. Initializing the current run to one item, resetting it to one after a change, and taking a final `max` fixes both issues.
salida 356 tok (+161 pensamiento) latencia 4.7 s
Si el arreglo es realmente correcto (ejecutable), la densidad de la explicación, y la eficiencia en tokens sobre una tarea acotada.
GPT-5.5 superado · 5/5 fields, guidance "withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11,"guidance":"withheld pending the Q4 close"}
salida 557 tok (+512 pensamiento) latencia 6.7 s
GPT-5.6 Luna superado · 5/5 fields, guidance "Withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}
salida 227 tok (+181 pensamiento) latencia 3.6 s
Obediencia al esquema (sin campos inventados), presión de alucinación (guidance se retiene explícitamente), y diferencias en la ruta de salida estructurada.
GPT-5.5 superado · 120 words, 0 banned, 1 question
Today we’re introducing Prompt Cache Routing, a new API gateway feature that stores reusable prompt prefixes and applies them across leading model providers. Teams can reduce latency, lower token spend, and keep application logic portable without rewriting requests for each vendor. Have you ever paid twice to send the same system instructions? With shared cache keys, provider-aware metadata, and automatic fallback handling, the gateway detects eligible prompt segments, reuses cached context, and records savings in your existing observability dashboards. Policies let admins set retention windows, data boundaries, and provider allowlists by workspace or environment. Prompt Cache Routing is available now in beta for Pro and Enterprise customers, with SDK support, Terraform resources, and clear migration guides included at launch worldwide.
salida 859 tok (+700 pensamiento) latencia 8.7 s
GPT-5.6 Luna superado · 120 words, 0 banned, 1 question
Introducing PromptCache, an API gateway feature that caches prompts across providers, helping teams reduce latency, control spend, and deliver consistent results. How much faster could your applications respond when repeated prompts are served from a shared cache instead of being sent upstream? PromptCache supports provider-aware routing, configurable time-to-live policies, encrypted storage, cache invalidation, and usage analytics through one operational layer. It works with language-model providers while preserving your authentication, observability, and fallback workflows. Developers can enable caching by endpoint, model, tenant, or prompt pattern, then monitor hit rates and savings in real time. Built for production workloads, PromptCache gives platform teams controls for performance and cost without requiring application rewrites. […]
salida 948 tok (+778 pensamiento) latencia 8.0 s
Obediencia a las restricciones (presupuesto de palabras, lista de palabras prohibidas, la única pregunta), huella de estilo, y control de la longitud.
Cambia entre ellos con una línea
Ambos IDs están en cada pestaña a continuación - el par de líneas resaltadas es la única edición. Mismo endpoint, misma clave, misma estructura de solicitud.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gpt-5.5",
# model="gpt-5.6-luna", # descomenta esta línea, comenta la de arriba
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gpt-5.5",
// model: "gpt-5.6-luna", // descomenta esta línea, comenta la de arriba
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-5.5",
# "model": "gpt-5.6-luna", # descomenta esta línea, comenta la de arriba
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gpt-5.5",
// Model: "gpt-5.6-luna", // descomenta esta línea, comenta la de arriba
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gpt-5.5")
// .model("gpt-5.6-luna") // descomenta esta línea, comenta la de arriba
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Preguntas frecuentes
¿Cuál es más barato, GPT-5.5 o GPT-5.6 Luna?
GPT-5.6 Luna es más barato en entrada / 1m tokens ($1 vs $5, con una diferencia de 5.0×). Otras filas pueden indicar lo contrario - la tabla anterior muestra la ficha completa, y el costo real depende de su combinación.
¿Puedo hacer pruebas A/B de GPT-5.5 frente a GPT-5.6 Luna sin dos integraciones?
Sí. Ambos se sirven a través del mismo endpoint compatible con OpenAI con una clave API - el cambio es una modificación de una línea en la cadena del modelo, por lo que puede enrutar una fracción del tráfico a cada uno y comparar las facturas directamente.
¿Admiten GPT-5.5 y GPT-5.6 Luna caché de prompts?
Sí - ambos cobran las lecturas en caché por debajo de su tarifa de entrada, por lo que las cargas de trabajo con prefijo caliente cuestan menos de lo que sugieren las tarifas de lista. Las filas exactas de lectura en caché están en la tabla de precios de arriba.