Guía de GPT‑5.6 para desarrolladores
Aprendizajes técnicos de startups en producción
La familia de modelos GPT‑5.6 hace mucho más asequible el rendimiento de agentes de vanguardia y amplía, al mismo tiempo, los límites de lo posible.
En esta guía mostramos cómo las startups usan una selección de modelos más inteligente y nuevos controles de API que facilitan la continuidad del razonamiento, la orquestación multiagente y las llamadas programáticas a herramientas para crear agentes más rápidos y capaces por una fracción del coste.
Desde GPT‑5, cada generación de modelos ha buscado abordar tareas de mayor duración con menos tokens. GPT‑5.6 mantiene esa trayectoria: mayor rendimiento de los agentes y menores costes, con cambios mínimos en el arnés subyacente.
Las mejoras generales de rentabilidad se suman a una mayor precisión con menores niveles de razonamiento. Por ejemplo, en Agents’ Last Exam, GPT‑5.6 Sol con razonamiento «bajo» superó a GPT‑5.5 con razonamiento «alto» manteniendo el mismo arnés. Hemos observado resultados similares en pruebas de producción, donde las startups han logrado reducir notablemente los costes en distintos flujos de trabajo al rebajar el nivel de razonamiento respecto a los valores predeterminados anteriores.
Tradicionalmente, pasar a un modelo insignia con el máximo razonamiento disponible ha sido la mejor opción para casos de uso de larga duración. Esto se debía, en gran medida, a que estos modelos eran mucho más capaces que los optimizados para reducir costes al gestionar contextos más largos y llamadas a herramientas. Esto ha cambiado con la familia 5.6: con más cómputo durante la inferencia, Luna y Terra suelen ofrecer un rendimiento similar al de GPT‑5.4 y 5.5, pero a un coste muy inferior.
Pensemos en las tareas de BrowseComp, un benchmark basado en búsquedas que evalúa la capacidad de un modelo para encontrar datos difíciles de localizar. Hace tres meses, GPT‑5.5 (Muy alta) obtuvo un 84,36 % en este benchmark, con un coste total de 33,27 $. En el lanzamiento, GPT‑5.6 Luna (Muy alta) ofrece prácticamente el mismo rendimiento: obtiene un 84,04 % con un coste de 1,33 $. Desde entonces, hemos reducido aún más los precios. Más información sobre nuestras últimas bajadas de precios.
Los modelos más pequeños de la familia 5.6 son idóneos para cargas de gran volumen, interacciones sensibles a la latencia y pasos repetidos en flujos de trabajo con agentes. Por ejemplo, si diriges una startup de tecnología jurídica que procesa notas manuscritas antes de analizarlas con agentes, ya no necesitas un modelo de vanguardia para todo el proceso: puedes usar Terra o Luna para la extracción y ahorrar considerablemente.
Además de mejorar el rendimiento inmediato de GPT‑5.6, incorporamos nuevos componentes básicos a la API de Responses para conseguir aún más mejoras. Entrenamos GPT‑5.6 de extremo a extremo con tres intervenciones arquitectónicas complementarias que permiten a los agentes trabajar de forma más eficiente:
Reutilizar el trabajo ya realizado: al permitir que el razonamiento se conserve(se abre en una ventana nueva) entre turnos del modelo y usar la compactación nativa(se abre en una ventana nueva) para comprimir conversaciones prolongadas, el modelo puede mantener la coherencia durante tareas más largas sin confundirse ni tener que reconstruir el contexto anterior.
Descomponer en paralelo cuando proceda: la orquestación multiagente nativa(se abre en una ventana nueva) permite coordinar varios agentes en flujos de trabajo paralelos para completar tareas complejas con mayor rapidez.
Trasladar el trabajo determinista al código: las llamadas programáticas a herramientas(se abre en una ventana nueva) permiten filtrar, agregar y orquestar los resultados de las herramientas fuera de la ventana de contexto del modelo, reservando sus tokens para emitir juicios y reduciendo el coste, la latencia y el deterioro del contexto.
Al combinarlas, la diferencia puede ser espectacular. Por ejemplo, en ARC-AGI-3, GPT‑5.6 Sol obtuvo un 13,3 % con el arnés estándar. Sin embargo, tras activar la conservación del razonamiento y la compactación, la puntuación subió al 38,3 %, usando aproximadamente seis veces menos tokens de salida. Sin cambios en el modelo, pero con casi el triple de rendimiento. Puedes obtener más información en nuestro estudio del arnés de ARC-AGI-3.
Los flujos de trabajo con agentes suelen implicar dos tipos de trabajo:
Tareas que requieren criterio
Trabajo que consiste principalmente en trasladar, filtrar y combinar datos
Cuando un agente recupera 100 documentos regulatorios, los filtra por fecha e identifica transacciones relevantes, el modelo no debería tener que razonar sobre cada resultado intermedio en su ventana de contexto. Las llamadas programáticas a herramientas permiten que GPT‑5.6 escriba JavaScript para orquestar herramientas, ejecutar llamadas independientes en paralelo y procesar sus resultados fuera de la ventana de contexto. Así, el modelo puede centrarse en lo que requiere inteligencia: aplicar el criterio.
En tareas complejas y paralelizables, distribuir las acciones y el razonamiento entre varios flujos de agentes permite completarlas más rápido y con mayor inteligencia. En estas configuraciones, el agente principal se encarga de orquestar los subagentes y delegarles tareas. Los subagentes persiguen sus objetivos en paralelo y, al final, devuelven sus resultados al agente principal para que realice la síntesis definitiva. Los equipos pueden empezar a aprovechar la función multiagente de forma nativa al activar el modo multiagente(se abre en una ventana nueva) en la API de Responses. Así funciona también el ajuste de capacidad Ultra de ChatGPT.
“Qualia coordina equipos de agentes para resolver problemas de investigación abiertos, y GPT‑5.6 Sol encajó a la perfección. Mostró una clara mejora frente a GPT‑5.5, terminó antes que casi todos los demás modelos que probamos y rápidamente se convirtió en nuestro modelo de OpenAI de referencia.”
“GPT‑5.6 es el mejor orquestador que hemos visto de OpenAI. Le dimos seis especificaciones a la vez —para redactarlas, desarrollarlas y comentarlas todas— y no perdió de vista ningún detalle ni bajó la calidad.”
Aunque GPT‑5.6 determina bien cuántos subagentes conviene usar y cuándo crearlos, el comportamiento multiagente se puede dirigir con gran precisión. Indicar al modelo cuándo debe recurrir a subagentes puede aumentar la probabilidad de que solo los cree cuando el gasto adicional de tokens vaya a mejorar el rendimiento.
En toda la familia de modelos, el TTL de la caché de prompts se ha ampliado a un mínimo de 30 minutos y ahora es posible definir puntos de interrupción de caché de forma determinista dentro de la ventana de contexto de un modelo. Esto ha permitido a las startups mejorar notablemente su tasa de aciertos de caché.
Además de definir puntos de interrupción de caché, seguir usando una prompt_cache_key(se abre en una ventana nueva) adecuada aumenta la probabilidad de que las solicitudes lleguen al mismo motor de inferencia que atendió anteriormente el mismo prefijo, lo que reduce la latencia.
Lo más destacado de estos ejemplos es cuánto ha cambiado la viabilidad económica de crear agentes.
Los casos de uso que antes requerían un modelo de vanguardia en cada paso ahora pueden obtener resultados comparables o mejores por una fracción del coste usando modelos más pequeños, ajustando el nivel de razonamiento y tomando decisiones arquitectónicas eficientes.
¡Estamos deseando ver todo lo que creáis!
- 2026
- Plataforma API
Sobre los autores
Esta guía fue elaborada por Samarth Madduru(se abre en una ventana nueva), Prashant Mital(se abre en una ventana nueva), Dave Leo(se abre en una ventana nueva) y Julien Reiman(se abre en una ventana nueva), a partir de su experiencia colaborando estrechamente con startups que desarrollaron soluciones con GPT‑5.6 desde las primeras pruebas hasta la producción.
