GPT-6.1 Sol tiene cinco niveles de esfuerzo de razonamiento: low, medium (el predeterminado), high, xhigh y max. El gran cambio respecto a GPT-6 Sol es que none y minimal han desaparecido, por lo que low es ahora el nivel mínimo.
Este único ajuste afecta tanto a la latencia como al costo. Nunca ves los tokens de razonamiento, pero los pagas a la tarifa de salida ($10 por millón para 6.1 Sol en AIHubMix), y ocupan espacio en la ventana de contexto. Si eliges el nivel incorrecto, puedes pagar fácilmente varias veces más de lo necesario.
Para qué sirve cada nivel
Esta tabla combina las descripciones de OpenAI de la guía de razonamiento con nuestras propias recomendaciones:
| Nivel | Descripción de OpenAI | Buena opción para | Mala opción para |
|---|---|---|---|
| low | Razonamiento eficiente con un ligero aumento de la latencia | Pasos intermedios en bucles de herramientas, búsqueda, planificación ligera, clasificación, extracción, respuestas de soporte | Depuración difícil, refactorizaciones de varios archivos |
| medium (predeterminado) | El valor equilibrado predeterminado para la mayoría de las cargas de trabajo | Programación cotidiana, revisión de código, redacción, tareas típicas de agentes | Uso interactivo con latencia crítica |
| high | Razonamiento complejo, depuración compleja, planificación profunda | Errores difíciles, trabajo de arquitectura, tareas tipo SWE | Tráfico en línea de alto QPS |
| xhigh | Investigación profunda, trabajo asíncrono, ejecuciones largas de agentes | Trabajos en segundo plano, informes de investigación | Cualquier cosa que tus evaluaciones no hayan justificado |
| max | Razonamiento máximo para las tareas más difíciles | Uso de computadora, problemas de nivel investigador, trabajo pesado sin conexión | Casi todas las solicitudes del día a día |
OpenAI describe el esfuerzo como "un control de ajuste, no la forma principal de recuperar la calidad". Cuando los resultados son malos, revisa primero el prompt, las definiciones de las herramientas y el contexto. Aumenta el esfuerzo solo después de eso.
Lo que dicen los benchmarks sobre cada nivel
Estas son las cifras propias de OpenAI, compiladas por Vellum y DataCamp. Tómalas como una guía, no como una verdad absoluta.
Para programación, high suele ser suficiente. En DeepSWE v1.1, 6.1 Sol con high obtiene 75.2, igualando a Astra con high (74.8), por unos $1.50 por tarea. Su curva de costo alcanza entre 72% y 75% con un costo de entre $0.50 y $1.50 por tarea. GPT-6 Sol con máximo esfuerzo llegó a 68.8 por unos $2.60.
Subir por encima de medium no siempre ayuda. En AutomationBench, 6.1 Sol obtiene 35.4% con medium y solo alrededor de 36.0% con un esfuerzo mayor. Para la automatización empresarial, los tokens de razonamiento adicionales casi no aportaron nada.
Reserva max para uso de computadora e investigación. En OSWorld 2.0, max obtiene 71.4 con alrededor de $1.30 por tarea. Terminal-Bench Science con max cuesta $5.47 por tarea: mucho menos que los $23.80 de Astra, pero un orden de magnitud por encima de la mayoría de las demás cargas de trabajo.
Low también mejoró. La tasa de errores fácticos con low bajó de 11.4% en 6 Sol a 7.7%. Si subiste tareas a medium en 6 Sol porque low no era suficientemente preciso, vuelve a probar low.
Puntos de partida según el caso de uso
| Caso de uso | Empezar en | Notas |
|---|---|---|
| Llamadas que usaban none en 6 Sol | low | La correspondencia oficial de OpenAI. Si la latencia es crítica, considera GPT-6 Luna, que todavía admite none |
| Llamadas que usaban minimal | low | Empieza con low y compara los resultados |
| Chatbots, atención al cliente | low | Pide al modelo una introducción de una línea para que el primer token llegue antes |
| Preguntas y respuestas con RAG | low → medium | La calidad de la recuperación importa más que el esfuerzo |
| Asistente de programación en IDE | medium | El valor predeterminado funciona |
| Corrección automática de errores, agentes SWE | high | DeepSWE muestra que high ya iguala a Astra |
| Uso de computadora, agentes de navegador | high → max | OSWorld alcanza su máximo con max |
| Investigación en segundo plano, ejecuciones largas | xhigh | Solo cuando las evaluaciones muestren una mejora. El lote reduce el costo a la mitad si no necesitas los resultados de inmediato |
| Los problemas de investigación más difíciles | max, o simplemente usa Astra | OpenAI también recomienda Astra en este caso |
Las correspondencias de none y minimal provienen de la guía de migración a GPT-6 de OpenAI.
Cambiar el esfuerzo a mitad de una conversación
Un patrón habitual es planificar con high, ejecutar con low y volver a high cuando algo falla.
El inconveniente: editar reasoning.effort en la solicitud rompe tu caché de prompts. El esfuerzo forma parte del prefijo en caché (consulta la guía de caché de prompts). En 6.1 Sol, una lectura de caché cuesta $0.10 por millón de tokens, mientras que reescribir la caché cuesta $2.50. Es una diferencia de 25×.
La familia GPT-6 resuelve esto con un elemento de entrada configuration_update. Deja sin cambios el reasoning.effort a nivel de solicitud e inserta una actualización antes del siguiente mensaje del usuario. Así se ve a través de la API de Respuestas de AIHubMix:
from openai import OpenAI
import os
client = OpenAI(
api_key=os.environ["AIHUBMIX_API_KEY"],
base_url="https://aihubmix.com/v1",
)
# Turn 1: plan at high effort
r1 = client.responses.create(
model="gpt-6.1-sol",
reasoning={"effort": "high"},
input="Figure out why this repo's tests are failing and propose a fix plan.",
)
# Turn 2: drop to low for execution, without touching request-level effort
r2 = client.responses.create(
model="gpt-6.1-sol",
reasoning={"effort": "high"}, # unchanged, so the cache survives
previous_response_id=r1.id,
input=[
{"type": "configuration_update", "reasoning": {"effort": "low"}},
{"role": "user", "content": "Carry out step 1 of the plan."},
],
)
La estructura deconfiguration_updatemostrada arriba es ilustrativa. Consulta la guía de razonamiento de OpenAI para el esquema exacto. La documentación de Responses de AIHubMix enumera actualmente cuatro niveles (de minimal a high), así que envía una pequeña solicitud de prueba para confirmar quexhigh,maxyconfiguration_updatese procesan correctamente.
Algunos límites que debes conocer:
- Solo funciona en el modo estándar de un solo agente, y solo cambia el esfuerzo.
- Dos actualizaciones no pueden ir una junto a otra.
- No se combina con la compactación ni el truncamiento automáticos. La compactación explícita está bien, pero añade una actualización nueva después.
- El campo
reasoning.effortde la respuesta sigue mostrando el valor de nivel de solicitud, así que no le des demasiada importancia.
Ajustes que acompañan al esfuerzo
Deja espacio en max_output_tokens. El límite incluye los tokens de razonamiento. Si lo estableces demasiado bajo, el modelo puede detenerse antes de producir cualquier texto visible. Recibirás status: incomplete y aun así pagarás por la entrada y el razonamiento. OpenAI sugiere reservar al menos 25,000 tokens para empezar, y más para xhigh o max.
Registra los tokens de razonamiento. Aparecen en usage.output_tokens_details.reasoning_tokens. Revisar la distribución por nivel de esfuerzo es mejor que ajustar a ojo.
Activa los resúmenes si necesitas visibilidad. reasoning.summary: "auto" devuelve un resumen del razonamiento del modelo (puede que primero necesites verificar tu organización). El razonamiento sin procesar nunca se expone.
El modo Pro es un interruptor aparte. Hace que el modelo realice más trabajo, facturado a tarifas estándar pero con más tokens en total. Úsalo para problemas difíciles en los que la latencia adicional sea aceptable.
Un proceso de ajuste que realmente puedes ejecutar
- Reúne de 20 a 50 tareas reales en un conjunto de evaluación.
- Ejecuta una línea base con
medium. Registra la tasa de éxito, el promedio de tokens de razonamiento y la latencia P95. - Prueba
low. Si el éxito apenas baja, cambia. - Prueba
high. Si el éxito mejora claramente, usa high solo para ese tipo de tarea. - Recurre a
xhighomaxsolo cuando high no sea suficiente, y compara también con GPT-6 Astra en high. A veces un modelo más grande supera a más esfuerzo. En AIHubMix eso es solo un cambio en el parámetromodel, y la lista de modelos muestra qué está disponible. - Enruta según el tipo de tarea en lugar de usar un único ajuste global.
La versión corta: empieza con medium, ahorra dinero con low, usa high para programar y haz que xhigh y max demuestren su valor en tus evaluaciones.
Próximamente: qué significa realmente la etiqueta de precio de $2 / $10 cuando intervienen el caché, el contexto largo y los multiplicadores de facturación.
Preguntas frecuentes
¿Cuál es el esfuerzo de razonamiento predeterminado de GPT-6.1 Sol? medium. Si no lo configuras, es lo que obtienes.
¿Por qué none devuelve un error? 6.1 Sol no admite none ni minimal. OpenAI recomienda cambiar a low. Si realmente necesitas none, quédate con GPT-6 Sol o GPT-6 Luna.
¿Cómo se facturan los tokens de razonamiento? A la tarifa de salida ($10 por millón para 6.1 Sol), y cuentan dentro de la ventana de contexto. Consulta usage.output_tokens_details.reasoning_tokens para ver las cifras reales.
¿El nombre del parámetro es el mismo en Chat Completions y en Responses? No. Chat Completions usa un reasoning_effort de nivel superior. Responses usa un reasoning: {"effort": ...} anidado. Confundirlos devuelve Unsupported parameter.
¿Un mayor esfuerzo siempre da mejores resultados? No. En AutomationBench, subir por encima de medium solo cambió la puntuación de 35.4% a alrededor de 36.0%, con un costo notablemente mayor. Prueba con tus propias tareas.
¿Puedo cambiar el esfuerzo a mitad de una conversación? Sí. Usa un elemento configuration_update y deja sin cambios el reasoning.effort a nivel de solicitud para que la caché de prompts siga siendo válida. No funciona con la compactación ni el truncamiento automáticos.
¿Por qué recibí status: incomplete sin salida? Lo más probable es que max_output_tokens fuera demasiado bajo y el razonamiento lo consumiera por completo. OpenAI recomienda reservar al menos 25,000 tokens.
Sigue leyendo: la serie GPT-6.1 Sol
- ¿Qué parte de tu factura corresponde al razonamiento? El esfuerzo es solo una palanca. El caché, el umbral de 272K y los descuentos de Batch determinan también la cifra final. Consulta Lo que realmente cuesta GPT-6.1 Sol: más allá de la etiqueta de $2 / $10.
- ¿Código que usaba
none? Cambiar alowes solo el comienzo. Las llamadas a herramientas, los parámetros de muestreo y la configuración de caché también necesitan cambios: Migrar a GPT-6.1 Sol: 9 cosas que pueden salir mal. - ¿Cuánto mejor es 6.1 Sol que 6 Sol y Astra? Especificaciones y benchmarks comparados en GPT-6.1 Sol vs GPT-6 Sol: una actualización de una semana que casi alcanza a Astra.
