OpenAI publicó el 19 de octubre de 2026 resultados de dos evaluaciones distintas de programación. En MultiLangBench, informó de una tasa media de pruebas superadas del 87,4 % para GPT-6 Astra; en la prueba de migración de COBOL, comunicó una precisión del 86,6 % para GPT-6.1 Sol con esfuerzo de razonamiento bajo. Las pruebas miden tareas diferentes, por lo que sus porcentajes no son comparables entre sí.
El análisis de GPT-6 Astra como agente publicado anteriormente por NeoTeo ofrece contexto sobre el modelo. Estas evaluaciones se centran en dos tareas concretas de programación.
MultiLangBench construye motores compatibles con SQLite
OpenAI describe MultiLangBench como una prueba en la que un modelo debe crear desde cero un motor de bases de datos compatible con SQLite en 20 lenguajes de programación. Recibe una base de datos inicial y una consulta SQL, y debe devolver una base modificada. Después, SQLite de referencia comprueba si contiene los datos esperados. Las pruebas están adaptadas de la suite de SQLite.
OpenAI informó de una media del 87,4 % para GPT-6 Astra con el máximo esfuerzo de razonamiento y del 26,8 % para GPT-5.6 Sol. La resta entre esas cifras es de 60,6 puntos porcentuales. OpenAI también señaló que Astra superó el 83 % en 19 de los 20 lenguajes y calificó COBOL como el más difícil: el modelo obtuvo un 72,1 % en ese lenguaje. Entre los resultados que detalló figuran un 85,8 % en OCaml, un 83,5 % en Fortran y un 89,4 % en Visual Basic.
OpenAI comunicó una media del 40,3 % para GPT-6 Luna con el máximo esfuerzo de razonamiento. En esa evaluación, estimó un coste medio de API de 0,77 dólares por muestra para Luna, frente a 3,48 dólares para GPT-5.6 Sol. Son costes estimados por muestra en MultiLangBench.
La migración de COBOL exige conservar las salidas
La segunda evaluación parte de programas COBOL y los migra a C++, Java, Kotlin, Python o Rust. Según OpenAI, pruebas ocultas exigen que las salidas observables coincidan byte a byte con las originales; el programa migrado solo cuenta como satisfactorio si supera todas las pruebas.
| Modelo | Esfuerzo de razonamiento | Precisión comunicada |
| GPT-6.1 Sol | Bajo | 86,6 % |
| GPT-5.6 Sol | Bajo | 5,4 % |
| GPT-6.1 Sol | Más alto | 97,9 % |
En el nivel bajo, la diferencia entre el 86,6 % de GPT-6.1 Sol y el 5,4 % de GPT-5.6 Sol es de 81,2 puntos porcentuales, calculados a partir de las cifras comunicadas por OpenAI. La empresa también indicó que el coste de GPT-6.1 Sol en esa evaluación y con ese nivel de esfuerzo equivalía al 61 % del coste de GPT-5.6 Sol.
AI Coding Daily probó tareas distintas
En un vídeo publicado el 6 de septiembre de 2026, Povilas, de AI Coding Daily, contó que GPT-6 Astra obtuvo 20 aciertos de 20 en cuatro proyectos propios. Sus pruebas incluían sincronización de datos, casos límite y conflictos entre dispositivos. El creador también ajustó manualmente la puntuación de calidad de su clasificación tras detectar problemas en la evaluación automática, que penalizaba elecciones estructurales como usar cadenas de texto en lugar de enumeraciones. Esa batería de proyectos era distinta de MultiLangBench y de la evaluación de migración de COBOL.
OpenAI sostiene que el uso de estos modelos en producción sigue requiriendo revisión experta y pruebas frente a las reglas de negocio y las dependencias del software.
