Developer tests GPT-6 Sol on a warehouse simulator against Astra and Opus 5.5

Antonio Leiva @antonioleivagOriginally posted 2026.09.23

Open original on X

🚀 ¡Ojo a GPT-6 Sol! He estado haciendo mis primeras pruebas con los modelos nuevos de OpenAI y también con Opus 5.5 El objetivo: crear un simulador de almacén donde se puedan optimizar los movimientos de las cajas. Es una prueba interesante porque mezcla interfaz un poco fuera de lo normal, junto con algoritmos, decisiones sobre cómo testearlo... No es el típico CRUD. Todos han sido lanzados con esfuerzo xhigh. Los resultados con Astra y Opus 5.5 sinceramente no me han sorprendido, lo hacen perfecto, y sus interfaces son las mejores. Pero la mejora de GPT-6 Sol frente a 5.6 sí que es algo que no me esperaba. Ha tardado casi lo mismo, ha costado la mitad (esto sí era esperable) y el resultado ha sido perfecto, al nivel de Astra y Opus. Es verdad que a nivel de UI es peor, no hay animaciones ni rutas señaladas, más sencillote. Sin duda Opus es el más lento y el más caro, lo que de por sí no es malo. Luego te digo. Luna es mucho más barato, pero también los resultados lo demuestran. Cuando se estresa el resultado con ejemplos complejos, el algoritmo no resuelve. Es curioso que Luna 6 ha tardado más, lo que está bien si el resultado fuera mejor, pero la realidad es que no lo ha sido. Aquí hay varios aprendizajes (basados en un solo resultado, esto hay que probarlo mucho más): 1️⃣ Este "benchmark" está saturado para Astra y Opus. A pesar de ser complejo, seguramente se ha usado demasiado razonamiento para la potencia de estos modelos. 2️⃣ Con Sol 6 tengo mis dudas, quizá le podemos bajar más el razonamiento. 3️⃣ Luna no es recomendable para tareas largas desatendidas, a no ser que le demos una buena forma de comprobar el resultado. Es tan barato, que como si se tira horas trabajando, mientras llegue al resultado. Mis siguientes pruebas: ✅ Bajar el razonamiento de Astra y Claude a low. Tengo la sospecha de que ambos lo harán bien, y quiero ver cómo bajan en tiempo y costes. ✅ Probar Sol en distintos niveles de razonamiento. Creo que en algún momento va a empezar a hacerlo mal, y quiero encontrar su sweet spot. Incluso probarlo en Max a ver si mejora la UI o ya es tontería. ✅ Probar Luna Max tanto en 5.6 como en 6 a ver qué me encuentro. ¡Estos son mis datos preliminares! Resumen: GPT-6 Sol promete mucho para lo poco que cuesta 🎉