GPT-5.6 já está disponível: mudanças na cobrança do cache de prompts explicadas

A OpenAI lançou oficialmente a família GPT-5.6 em 9 de julho de 2026. O AIHubMix concluiu a integração das três categorias: gpt-5.6-sol, gpt-5.6-terra e gpt-5.6-luna já estão disponíveis via Chat Completions e Responses. O lançamento também altera o mecanismo de cache de prompts e sua cobrança: as gravações no cache agora são cobradas separadamente. Este post apresenta o posicionamento das três categorias e analisa, ponto a ponto, as mudanças no cache.

O que muda com as três categorias do GPT-5.6

O GPT-5.6 revisa o esquema de nomenclatura: o número indica a geração do modelo, enquanto Sol, Terra e Luna são categorias de capacidade que podem evoluir de forma independente. Segundo as definições oficiais, o Sol é o modelo principal, o Terra é uma categoria de preço mais baixo com desempenho comparável ao GPT-5.5, e o Luna é a categoria mais rápida e de menor preço.

Em termos de capacidade, a posição oficial é: o Sol alcança resultados de ponta em tarefas de programação, trabalho com conhecimento, cibersegurança e ciência; a OpenAI o descreve como seu melhor modelo de programação até hoje e estabelece novos recordes no Terminal-Bench 2.1 e no DeepSWE; o Terra iguala o desempenho do GPT-5.5 por metade do preço. A família adiciona um nível de raciocínio máximo, e a Responses API ganha Programmatic Tool Calling e capacidades de multiagentes (Beta).

A evolução do mecanismo de cache, explicada

Antes do GPT-5.6, o cache de prompts nos modelos GPT era totalmente automático: prefixos de 1.024 tokens ou mais eram armazenados em cache automaticamente, os desenvolvedores não tinham controle sobre o que era armazenado nem por quanto tempo, e os caches eram limpos após 5–10 minutos de inatividade. A OpenAI resume as mudanças do GPT-5.6 como "cache de prompts mais previsível", com três pontos concretos:

1. A retenção passa de "tão curta quanto 5 minutos" para "no mínimo 30 minutos". O prompt_cache_options.ttl atualmente só aceita "30m"; trata-se de um mínimo garantido, e a retenção real pode ser maior.
2. Os breakpoints explícitos de cache são novidade. Definir prompt_cache_breakpoint em um bloco de conteúdo fixa o limite do cache no fim do conteúdo estável, de modo que alterações após o breakpoint não invalidam o prefixo em cache anterior a ele; com prompt_cache_options.mode definido como "explicit", apenas os breakpoints manuais são usados.
3. prompt_cache_key deixa de ser uma otimização e passa a ser um requisito oficial. A partir do GPT-5.6, o parâmetro deve ser definido para permitir uma correspondência de cache mais confiável; a OpenAI recomenda manter o tráfego por chave em cerca de 15 requisições por minuto.

Como avaliar a cobrança de gravação de cache a 1,25x

A partir do GPT-5.6, as gravações de cache são cobradas a 1,25x a taxa base de entrada, e as leituras de cache a 0,1x; nos modelos anteriores, as gravações de cache não têm taxa adicional. O texto oficial (do anúncio do GPT-5.6): "Para o GPT-5.6 e modelos posteriores, as gravações de cache são cobradas a 1,25x a taxa de entrada sem cache do modelo, enquanto as leituras de cache continuam recebendo o desconto de 90% sobre a entrada em cache."

O cálculo do ponto de equilíbrio decorre diretamente das taxas oficiais: gravar um prefixo custa 0,25x a taxa de entrada a mais do que não usar cache, e cada acerto subsequente economiza 0,9x a taxa de entrada: um prefixo reutilizado uma única vez já gera economia líquida, e quanto mais reutilização, maior a economia.

• Cargas de trabalho que claramente se beneficiam: fluxos de trabalho de agentes com prompts de sistema longos, RAG que inclui repetidamente material de referência extenso, aplicações com grandes definições de ferramentas e conversas de múltiplas rodadas que apenas acrescentam mensagens. Essas cargas têm alta reutilização de prefixo, de modo que a taxa de leitura de 0,1x predomina.
• Cargas de trabalho a observar: requisições longas e pontuais cujo prefixo nunca é reutilizado. O cache automático vem ativado por padrão, então essas requisições incorrem em uma taxa de gravação irrecuperável de 1,25x; definir prompt_cache_options.mode como "explicit" sem definir nenhum breakpoint faz com que a requisição ignore o cache por completo e não gere taxa de gravação.

Comparação: cache de prompts no GPT-5.6 e no Claude

O design de cache do GPT-5.6 converge com o cache_control do Claude em várias dimensões, com a diferença central no comportamento padrão: o GPT faz cache automaticamente, sem parâmetros obrigatórios, enquanto o Claude exige que o cache seja habilitado na requisição, seja pelo campo cache_control no nível superior (breakpoint automático) ou por breakpoints explícitos em nível de bloco de conteúdo.

A coluna do Claude reflete as regras compartilhadas por todos os modelos Claude ativos: gravações a 1,25x para o nível de 5 minutos, 2x para o nível de 1 hora, e leituras a 0,1x se aplicam de forma uniforme em toda a linha (documentação de prompt caching da Anthropic), com diferenças por modelo limitadas ao comprimento mínimo cacheável; a coluna do GPT-5.6 vem do guia de prompt caching da OpenAI.

Os limites de breakpoints, as taxas de gravação (para os níveis correspondentes) e as taxas de leitura coincidem exatamente entre os dois provedores; na prática, a mesma estratégia de estruturação de prompts, "conteúdo estático primeiro, conteúdo variável por último", se aplica a ambos. O custo de migração concentra-se na sintaxe dos parâmetros: o GPT usa prompt_cache_breakpoint + prompt_cache_key, o Claude usa cache_control.

O mesmo padrão de cache nos dois protocolos

Para o mesmo cenário de "armazenar em cache uma instrução longa e estática", seguem as implementações mínimas nos dois protocolos. Os exemplos usam gpt-5.6-sol e claude-opus-4-8. Ambos compartilham o mesmo preço base de entrada ($5/M), então os preços efetivos por token derivados das gravações de cache (1,25x) e das leituras (0,1x) também são idênticos; apenas a sintaxe difere.

O protocolo GPT define prompt_cache_key no nível superior (prefixos longos são armazenados em cache automaticamente, sem necessidade de marcador de breakpoint); o protocolo Claude define cache_control no nível superior para ativar o cache automático, passando para breakpoints em nível de bloco de conteúdo quando for necessário controle preciso sobre o limite do cache:

GPT-5.6 (Chat Completions)

curl https://aihubmix.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -d '{
    "model": "gpt-5.6-sol",
    "prompt_cache_key": "my-app-report-v1",
    "messages": [
      {
        "role": "system",
        "content": "[Static long instructions, >=1024 tokens]"
      },
      {
        "role": "user",
        "content": "Summarize the key figures."
      }
    ]
  }'

Claude (Messages)

curl https://aihubmix.com/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: $AIHUBMIX_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "claude-opus-4-8",
    "max_tokens": 1024,
    "cache_control": {"type": "ephemeral"},
    "system": "[Static long instructions, >=1024 tokens]",
    "messages": [
      {
        "role": "user",
        "content": "Summarize the key figures."
      }
    ]
  }'

Ao comparar as duas requisições, as diferenças se resumem a: o endpoint (/v1/chat/completions vs /v1/messages), os cabeçalhos de autenticação (Authorization: Bearer vs x-api-key + anthropic-version), o parâmetro de cache (prompt_cache_key no nível superior vs cache_control no nível superior) e o fato de o Claude exigir um max_tokens explícito. Ambas as requisições foram verificadas no aihubmix.com (2026-07-10): o gpt-5.6-sol retornou cached_tokens: 2816 na segunda chamada; o claude-opus-4-8 retornou cache_creation_input_tokens: 3632 na primeira chamada e cache_read_input_tokens: 3632 na segunda.

Além do formato da requisição, permanecem três diferenças em nível de mecanismo:

1. Ativação: o GPT faz cache automaticamente mesmo sem nenhum parâmetro de cache, e o prompt_cache_key melhora a confiabilidade dos acertos; o Claude exige uma declaração: um breakpoint cache_control em nível de bloco de conteúdo ou o modo automático cache_control no nível superior.
2. Campos de uso: o GPT informa as leituras de cache em prompt_tokens_details.cached_tokens; o Claude informa gravações e leituras separadamente em cache_creation_input_tokens e cache_read_input_tokens, o que facilita verificar gravações e acertos de forma independente.
3. Controle de duração: o ttl do GPT-5.6 atualmente só aceita "30m"; o Claude usa 5 minutos por padrão (renovados sem custo a cada acerto), com a opção "ttl": "1h" (gravações cobradas a 2x).

O que mudar ao trocar de modelo entre protocolos

O gateway do AIHubMix oferece suporte a chamadas entre protocolos: o endpoint compatível com OpenAI pode chamar modelos Claude (o cache_control vai diretamente nos blocos de conteúdo das mensagens no formato OpenAI; veja práticas de Prompt Caching), e o endpoint compatível com Claude /v1/messages pode chamar o GPT-5.6 (funcionamento verificado). Ao trocar de modelo, verifique três pontos:

• Altere o model para o ID do modelo de destino;
• Troque a sintaxe do parâmetro de cache: prompt_cache_key / breakpoints explícitos correspondem ao cache_control do Claude;
• Troque os nomes dos campos de uso: cached_tokens corresponde ao cache_read_input_tokens do Claude.

Caminhos recomendados para o prompt caching: modelos GPT pelo Chat Completions (o caminho de acerto de cache verificado neste post); modelos Claude funcionam por qualquer um dos protocolos.

Comparação: GPT-5.6 vs. cache do GPT anterior

As mudanças apontam numa só direção: o cache da geração anterior não cobrava taxas de escrita, mas era incontrolável, com retenção incerta; o GPT-5.6 cobra pelas escritas, mas oferece um piso de retenção garantido e controles de cache precisos. Pelas tarifas, um prefixo reutilizado mais de uma vez, em média, economiza mais do que o custo adicional de escrita; o piso de retenção de 30 minutos e os breakpoints controláveis tornam essa taxa de reutilização mais previsível.

Primeiros passos no AIHubMix

Os três níveis já estão disponíveis, com os IDs de modelo gpt-5.6-sol, gpt-5.6-terra e gpt-5.6-luna. O cache não exige configuração extra; requisições consecutivas com o mesmo prefixo longo acessam o cache:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

long_context = "You are a meticulous assistant for analyzing quarterly financial reports... [Static long instructions, >=1024 tokens]"

for i in range(2):
    completion = client.chat.completions.create(
        model="gpt-5.6-sol",
        prompt_cache_key="my-app-report-assistant-v1",
        messages=[
            {"role": "system", "content": long_context},
            {"role": "user", "content": "Summarize the key figures in one sentence."},
        ],
    )
    print(completion.usage.prompt_tokens_details)

Um valor de usage.prompt_tokens_details.cached_tokens maior que 0 na segunda chamada indica um acerto (exemplo medido: cached_tokens: 2816). Para detalhes de parâmetros, especificidades de cobrança e solução de problemas de acerto, consulte a documentação de GPT Prompt Caching.

Perguntas frequentes

Quais APIs podem chamar o GPT-5.6 no AIHubMix?

Chat Completions (/v1/chat/completions), Responses (/v1/responses) e a API Messages compatível com Claude (/v1/messages) podem chamar os modelos, e os três níveis já estão disponíveis. Para prompt caching, Chat Completions é atualmente o caminho recomendado.

Se o meu cliente não mudar nada, o que muda na cobrança após atualizar para o GPT-5.6?

O prompt caching é aplicado automaticamente por padrão: requisições cujo prefixo atinge 1.024 tokens geram um item de escrita no cache cobrado a 1,25x a taxa de entrada, e prefixos reutilizados são cobrados à taxa de leitura de 0,1x. Aplicações com alta reutilização de prefixo normalmente veem custos totais menores; requisições longas pontuais que nunca reutilizam um prefixo podem desativar o cache com o modo explícito.

Eu já usei o prompt caching do Claude. O que devo mudar para migrar para o GPT-5.6?

A estratégia de estruturação do prompt continua a mesma: conteúdo estático primeiro, conteúdo variável por último. Os parâmetros mudam de cache_control para prompt_cache_breakpoint, além de prompt_cache_key; a retenção muda dos níveis de 5 minutos/1 hora para um piso garantido de 30 minutos.

Como escolher entre os três níveis do GPT-5.6?

Segundo o posicionamento oficial: escolha o Sol para trabalho profissional complexo e tarefas de programação; escolha o Terra para cargas de trabalho do dia a dia (desempenho no nível do GPT-5.5 com metade do preço); escolha o Luna para cenários sensíveis a custo e de alto volume. Os três níveis compartilham a mesma janela de contexto e o mesmo máximo de saída, então você pode direcionar as requisições conforme a complexidade da tarefa.

Referências oficiais

As especificações dos modelos, os mecanismos de cache e as tarifas de cobrança deste post vêm das seguintes fontes oficiais:

• Anúncio do GPT-5.6 (OpenAI, 2026-07-09)
• Guia de prompt caching da OpenAI
• Preços da OpenAI
• Documentação de prompt caching da Anthropic

Documentação relacionada neste site: GPT Prompt Caching · Claude Prompt Caching · Práticas de Prompt Caching

Visite a galeria de modelos para ver os preços do GPT-5.6, ou explore mais opções de integração na central de documentação.

Última atualização: 2026-07-10