GPT-6.1 Sol, Astra, Terra e Luna: diferenças entre os 8 modelos e quando usar cada um no Codex

GPT-6 Astra, Sol, Terra e Luna: comparação completa dos modelos no Codex, desempenho e consumo

O seletor do Codex pode apresentar diferentes modelos das famílias GPT-6 e GPT-5.6: GPT-6.1 Sol, GPT-6 Astra, GPT-6.1 Terra, GPT-6 Sol, GPT-6 Luna, GPT-5.6 Sol, GPT-5.6 Terra e GPT-5.6 Luna. Apesar dos nomes parecidos, eles têm posicionamentos, custos de utilização e estimativas de franquia diferentes.

Escolher um modelo não significa simplesmente selecionar o mais caro ou o mais novo. Uma alteração pequena em um arquivo não exige necessariamente a mesma capacidade de uma investigação arquitetural complexa. Da mesma forma, utilizar sempre o modelo mais econômico pode gerar retrabalho quando a atividade exige análise profunda.

Este guia compara os oito modelos, explica seus usos, apresenta o consumo em créditos por milhão de tokens, as estimativas de mensagens por janela de cinco horas e os preços da API. Também separa três métricas que costumam ser confundidas: créditos do Codex, franquia incluída no plano e cobrança da API.

As informações foram conferidas em documentação oficial da OpenAI em 10 de novembro de 2026. A disponibilidade dos modelos e os limites podem variar por plano, licença, conta e ambiente de trabalho.

O que significam os nomes dos modelos?

Os nomes ajudam a identificar a família e a geração do modelo. Os sufixos Astra, Sol, Terra e Luna indicam linhas com prioridades diferentes. Eles não formam uma escala universal em que um modelo sempre vence outro em qualquer atividade.

1. Astra: modelo de maior capacidade, direcionado a trabalhos especialmente exigentes, problemas ambíguos e análise profunda.
2. Sol: linha voltada a tarefas complexas de programação e trabalho profissional, buscando equilíbrio entre capacidade, tempo e custo.
3. Terra: modelo eficiente com ênfase em raciocínio visual, uso preciso do computador, escrita clara e tarefas de escopo definido.
4. Luna: modelo econômico para tarefas focadas, triagem, pequenas alterações e automações frequentes ou de alto volume.

Esses rótulos resumem o posicionamento publicado pela OpenAI. O desempenho real depende do problema, do contexto fornecido, do esforço de raciocínio, das ferramentas disponíveis e dos critérios usados para avaliar o resultado.

Os oito modelos que podem aparecer no seletor

A presença de um modelo nesta comparação não garante que ele esteja habilitado em todas as contas. A própria documentação informa que disponibilidade, ferramentas, níveis de raciocínio e limites variam conforme o produto e a versão do modelo. Confira o seletor do Work ou Codex para saber quais opções estão efetivamente liberadas para sua conta.

GPT-6 Astra: capacidade para trabalhos exigentes

O GPT-6 Astra é posicionado pela OpenAI como seu modelo mais capaz para os trabalhos mais exigentes. É uma opção indicada quando o problema ainda não está completamente definido, existem muitas dependências ou uma decisão incorreta pode causar consequências importantes.

Em desenvolvimento de software, pode ser útil para investigar falhas difíceis de reproduzir, avaliar arquiteturas com muitos componentes, planejar migrações de banco de dados, analisar problemas de segurança e comparar alternativas técnicas com efeitos de longo prazo.

Imagine uma aplicação PHP que apresenta falhas intermitentes envolvendo autenticação, transações, filas e integrações externas. A investigação exige compreender o fluxo completo, identificar causas possíveis e avaliar os riscos de cada correção. Nesse cenário, a capacidade adicional do Astra pode justificar o consumo maior.

Escolha Astra quando:

1. O problema é ambíguo e não existe uma solução evidente.
2. A tarefa exige análise profunda e planejamento em várias etapas.
3. Há dependências entre diferentes módulos ou serviços.
4. Uma análise incompleta pode causar regressões ou riscos relevantes.
5. É necessário comparar soluções com consequências técnicas diferentes.

Não é necessário utilizá-lo para toda alteração pequena. A capacidade adicional precisa justificar o custo e o tempo da tarefa.

GPT-6.1 Sol: desempenho e equilíbrio de custo

O GPT-6.1 Sol é descrito pela OpenAI como um modelo de alto desempenho para tarefas complexas, com custo inferior ao Astra na API. É uma escolha prática para boa parte do desenvolvimento profissional.

Entre suas aplicações estão implementar funcionalidades, corrigir bugs, refatorar módulos, desenvolver APIs, criar testes automatizados, analisar código distribuído por vários arquivos, produzir documentação técnica e investigar problemas de implementação.

Em um projeto PHP 8.3, por exemplo, Sol pode analisar a estrutura existente, implementar um endpoint, atualizar os testes e verificar efeitos colaterais. Ainda assim, o desenvolvedor precisa revisar as alterações, executar os testes e validar o comportamento no ambiente correto.

Escolha Sol quando:

1. Os requisitos estão relativamente bem definidos.
2. A tarefa envolve vários arquivos ou componentes.
3. Existe trabalho de engenharia de software com várias etapas.
4. É necessário equilibrar qualidade, velocidade e consumo.
5. O projeto exige desenvolvimento contínuo.

Para muitos fluxos de programação, GPT-6.1 Sol é um bom ponto de partida. A orientação oficial também o recomenda para projetos complexos nos quais o custo precisa ser controlado.

GPT-6.1 Terra: raciocínio visual e uso do computador

O GPT-6.1 Terra é apresentado como um modelo rápido e eficiente para raciocínio visual, uso preciso do computador e escrita clara e natural. Isso não significa que seja exclusivamente um modelo de imagens: ele também pode ser útil em tarefas de programação e interação com ferramentas.

Exemplos de aplicação incluem interpretar capturas de tela, analisar interfaces, identificar problemas visuais, interagir com aplicativos, trabalhar com documentos visuais e executar correções de código com escopo definido.

Imagine um painel administrativo cuja interface apresenta problemas de alinhamento. Terra pode ajudar a interpretar a tela, identificar os elementos envolvidos e orientar uma sequência de correções. A validação final deve acontecer na aplicação real, não apenas pela análise da imagem.

Escolha Terra quando:

1. O trabalho depende da interpretação de telas ou imagens.
2. É necessário interagir com uma interface ou aplicativo.
3. A tarefa tem resultado esperado e escopo bem definidos.
4. Velocidade e eficiência são prioridades.
5. Uma pessoa pode verificar visualmente o resultado final.

GPT-6 Sol: programação complexa e fluxos com agentes

O GPT-6 Sol foi desenvolvido para fluxos complexos de programação e trabalho com agentes. Ele continua sendo uma opção relevante no seletor, embora GPT-6.1 Sol seja a versão mais recente da linha Sol descrita na documentação atual.

O modelo pode ser considerado em fluxos existentes, comparações controladas e tarefas de engenharia em que sua configuração já tenha sido validada. A documentação da API informa suporte a entrada de texto e imagem, chamadas de função e uso de ferramentas no endpoint Responses, observadas as condições de cada ferramenta.

Considere GPT-6 Sol quando:

1. Um fluxo existente já foi testado com essa versão.
2. É necessário comparar os resultados com GPT-6.1 Sol.
3. A tarefa envolve programação complexa ou coordenação de etapas.
4. Há uma razão técnica para manter a versão anterior.

Não presuma que a versão anterior seja sempre inferior em toda tarefa. Compare os resultados com os mesmos arquivos, instruções, ferramentas e critérios de aceitação.

GPT-6 Luna: tarefas focadas e alto volume

O GPT-6 Luna é direcionado a tarefas objetivas, repetitivas e de grande volume. É uma opção interessante quando as instruções são claras e existe uma maneira simples de conferir o resultado.

Exemplos incluem classificar solicitações, extrair informações de documentos, organizar dados, resumir conteúdos com formato definido, gerar documentação simples e executar pequenas transformações de texto.

Luna também pode participar de fluxos de programação, principalmente quando a alteração é pequena e delimitada. Porém, uma tarefa curta não é necessariamente uma tarefa de baixo risco. Alterar permissões, dados de produção ou infraestrutura exige validação independentemente do modelo escolhido.

Escolha Luna quando:

1. A tarefa é objetiva e repetitiva.
2. O resultado esperado está claramente definido.
3. O trabalho ocorre em grande volume.
4. Existe uma forma simples de conferir a saída.
5. O consumo por operação é um fator importante.

GPT-5.6 Sol: trabalho profissional e tarefas complexas

O GPT-5.6 Sol pertence à geração anterior, mas continua listado em documentação de modelos e em tabelas de uso. É descrito como uma opção de trabalho profissional para tarefas complexas de programação, pesquisa e produção.

Pode ser útil para manter fluxos existentes, comparar uma implementação com modelos mais recentes ou executar tarefas que já foram avaliadas com essa versão. A documentação de preços informa uma tarifa promocional para GPT-5.6 Sol com validade anunciada pelo menos até 21 de novembro de 2026. Como preços promocionais podem mudar, confira a página oficial antes de estimar custos futuros.

Considere GPT-5.6 Sol quando:

1. Um fluxo de trabalho existente depende dessa versão.
2. É necessário comparar resultados com GPT-6.1 Sol.
3. A equipe já conhece seu comportamento e critérios de validação.
4. O preço vigente oferece uma vantagem relevante para a tarefa.

GPT-5.6 Terra: equilíbrio para tarefas cotidianas

O GPT-5.6 Terra é descrito como um modelo que equilibra inteligência e custo. Pode atender tarefas rotineiras de produção, análise de documentos, relatórios, programação e trabalho que exige discernimento sem necessariamente precisar da maior capacidade disponível.

É uma opção para comparar com GPT-6.1 Terra em tarefas delimitadas, especialmente quando a equipe deseja medir se a geração mais recente oferece ganho suficiente para justificar o custo ou a mudança do fluxo.

Considere GPT-5.6 Terra quando:

1. O trabalho é cotidiano e possui critérios claros.
2. A tarefa envolve relatórios ou análise de documentos.
3. É útil manter um fluxo anterior já validado.
4. O custo e a velocidade têm peso importante na decisão.

GPT-5.6 Luna: economia em tarefas repetitivas

O GPT-5.6 Luna é otimizado para tarefas sensíveis a custo e de alto volume. Pode ser usado para extração de informações, classificação, organização de dados, automações em segundo plano e pequenas tarefas específicas de programação.

É uma alternativa para comparar com GPT-6 Luna quando o fluxo exige muitas operações simples. A comparação deve medir qualidade, retrabalho e custo observado, e não apenas o preço unitário por token.

Considere GPT-5.6 Luna quando:

1. A operação é simples e repetitiva.
2. O volume de solicitações é elevado.
3. O resultado pode ser validado automaticamente.
4. O custo total precisa ser reduzido sem comprometer os critérios de aceitação.

O que muda entre GPT-6 e GPT-6.1?

A numeração identifica revisões diferentes da família. A documentação apresenta GPT-6.1 Sol como uma opção de alto desempenho para trabalhos complexos, buscando desempenho próximo ao Astra com custo menor. GPT-6 Sol continua descrito como modelo voltado a fluxos complexos de programação e agentes.

A diferença entre versões deve ser avaliada por documentação, disponibilidade e testes. Não é correto concluir que toda versão mais nova será melhor em absolutamente todas as tarefas. Modelos diferentes podem apresentar resultados distintos conforme o contexto, as ferramentas, o esforço de raciocínio e o critério de avaliação.

Para um projeto novo, comece pela opção atual recomendada para a tarefa. Mantenha uma versão anterior quando houver uma razão concreta: compatibilidade com um fluxo validado, comparação controlada ou necessidade de reproduzir um resultado anterior.

O que muda entre GPT-6 e GPT-5.6?

Os modelos GPT-5.6 Sol, Terra e Luna pertencem à geração anterior. Eles podem continuar disponíveis em determinados ambientes e contas, mas não se deve presumir que todas as opções tenham os mesmos recursos, preços ou limites das versões GPT-6.

Se um modelo antigo estiver funcionando bem em um processo importante, faça uma comparação antes de substituí-lo. Utilize a mesma tarefa, os mesmos arquivos, as mesmas instruções e os mesmos critérios. Registre diferenças de qualidade, tempo, custo e intervenção manual.

Consumo no Codex: créditos por milhão de tokens

Para comparar o consumo dos oito modelos, a métrica mais detalhada é a tarifa em créditos por milhão de tokens. A tabela a seguir apresenta as tarifas Standard publicadas pela OpenAI para créditos do Codex e uso flexível baseado em créditos.

Importante: esses valores não representam a franquia mensal ou total incluída na assinatura. Eles indicam a tarifa de utilização por volume de tokens. A franquia disponível depende do plano ou licença, e o painel de uso mostra o saldo e os horários de redefinição aplicáveis.

Os valores são tarifas Standard. A cobrança por créditos não possui uma tarifa separada de gravação de cache. O uso de uma chave de API segue os preços da API, não esta tabela de créditos do Codex.

Para créditos adquiridos e uso flexível Enterprise, a documentação consultada informa que o modo Fast utiliza multiplicador de 2x sobre a tarifa Standard quando disponível, e Ultrafast utiliza 6x. O uso incluído na assinatura pode seguir multiplicadores diferentes, conforme o plano e o modo. Consulte a tabela de preços vigente antes de fazer projeções.

Franquia estimada: mensagens por janela de cinco horas

Além da tarifa por token, a OpenAI publica estimativas de mensagens locais por janela de cinco horas. Elas ajudam a entender a ordem de grandeza do uso, mas não representam um número garantido de mensagens. Uma tarefa longa pode consumir muito mais franquia do que uma tarefa curta.

Como ler a tabela: os limites dos modelos GPT-6 e GPT-6.1 foram publicados para Plus e Business Standard. As estimativas dos modelos GPT-5.6 aparecem na tabela de licenças Standard do artigo oficial de modelos e limites do ChatGPT Business. Portanto, as faixas estão identificadas por referência de licença e não devem ser tratadas como se viessem de uma única tabela ou fossem garantidas para todos os planos.

Planos Pro com franquia superior podem ter regras diferentes e, conforme a modalidade, não possuir o mesmo limite de cinco horas. Work e Codex compartilham a franquia aplicável ao plano. Tarefas na nuvem podem consumir mais franquia do que mensagens locais, e limites semanais também podem se aplicar.

Para verificar a franquia real da sua conta, abra Configurações → Uso. Essa tela é a referência para o saldo restante e os horários de redefinição. Não use uma estimativa geral como promessa de quantas mensagens estarão disponíveis na sua conta.

O que aumenta o consumo no Codex?

O consumo não depende apenas da quantidade de mensagens enviadas. Os principais fatores são:

1. Modelo escolhido: modelos diferentes podem usar quantidades diferentes da franquia para a mesma atividade.
2. Tamanho do contexto: projetos grandes, históricos extensos e muitos arquivos aumentam o volume processado.
3. Tokens de entrada: instruções, código, histórico, documentos e contexto fornecido.
4. Tokens de saída: respostas longas, alterações extensas e explicações detalhadas.
5. Entrada em cache: conteúdo reutilizado pode ter tarifa menor quando atende às condições de cache.
6. Esforço de raciocínio: configurações mais altas podem consumir mais recursos.
7. Quantidade de etapas: tarefas com várias operações, execuções e revisões podem consumir mais.
8. Ferramentas e execução na nuvem: tarefas que usam ferramentas ou ambientes remotos podem consumir mais franquia.
9. Modo de velocidade: Fast e Ultrafast podem ter multiplicadores próprios.

Por isso, não existe uma quantidade universal de tokens por mensagem. Duas solicitações escritas com o mesmo número de palavras podem gerar consumos diferentes, especialmente quando uma delas exige analisar arquivos, executar comandos ou manter um contexto maior.

Exemplo de cálculo de créditos no Codex

Considere uma tarefa hipotética no GPT-6.1 Sol que processe:

1. 15.000 tokens de entrada convencional;
2. 5.000 tokens de entrada em cache;
3. 3.000 tokens de saída.

Com as tarifas Standard por milhão de tokens:

1. Entrada: 15.000 × 50 ÷ 1.000.000 = 0,75 crédito.
2. Entrada em cache: 5.000 × 2,5 ÷ 1.000.000 = 0,0125 crédito.
3. Saída: 3.000 × 250 ÷ 1.000.000 = 0,75 crédito.

Total estimado: 1,5125 créditos.

É um exemplo matemático de cobrança por tokens, não uma média observada por tarefa e nem uma previsão do consumo incluído em determinada assinatura. Ferramentas, configurações e regras do plano podem alterar o uso efetivo.

Preços da API: comparação dos oito modelos

Os preços da API são diferentes das tarifas de créditos do Codex. A API cobra em dólares por volume de tokens processados. A tabela abaixo usa os preços Standard de entrada, entrada em cache e saída por milhão de tokens, para contexto de até 272 mil tokens de entrada, conforme a tabela oficial consultada em 10 de novembro de 2026.

Os valores são preços padrão da API, não créditos do Codex. A tabela de preços também apresenta modalidades diferentes, como Batch, Flex e Fast, além de tarifas específicas para contexto longo. Os preços de GPT-5.6 Sol estão identificados pela OpenAI como promocionais até, pelo menos, 21 de novembro de 2026. Consulte a documentação antes de calcular custos de produção.

Exemplo de cálculo de custo na API

Considere uma chamada hipotética ao GPT-6.1 Sol com 15.000 tokens de entrada convencional, 5.000 tokens em cache e 3.000 tokens de saída.

1. Entrada: 15.000 × US$ 2,00 ÷ 1.000.000 = US$ 0,030.
2. Entrada em cache: 5.000 × US$ 0,10 ÷ 1.000.000 = US$ 0,0005.
3. Saída: 3.000 × US$ 10,00 ÷ 1.000.000 = US$ 0,030.

Custo estimado: US$ 0,0605.

Esse cálculo representa apenas os tokens de texto considerados no exemplo. Recursos adicionais, ferramentas, imagens, modalidades especiais, gravação de cache e processamento com tarifas diferentes podem gerar custos adicionais.

Codex, assinatura e API: qual é a diferença?

É importante separar as formas de utilização. O Codex e o ChatGPT Work compartilham a franquia incluída no plano elegível. A API utiliza cobrança própria por tokens e não deve ser calculada diretamente a partir do número de mensagens do Codex.

Uma assinatura do ChatGPT não deve ser interpretada como crédito ilimitado de API. Da mesma forma, o preço por milhão de tokens da API não informa quantas mensagens estarão disponíveis no Codex.

Ferramentas, modalidades e esforço de raciocínio

Os modelos atuais oferecem diferentes recursos, mas a disponibilidade exata depende do modelo, do endpoint e do produto. O catálogo da API lista entrada de texto e imagem, geração de texto, capacidades multilíngues e ferramentas como chamadas de função, pesquisa na web, busca de arquivos e uso do computador para os modelos compatíveis.

O esforço de raciocínio controla a quantidade de processamento dedicada à análise. Em termos gerais, níveis menores favorecem respostas mais rápidas em tarefas simples; níveis maiores podem ajudar em problemas mais difíceis, mas também podem elevar latência e consumo.

Não presuma que todos os níveis estejam disponíveis em todos os modelos ou que o seletor do Codex mostre exatamente os mesmos controles da API. Para cada tarefa, use o menor nível que atenda aos critérios de qualidade e valide o resultado.

Qual modelo escolher para cada tarefa?

Essas são recomendações iniciais baseadas no posicionamento oficial, não resultados de um benchmark independente realizado para este artigo.

Como testar os modelos no seu próprio projeto

Benchmarks públicos ajudam a comparar modelos em condições definidas, mas não substituem testes com o código e os requisitos reais da equipe. Uma avaliação justa precisa manter as condições tão equivalentes quanto possível.

Teste de correção de código

1. Escolha um bug que possa ser reproduzido.
2. Registre o comportamento esperado e os testes existentes.
3. Forneça o mesmo contexto a cada modelo.
4. Solicite diagnóstico e correção.
5. Execute os mesmos testes automatizados.
6. Registre erros introduzidos e intervenções manuais.

Teste de refatoração

Verifique se os testes continuam passando, se as interfaces públicas foram preservadas, se o escopo foi respeitado e se a manutenção realmente ficou mais simples.

Teste de arquitetura

Forneça os mesmos requisitos e avalie organização dos módulos, segurança, escalabilidade, manutenibilidade, tratamento de erros e estratégia de testes. Exija justificativas para as decisões.

Teste visual

Forneça a mesma captura de tela, os mesmos arquivos e o mesmo resultado esperado. Depois, execute a aplicação e confira se a interface corrigida corresponde ao objetivo.

Registre os resultados

Os pesos são uma proposta de avaliação, não uma classificação oficial da OpenAI. Repita tarefas com resultados variáveis e diferencie o desempenho do modelo dos efeitos das ferramentas, permissões, contexto e ambiente de execução.

Este artigo não afirma ter executado testes independentes nos oito modelos. O procedimento acima permite realizar uma comparação reproduzível, em vez de apresentar resultados experimentais não verificados.

Estratégia prática para um projeto PHP 8.3

Em uma aplicação PHP 8.3 com banco de dados, autenticação, APIs e painel administrativo, uma distribuição possível é:

1. GPT-6 Luna: documentação simples, classificação, extração de dados e pequenas tarefas repetitivas.
2. GPT-6.1 Terra: análise de telas, interação com ferramentas e correções visuais de escopo definido.
3. GPT-6.1 Sol: implementação de funcionalidades, APIs, testes, refatoração e depuração cotidiana.
4. GPT-6 Astra: decisões arquiteturais difíceis, investigações profundas e migrações de alto risco.
5. GPT-5.6 Sol, Terra ou Luna: manutenção e comparação de fluxos anteriores que já tenham sido validados.

Independentemente do modelo, analise a estrutura existente antes de alterar o projeto, revise cada diff, execute testes e mantenha um procedimento de recuperação. Um modelo não substitui revisão de código nem responsabilidade técnica.

Erros comuns ao escolher um modelo

1. Usar sempre o mais caro: tarefas pequenas raramente justificam a maior capacidade disponível.
2. Usar sempre o mais barato: correções repetidas e retrabalho também têm custo.
3. Confundir geração com qualidade universal: versões e perfis diferentes podem se comportar de maneira distinta conforme a tarefa.
4. Confundir créditos do Codex com preços da API: são mecanismos diferentes de utilização e cobrança.
5. Tratar créditos por milhão como franquia total: a tarifa por token não informa o saldo incluído no plano.
6. Confundir mensagens estimadas com limite garantido: as faixas são aproximadas e variam conforme plano, modelo e tarefa.
7. Presumir que mais raciocínio sempre é melhor: esforço maior pode aumentar latência e consumo sem melhorar o resultado.
8. Aceitar código sem testar: valide o resultado no ambiente adequado.
9. Tratar o seletor como especificação completa: consulte o catálogo oficial para limites, ferramentas, disponibilidade e preços.

Conclusão

Os modelos Astra, Sol, Terra e Luna possuem posicionamentos diferentes. Astra é direcionado aos trabalhos mais exigentes; Sol equilibra capacidade e custo em tarefas complexas; Terra prioriza raciocínio visual e uso do computador; Luna atende tarefas focadas e de alto volume.

Para desenvolvimento cotidiano, GPT-6.1 Sol é um bom ponto de partida. Para problemas ambíguos e análises profundas, considere Astra. Para fluxos visuais e interação com aplicativos, avalie Terra. Para automações objetivas e frequentes, Luna pode reduzir o custo.

Os modelos GPT-5.6 continuam relevantes para fluxos anteriores e comparações controladas, mas a decisão de mantê-los ou migrar deve considerar resultados reais, disponibilidade e custo.

Também é essencial entender a diferença entre créditos por milhão de tokens, franquia incluída no plano e preços da API. Os créditos indicam a tarifa de utilização; a franquia depende da licença; a API possui cobrança separada. A melhor escolha é o modelo que resolve a tarefa com qualidade suficiente, menor retrabalho e custo total adequado.

Referências oficiais

1. OpenAI: Model selection
2. OpenAI: Models catalog
3. OpenAI: All models
4. OpenAI: ChatGPT Work and Codex pricing, credits and usage estimates
5. OpenAI: ChatGPT Business models and limits
6. OpenAI: API pricing
7. OpenAI: GPT-5.6 Luna model specifications

Verificação editorial: 10 de novembro de 2026. As tarifas, os modelos disponíveis e os limites de uso podem mudar. As estimativas de mensagens não são garantias e devem ser conferidas no painel Configurações → Uso. Os preços da API são cobrados separadamente da franquia do Codex.