O que é o GPT-6 Sol e por que a OpenAI diz que ele foi feito para código e workflows agênticos?

A OpenAI soltou o GPT-6 Sol em 22 de setembro de 2026 e não escondeu pra quem ele foi feito

A frase está na própria documentação do modelo: "built for complex coding and agentic workflows"

Ou seja: não é o modelo de conversar sobre a vida, é o modelo que vai ficar rodando dentro do teu Codex, do teu Copilot e do teu agente caseiro, abrindo arquivo, aplicando patch e validando o resultado

Se você já vive em terminal com agente, esse lançamento mexe direto no teu setup

O lançamento: onde o Sol se encaixa na família GPT-6

O anúncio veio em dupla: Sol e Luna, os dois no mesmo dia 22/09/2026

O posicionamento oficial do Sol é bem direto: ele traz boa parte das capacidades do GPT-6 Astra para um nível mais rápido e mais barato

Traduzindo pro nosso mundo: é o modelo que a OpenAI quer que você use como daily driver de código, não o topo de linha reservado pra caso extremo

E tem o detalhe que todo mundo olha primeiro: o preço de API de Sol e Luna caiu 50% em relação ao preço promocional da geração GPT-5.6

O GPT-5.6 Sol promocional era US$ 4 de entrada e US$ 20 de saída por 1M de tokens

A OpenAI atribui o corte a melhorias de caching e inferência, não a subsídio de lançamento

Isso é relevante porque agente é justamente o tipo de carga que estoura conta: muita chamada, muito contexto repetido, muito tool call

Por que a OpenAI diz que ele foi feito para código e workflows agênticos

Dá pra destrinchar a frase oficial olhando o que o modelo expõe, então bora por partes

Primeiro: controle de profundidade por tarefa

O parâmetro reasoning.effort aceita seis níveis: none, low, medium (que é o padrão), high, xhigh e max

Isso é o que separa "renomeia essa variável em 40 arquivos" de "descobre por que esse teste de integração quebra só na CI"

A primeira tarefa não precisa de raciocínio nenhum, a segunda precisa de bastante, e você paga por token gerado nos dois casos

Segundo: janela de contexto de 1.050.000 tokens

Um milhão e pouco de tokens de contexto, com limite de 128.000 tokens de saída

A entrada aceita texto e imagem, a saída é texto, e o knowledge cutoff é 20 de abril de 2026

Contexto desse tamanho é o que permite jogar um repositório inteiro, um log gigante de build e o diff da branch na mesma conversa sem ficar picotando na mão

Terceiro: os números que a OpenAI mostrou

No AutomationBench, que mede workflows de negócio entre aplicativos, a OpenAI diz que o Sol em esforço xhigh supera o Claude Opus 5 em esforço max custando 9% do custo por tarefa do Opus 5

Nove por cento do custo por tarefa é o tipo de número que muda decisão de arquitetura, não só de modelo

E numa avaliação interna de factualidade, a OpenAI afirma que o Sol comete cerca de metade dos erros do antecessor, chegando perto do nível do Astra por um custo menor

Se você acompanha o outro lado da briga, vale comparar com as tarefas de código do Claude Fable 5, que aposta num recorte parecido de autonomia

Quarto: como o GitHub descreve ele no Copilot

O changelog do GitHub chama ele de modelo balanceado para código interativo e agêntico

E indica ele pra tarefas de desenvolvimento que se beneficiam de validação cuidadosa em várias etapas

Reparou no padrão? Ninguém está vendendo ele como o modelo mais inteligente do mundo

Estão vendendo ele como o modelo que aguenta ficar rodando em loop sem te custar um rim

Responses API e built-in tools: o que o modelo expõe para agentes

Aqui mora a parte que mais gente erra na primeira integração

As ferramentas embutidas que o modelo suporta, segundo a documentação do modelo:

• web search
• file search
• geração de imagem
• code interpreter
• hosted shell
• apply patch
• skills
• computer use
• MCP
• tool search
• function calling

Olha a lista com olhos de dev por um segundo

hosted shell e apply patch juntos são basicamente a descrição de um agente de código: roda comando, lê saída, edita arquivo

MCP e computer use ampliam isso pra fora do repositório

Agora o passo a passo do que a documentação orienta:

1. Use a Responses API se você quer built-in tools ou function calling

Esse é o caminho recomendado na documentação, e é o que expõe as ferramentas embutidas da lista acima

2. Não tente fazer function calling pelo Chat Completions com raciocínio ligado

O erro comum deste passo: portar o código antigo de Chat Completions e achar que só trocar o nome do modelo resolve

No Chat Completions, o function calling só funciona com reasoning_effort definido como none

Ou seja, você perde exatamente o raciocínio que motivou a troca de modelo

3. Escolha o identificador certo do modelo

Na API, o identificador é gpt-6-sol, e o modelo irmão é gpt-6-luna

4. Defina o esforço por tipo de tarefa, não uma vez pro app inteiro

O erro comum aqui é deixar tudo em high "por garantia" e descobrir a conta no fim do mês

O padrão é medium, e a existência de none no topo da lista é um convite explícito: tarefa mecânica não precisa pensar

Vale dizer que reduzir idas e vindas do agente é uma frente de pesquisa por si só, com abordagens bem diferentes dessa, tipo os samplers paralelos, que atacam o problema por outro caminho

Preço do GPT-6 Sol: quanto custa por 1M de tokens

A tabela de preço tem duas faixas, e a segunda pega muita gente de surpresa em workflow agêntico

A regra é a seguinte: passou de 272 mil tokens de entrada, a requisição inteira passa a ser cobrada com multiplicador de 2x em entrada e cache e 1,5x na saída

Repara no "requisição inteira"

Não é só o excedente que fica mais caro, é tudo

Na prática isso importa muito em agente, porque o contexto de um loop agêntico só cresce: cada tool call devolve saída, cada arquivo lido entra no histórico

Você começa a sessão confortável na faixa de US$ 2,00 e, quinze passos depois, cruza a linha sem perceber

É um bom motivo pra instrumentar contagem de tokens no teu agente antes de soltar ele solto

Tome cuidado com essa linha dos 272 mil

Números independentes: o que o Artificial Analysis mediu

Benchmark de fabricante é fabricante falando do próprio filho, então vale olhar terceiro

O Artificial Analysis publicou medições do Sol em esforço max

O número que eu acho mais interessante aí não é o 48

É o US$ 1,06 por tarefa contra US$ 1,99 da geração anterior, cerca de 50% menos pra rodar o índice inteiro

Bate com a história que a OpenAI contou sobre caching e inferência, e é medido por fora

E o preço combinado de US$ 1,54 por 1M na proporção 7:2:1 é uma estimativa bem mais honesta do que você vai pagar de verdade do que olhar só a linha de saída da tabela oficial

Onde já dá para usar o GPT-6 Sol hoje

No dia do lançamento, a disponibilidade ficou assim:

• ChatGPT Work e Codex: para usuários Plus, Pro, Business, Enterprise e Edu, com rollout gradual ao longo do dia
• Chat: ainda não disponível no anúncio
• GitHub Copilot: Pro+, Max, Business e Enterprise, com cobrança por uso (usage-based billing) e também com rollout gradual
• Free e Go: acessam o GPT-6 Luna no app desktop

Rollout gradual quer dizer o de sempre: se você abriu o seletor de modelo e não achou, não é bug teu

E atenção no Copilot: lá é cobrança por uso, então o modelo entrar no teu seletor não significa que ele é de graça no teu plano

Vale mudar seu agente para o GPT-6 Sol?

O que os números sustentam: o Sol chega mais barato que a geração anterior, com janela de contexto grande, controle fino de esforço e uma lista de built-in tools desenhada pra agente de código

O resultado do AutomationBench e a medição de custo por tarefa do Artificial Analysis apontam pro mesmo lugar, que é custo por tarefa concluída caindo

O que ainda depende de teste no teu projeto: benchmark não sabe como é a tua base de código, teu padrão de commit e o quanto teu agente precisa de ida e volta pra acertar

Modelo bom em bench e chato de conviver existe, e você só descobre rodando

Próximo passo concreto, na ordem:

1. Abre teu Codex ou teu Copilot e confere se o gpt-6-sol já apareceu no seletor
2. Revisa se teu pipeline usa Responses API, porque function calling com raciocínio ligado depende disso
3. Define esforço por tipo de tarefa em vez de um valor fixo global
4. Mede o custo real de uma semana antes de trocar o modelo padrão do time

Essa última é a que ninguém faz e todo mundo se arrepende

Se você já tá rodando ele em algo sério, bora trocar uma ideia sobre o que mudou no teu fluxo

até o próximo post! 😀