openai
OpenAI: GPT-6 Luna
openai/gpt-6-luna
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
openai/gpt-6-luna figura en el catálogo de OpenRouter como GPT-6 Luna de OpenAI, un miembro rápido y rentable de la serie GPT-6 situado por debajo de GPT-6 Sol. El catálogo lo describe como adecuado para trabajos de gran volumen y sensibles a la latencia, como chat, clasificación y tareas agénticas ligeras. También enumera entradas de texto, imagen y archivo con salida de texto, razonamiento opcional con varios niveles de esfuerzo, compatibilidad con herramientas y salidas estructuradas, y una ventana de contexto de 1.050.000 tokens.[1]
Puntos fuertes
- OpenRouter describe el modelo como rápido y rentable para cargas de trabajo de gran volumen y sensibles a la latencia.[1]
- El catálogo enumera entradas de texto, imagen y archivo, junto con salida de texto y una ventana de contexto de 1.050.000 tokens.[1]
- El catálogo indica esfuerzo de razonamiento configurable y compatibilidad con herramientas, elección de herramientas, salidas estructuradas, formato de respuesta, semilla y verbosidad.[1]
Limitaciones
- El paquete de fuentes contiene solo una entrada del catálogo de OpenRouter; no había una ficha independiente del modelo, y la idoneidad en producción debe validarse con la carga de trabajo prevista.[1]
- Solo se enumera salida de texto; no se catalogan salidas de imagen, archivo, audio u otras modalidades.[1]
- El catálogo no proporciona una fecha de corte de conocimiento, y sus campos de evaluación omiten resultados de codificación y agentes.[1]
Dónde utilizarlo
- Potencialmente adecuado para chat y clasificación de gran volumen cuando la velocidad y la eficiencia de costos descritas por el catálogo son prioritarias.[1]
- Puede encajar en aplicaciones que necesiten respuestas de texto a partir de entradas de texto, imagen o archivo y aprovechar una ventana de contexto muy grande.[1]
- Podría admitir flujos agénticos ligeros con llamadas a herramientas y salidas estructuradas, sujeto a validación de la carga de trabajo.[1]
Fuentes
- [1] OpenRouter catalog · OpenAI: GPT-6 LunaFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
GPT-6 Luna is the fast, cost-efficient model in OpenAI's GPT-6 series, positioned below GPT-6 Sol. It is suited for high-volume and latency-sensitive workloads such as chat, classification, and lightweight agentic...
Especificaciones
- ID del modelo
- openai/gpt-6-luna
- ID canónico
- openai/gpt-6-luna-20260922
- Creador
- openai
- Añadido a OpenRouter
- 22.09.2026
- Longitud de contexto
- 1,050,000
- Modalidad
- text+image+file->text
- Modalidades de entrada
- file, image, text
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.100 / salida $0.500
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | BB — siguiente 30% de la cohorte | razonamiento: opcional · predeterminado medium · esfuerzos: max, xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado medium · esfuerzos: max, xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | entrada: file |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 27.9 | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| OpenAI | 1,050,000 | $0.050 | $0.250 | — | — | 100% |
| Amazon Bedrock | 1,050,000 | $0.100 | $0.500 | — | — | 100% |
| OpenAI | 1,050,000 | $0.100 | $0.500 | — | — | 100% |
| Azure | 1,050,000 | $0.100 | $0.500 | — | — | 100% |
| Azure | 1,050,000 | $0.110 | $0.550 | — | — | 100% |
| Azure | 1,050,000 | $0.110 | $0.550 | — | — | 100% |
| Amazon Bedrock | 1,050,000 | $0.110 | $0.550 | — | — | 100% |
| OpenAI | 1,050,000 | $0.200 | $1 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- El agente Wave de Amplitude usa modelos de OpenAI para lanzar mejoras de producto en uno o dos díasAmplitude afirma que su agente de producto proactivo Wave, impulsado principalmente por los modelos GPT-6.1 Sol, GPT-6 Luna y GPT-Image-2.5 Flare de OpenAI, permite a los equipos lanzar mejoras de producto en uno o dos días en lugar de aproximadamente un mes.
- Google DeepMind y Artificial Analysis presentan MKA, una evaluación de agentes con evidencia visualMKA es una evaluación de 200 tareas que mide si los agentes de IA pueden extraer evidencia decisiva de planos, escaneos y gráficos y convertirla en entregables profesionales.