GPT-6.2 Sol vs. Claude Opus 5.5: Más económico pero con un leve sacrificio en precisión

El modelo GPT-6.2 Sol, presentado por OpenAI, compite de cerca con Claude Opus 5.5 de Anthropic. Aunque no supera en precisión a Opus 5.5, ofrece resultados similares a una fracción del coste, planteando un debate entre fiabilidad y ahorro.

Claude Opus 5.5 es actualmente uno de los modelos de inteligencia artificial más destacados, aunque su desempeño ha mostrado altibajos en diferentes pruebas desde su lanzamiento en septiembre por parte de Anthropic. En comparativas previas, Opus 5.5 demostró ser más preciso y tres veces más rápido que Qwen4-Max de Alibaba y superó en resultados a la versión Fable 5.2 de Anthropic, manteniendo ese nivel con un coste significativamente menor. Sin embargo, perdió frente a GPT-6.1 Terra de OpenAI, que resultó más barato y veloz en diversas pruebas.

En este escenario competitivo, OpenAI lanzó el pasado 17 de noviembre la versión GPT-6.2 Sol, que promete superar a Opus 5.5 tanto en precio como en precisión. Aunque la publicación oficial de OpenAI no menciona a Opus 5.5 directamente, sus gráficas comparativas indican que Sol obtiene una puntuación ligeramente superior en tareas de agentes y codificación científica, y lo hace con un coste sustancialmente inferior, aunque Opus 5.5 conserva una mínima ventaja en la prueba FrontierCode 2.0.

El argumento del coste es más transparente: mientras que Sol demanda 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida, Opus 5.5 cobra el doble, 4 y 20 dólares respectivamente. En las gráficas oficiales, Sol completa tareas de agente con un coste aproximado de 1,30 dólares frente a los 17 dólares que requiere Opus 5.5, lo que sugiere que Sol utiliza una cantidad mucho menor de tokens para tareas equivalentes.

Patrocinado

Para corroborar estas afirmaciones, se realizaron pruebas idénticas con ambos modelos en tareas relacionadas con agentes, codificación y análisis de datos, evaluando precisión, consumo de tokens, coste y velocidad de respuesta.

Metodología de las pruebas

Se emplearon los mismos tres test utilizados para evaluar previamente GPT-6.2 Astra y Fable 5.2. Dado que OpenAI presentó simultáneamente Sol y Astra con los mismos benchmarks, se examinaron los cuatro modelos bajo condiciones equivalentes, facilitando la comparación directa. Cada modelo fue probado una sola vez con la configuración predeterminada a través de su API, y las respuestas se contrastaron mediante un guion que verificó conformidad con claves de respuesta exactas, asegurando así que las evaluaciones fueran rigurosas y estructuradas.

Para garantizar la dificultad de las pruebas, se las sometió previamente a GPT-5 y se incrementó su complejidad si GPT-5 alcanzaba puntuaciones cercanas al 100%. A modo de referencia, los resultados de GPT-5 en las pruebas más complejas fueron también registrados.

Las pruebas consistieron en:

  • Cierre de fin de mes (173 puntos): Se proporcionó a los modelos un sistema ficticio de facturación, contratos, pagos, incidencias y diálogos de equipo para 40 clientes, debiendo detectar facturas incorrectas, calcular créditos por interrupciones, aplicar pagos y rechazar solicitudes contrarias a la política de la empresa. (Puntuación GPT-5: 130/173)
  • Biblioteca de facturación (110 puntos): Se introdujeron 20 bugs y una función sin acabar en una biblioteca de facturación. Los modelos debían identificar las reglas implícitas basándose en unos 100 registros de un sistema antiguo, sin replicar sus errores conocidos, además de detectar tres tests erróneos sin modificarlos. (Puntuación GPT-5: 41/110)
  • Análisis de datos de laboratorio (76 puntos): Tarea científica que involucraba 30 muestras con datos desordenados, formatos incompatibles, errores en la orientación de placas, desajustes de reloj y deterioro de muestras debido a un congelador averiado. (Puntuación GPT-5: 57/76)

Cierre de fin de mes

Contrariamente a lo reflejado en las gráficas de OpenAI, en esta prueba Opus 5.5 obtuvo la máxima puntuación (173/173), superando a Sol que logró 169 puntos. Sol cometió un error significativo al no otorgar un crédito de unos 2.400 dólares por un periodo de inactividad a uno de los clientes, lo que también afectó los totales finales del informe. El resto de las tareas, incluyendo la detección de facturas erróneas y el rechazo de peticiones inapropiadas, fueron ejecutadas de forma similar por ambos modelos.

Detalles técnicos:

  • Opus 5.5: 20 interacciones, 844.011 tokens de entrada, 28.983 de salida (11.038 en razonamiento), coste 1,24 dólares, duración 238 segundos.
  • Sol: 10 interacciones, 270.002 tokens de entrada, 8.205 de salida (1.506 en razonamiento), coste 0,20 dólares, duración 106 segundos.

Biblioteca de facturación

Ambos modelos alcanzaron la puntuación perfecta de 110 puntos, corrigiendo todos los errores y completando la función pendiente, además de identificar y reportar correctamente los tests erróneos sin modificarlos. Sol incluso superó en este test a su versión hermana mayor, GPT-6.2 Astra, al descubrir una regla que esta última pasó por alto.

«En trabajos de codificación de esta naturaleza, el mayor razonamiento de Opus 5.5 no detectó nada que Sol no hubiera encontrado.»

Diferenciándolos, Sol fue sensiblemente más económico y rápido: 16 centavos y un minuto y medio frente a 97 centavos y tres minutos y medio de Opus 5.5.

Detalles técnicos:

  • Opus 5.5: 18 interacciones, 616.008 tokens de entrada, 22.797 de salida (11.944 razonamiento), coste 0,97 dólares, duración 211 segundos.
  • Sol: 14 interacciones, 218.317 tokens de entrada, 6.844 de salida (1.655 razonamiento), coste 0,16 dólares, duración 94 segundos.

Análisis de datos de laboratorio

En esta prueba de análisis científico, ambos modelos empataron con la puntuación máxima de 76 puntos. En cuanto a coste y tiempo, Sol volvió a destacar: costó 15 centavos y tardó 90 segundos frente a 58 centavos y 137 segundos de Opus 5.5. Sin embargo, como Opus 5.5 utilizó menos tokens aquí que en otras pruebas, la ventaja económica de Sol disminuyó, pasando de ser seis veces a menos de cuatro veces más barato.

Detalles técnicos:

  • Opus 5.5: 17 interacciones, 292.458 tokens de entrada, 15.425 de salida (3.755 razonamiento), coste 0,58 dólares, duración 137 segundos.
  • Sol: 14 interacciones, 225.538 tokens de entrada, 6.440 de salida (373 razonamiento), coste 0,15 dólares, duración 90 segundos.

Resumen de resultados

Prueba Claude Opus 5.5 GPT-6.2 Sol GPT-5 (referencia)
Cierre de fin de mes (173) 173 169 130
Biblioteca de facturación (110) 110 110 41
Análisis de datos de laboratorio (76) 76 76 57
Total tokens entrada / salida 1.752.477 / 67.205 713.857 / 21.489 5.963.833 / 97.514
Coste estimado $2,79 $0,51 $2,05
Tiempo total (segundos) 586 290 1.283

Aunque Sol no superó a Opus 5.5 en precisión como sugerían las gráficas oficiales de OpenAI, la diferencia en costes fue notable y más cercana a la realidad. La elección entre ambos modelos se reduce a priorizar una ligera ventaja en exactitud o un ahorro considerable en gastos.

Opinión final

Recomendaría comenzar con GPT-6.2 Sol. Igualó a Opus 5.5 en las pruebas de codificación y análisis de datos y estuvo muy cerca en la prueba de agente, pero con menos de una quinta parte del coste.

«El único error de Sol, aunque importante, es el motivo por el que no confiaría plenamente en él desde el principio.»

El fallo de Sol en la gestión del crédito por inactividad puede generar consecuencias negativas reales, como clientes descontentos y balances contables desequilibrados. Por ello, en proyectos donde un error puede desencadenar problemas serios, convendría mantener a Opus 5.5 como última revisión o validación.

Add a Comment

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Patrocinado