Tecnologia além do código.
Régys Borges da Silveira

Modelos da OpenAI para programação: comparação, preços e quando usar cada um

Mesa clara de desenvolvimento com notebook mostrando um fluxo de decisão e computador com código desfocado, representando a escolha de modelos de IA para programar.
Neste artigo 16 tópicos

Escolher um modelo de inteligência artificial para programar parece simples até aparecer a conta — ou até o modelo mais barato errar uma alteração delicada. O nome mais novo nem sempre é o melhor para toda tarefa, assim como o maior preço por token não garante o menor custo por solução concluída. E há uma confusão comum: assinatura do ChatGPT ou do Codex não é a mesma coisa que cobrança pela API.

Neste guia, comparo os modelos gerais que a OpenAI apresenta como opções atuais de referência — GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna — pela perspectiva de quem escreve, revisa, explica e automatiza software. Também explico o que fazer com o GPT-5.3-Codex, que aparece em conversas e artigos recentes, mas foi descontinuado. Os preços são os publicados para a API em 2 de outubro de 2026; confira a página oficial antes de adotar um orçamento, pois modelos e tarifas mudam.

Escolher o modelo é apenas uma parte do trabalho. Para estudar como contexto, dados, ferramentas, permissões, avaliação e custos se combinam em uma solução operável, conheça IA Além da Conversa e leia a degustação gratuita na página do livro. Se o desafio é orientar as alterações de código com requisitos e critérios de aceite, SDD em Delphi oferece um percurso complementar. Essas leituras aprofundam o método, não indicam um fornecedor vencedor.

Antes de comparar: o que exatamente está sendo cobrado?

Antes dos preços, separe três conceitos. O modelo interpreta o pedido e produz uma resposta; o produto, como ChatGPT ou Codex, é o ambiente pelo qual você trabalha; o esforço de raciocínio é uma configuração disponível em determinados modelos para orientar quanto trabalho dedicar à tarefa. Usar Codex não significa necessariamente usar um modelo cujo nome contém “Codex”.

O ambiente integrado de desenvolvimento (IDE) reúne ferramentas para construir software. Um agente combina o modelo com ferramentas e um fluxo de execução, que pode fornecer arquivos, permissões e testes. A aprovação da alteração continua dependendo de critérios verificáveis e revisão humana.

Este artigo se concentra nos modelos gerais de texto relevantes para programação pela API — a interface que um sistema usa para enviar entradas e receber respostas. A cobrança variável depende dos tokens: unidades de texto, pontuação ou código que não correspondem exatamente a palavras. A tabela distingue entrada, entrada em cache (contexto repetido com preço reduzido quando aplicável) e saída produzida pelo modelo.

ChatGPT e Codex podem ter limites e cobrança próprios. Portanto, preço por token não é mensalidade nem custo total de usar esses produtos; disponibilidade e ferramentas também variam. Consulte o catálogo de modelos e a página de preços da API, sem presumir que nomes ou limites se aplicam igualmente a API e ChatGPT.

Os modelos gerais atuais, vistos por quem programa

ModeloEntrada padrão / em cache / saída por 1 milhão de tokensMelhor ponto de partida em programação
GPT-6 Astra (gpt-6-astra)US$ 10 / US$ 1 / US$ 50Problemas difíceis, requisitos ambíguos, diagnóstico profundo e fluxos longos com ferramentas
GPT-6.1 Sol (gpt-6.1-sol)US$ 2 / US$ 0,10 / US$ 10Trabalho complexo recorrente quando se busca capacidade alta com custo menor que Astra
GPT-6 Luna (gpt-6-luna)US$ 0,10 / US$ 0,01 / US$ 0,50Tarefas bem delimitadas e frequentes, triagem e processamento em volume

Deslize a tabela para os lados para ver todas as colunas.

Valores em dólares por milhão de tokens, no processamento Standard e até 272 mil tokens de entrada. Outros modos, ferramentas, impostos e câmbio não estão incluídos. Fonte: preços oficiais, consultados em 2 out. 2026.

Onde eles entram na rotina de desenvolvimento?

Entender código legado, localizar a causa de um teste que falhou, implementar uma demanda e revisar mudanças exigem combinações diferentes de modelo e raciocínio. Um diff mostra as diferenças entre versões; o modelo pode resumi-lo, levantar riscos e sugerir testes. A equipe verifica os resultados e aprova a alteração. Em Delphi ou outra base empresarial, informe versão, convenções e limites do código que pode ser modificado. A tabela prática adiante combina essas tarefas com pontos iniciais de avaliação.

GPT-6 Astra: quando a tarefa é difícil de especificar

Astra é apresentado pela OpenAI como o modelo mais capaz para trabalho exigente, incluindo raciocínio complexo e programação. Para uma equipe, isso o torna um candidato a investigar bugs que atravessam camadas, compreender uma base de código extensa, ponderar alternativas de arquitetura ou conduzir uma mudança de várias etapas com ferramentas. É também o modelo mais caro dos três na tarifa por token: a saída custa cinco vezes mais que a do Sol e cem vezes mais que a do Luna, segundo os preços padrão publicados.

Não encaminhe automaticamente todo pedido para Astra. Tarefas claras e pequenas talvez não aproveitem sua capacidade extra. Preço por token também não é custo por tarefa: compare tentativas, resultado e retrabalho no seu fluxo. A OpenAI sugere Astra como início para geração de código via API, mas recomenda testar casos representativos antes de padronizar (catálogo; guia de código).

GPT-6.1 Sol: o equilíbrio para desenvolvimento cotidiano complexo

Sol é um candidato para desenvolvimento complexo recorrente com controle de custos. A documentação descreve GPT-6.1 Sol como próximo de Astra em tarefas complexas, com custo menor. A versão 6.1 foi lançada em 29 de setembro de 2026, conforme o guia de modelos e o registro de atualizações. Esse posicionamento do fornecedor não substitui uma comparação no seu projeto.

Eu o avaliaria para revisar propostas de alteração no repositório (pull requests), implementar demandas, criar testes e depurar com contexto de projeto. “Próximo de Astra” é a caracterização da OpenAI; compare os dois na mesma tarefa e meça correção, tempo, retrabalho e custo.

GPT-6 Luna: volume e tarefas de escopo menor

Luna é a opção mais econômica da família apresentada pela OpenAI para tarefas focadas e de alto volume. Isso sugere usos como classificar relatos de erro, extrair dados de chamados de suporte, resumir alterações, explicar trechos pequenos ou fazer uma primeira triagem — especialmente quando o sistema consegue encaminhar os casos difíceis para outro modelo.

O preço baixo não faz de Luna a escolha automática para refatorações arriscadas ou defeitos que cruzam o sistema. Uma aplicação pode iniciar nele e comparar outro modelo se os critérios de qualidade não forem atendidos. Isso é uma estratégia de avaliação, não uma sequência obrigatória nem garantia de economia.

Qual nível de raciocínio usar no dia a dia?

Além do modelo, a API permite ajustar o esforço de raciocínio por reasoning.effort. Esse parâmetro orienta quanto trabalho dedicar à tarefa. Valores maiores podem ajudar em planejamento e depuração, mas tendem a elevar a latência — o tempo de resposta — e o consumo de tokens internos, faturados como saída. Modelo e esforço são escolhas distintas: mais esforço não garante acerto.

  • low (baixo): comece aqui para explicar uma função, sugerir uma alteração direta, gerar um teste simples ou corrigir uma falha localizada. É uma escolha útil quando rapidez e custo pesam e os critérios estão claros.
  • medium (médio): ponto inicial equilibrado para muita programação diária: depurar com logs, implementar uma demanda com contexto, escrever testes ou revisar um diff. GPT-6.1 Sol e Luna usam médio como padrão documentado; confirme o padrão do modelo escolhido.
  • high (alto): experimente para um defeito difícil, efeito colateral entre módulos, migração ou decisão técnica de maior impacto. Compare com médio e mantenha alto se a redução de erros e retrabalho justificar tokens e espera extras.
  • xhigh (extra alto): apropriado para fluxos mais longos ou desafiadores, como revisão de segurança, agente com várias etapas ou migração complexa, quando testes representativos demonstrarem benefício.
  • max (máximo): reserve às tarefas mais complexas e sensíveis à qualidade; compare com xhigh. O nível máximo não garante acerto e não deve ser o padrão de cada chamada.

Luna também aceita none, que desativa o esforço de raciocínio; Astra e GPT-6.1 Sol não aceitam essa opção, e GPT-6.1 Sol também não aceita minimal. Os valores dependem do modelo, conforme a documentação de raciocínio.

E “ultra”? Não é um valor de reasoning.effort nessa documentação da API. Não confunda rótulos de interfaces com parâmetros de integração: confira o produto utilizado. Ultrafast é um modo de serviço, enquanto o modo de raciocínio Pro é outro controle, independente do esforço; nenhum deles equivale ao nível máximo nem à assinatura Pro do ChatGPT.

Consulta rápida: tarefa, modelo e esforço

Estas combinações são sugestões editoriais para iniciar testes, baseadas nos perfis documentados pela OpenAI. Eleve o esforço ou troque o modelo quando resultados verificáveis indicarem necessidade. O tamanho do arquivo não determina dificuldade ou risco: uma função curta pode calcular tributos, conceder permissões ou comprometer dados.

Tarefa cotidianaComeçar comQuando comparar uma opção mais exigente
Explicar uma função ou resumir alteraçõesLuna + baixoQuando depender de vários arquivos ou regras implícitas
Implementar alteração delimitada e seus testesSol + médioQuando cruzar módulos ou revelar requisitos conflitantes
Revisar uma proposta de alteraçãoSol + médioAlto para riscos importantes; extra alto se houver benefício medido
Investigar defeito difícil ou intermitenteSol + altoAstra + alto se o diagnóstico continuar inconclusivo
Planejar refatoração ampla ou migraçãoAstra + altoExtra alto ou máximo se melhorarem o resultado nos testes

Deslize a tabela para os lados para ver todas as colunas.

Guia de escolha com perfis de Luna, Sol e Astra e um quadro que distingue modelo de esforço de raciocínio; não há sequência obrigatória entre os modelos.

Orientação inicial, não classificação de desempenho. Fonte dos preços: documentação oficial da OpenAI, consultada em 2 out. 2026.

Um roteiro prático para escolher em um projeto

  1. Defina a tarefa. Separe geração de função, correção, revisão, migração, explicação e processamento em lote.
  2. Comece pelo modelo mais econômico que parece plausível. Para extração simples ou sumarização curta, experimente Luna. Para desenvolvimento complexo do dia a dia, compare Sol. Para mudanças ambíguas ou análise técnica de alto risco, inclua Astra no teste. Esse escalonamento é uma estratégia de avaliação, não uma garantia de qualidade.
  3. Prepare testes representativos. Use a mesma tarefa para comparar configurações. Remova segredos; confira se a alteração compila, passa nos testes, preserva regras e exige menos correções manuais. Registre resultados, não apenas impressões.
  4. Meça custo por resultado aprovado. Registre tokens, cache, chamadas, tempo, falhas e revisões humanas. Uma resposta rejeitada não equivale a uma alteração pronta para revisão.
  5. Mantenha limites de segurança. Execute testes em ambiente controlado, restrinja permissões de agentes, revise diffs e nunca exponha credenciais. Teste segurança somente em sistemas autorizados.

Um pedido mais útil para quem desenvolve em Delphi

O pedido ao modelo, chamado prompt, ganha clareza quando informa ambiente, problema, restrições e critérios de aprovação, como orienta a documentação de instruções para programação. Neste caso fictício, VCL é a biblioteca de interfaces Windows do Delphi e FireDAC é sua camada de acesso a dados. Use o exemplo com o trecho real e logs sem segredos; ele é uma especificação ilustrativa, sem teste executado:

Ambiente: Delphi 12, aplicação VCL, FireDAC e PostgreSQL.
Problema: a rotina grava um pedido e seus itens. Quando um item falha,
há relatos de pedidos sem todos os itens. Analise o código e os logs
fornecidos junto deste pedido antes de concluir a causa.

Objetivo: preservar a atomicidade: ou tudo é gravado, ou nada é gravado.
Restrições: não alterar o esquema do banco, regras de negócio nem
assinaturas públicas. Não adicionar dependências sem justificar.

Separe hipóteses de evidências, indique o menor ajuste necessário e
explique seu impacto. Se faltarem informações decisivas, pergunte.
Proponha testes para sucesso, falha em um item e reversão da transação.
Informe quais testes foram executados e quais são apenas sugestões.

Eu começaria esse diagnóstico com Sol e esforço médio. Se envolver operações simultâneas disputando recursos — concorrência — ou vários módulos, compararia alto e, conforme os resultados, Astra. O critério é verificar a atomicidade com testes, incluindo a reversão da transação em caso de falha, chamada rollback.

Quando a resposta falhar

Envie o erro exato de compilação ou do teste, o resultado esperado e o trecho relevante. Reduza a alteração e complete o contexto antes de elevar o esforço. Se a resposta usar uma função inexistente, peça a referência compatível com sua versão. Se os erros persistirem com informações suficientes, compare outro nível ou modelo na mesma tarefa. Evite repetir indefinidamente o mesmo pedido: registre as tentativas e o custo até obter uma mudança aprovada.

Quanto custa uma chamada e quanto custa concluir a tarefa?

Considere uma chamada com 100 mil tokens de entrada e 20 mil de saída faturada, sem cache. Esses 20 mil incluem texto visível e raciocínio interno. Pelas tarifas padrão, custaria US$ 2,00 em Astra, US$ 0,40 em Sol e US$ 0,02 em Luna. É uma conta hipotética, não uma tarefa típica nem uma medição de desempenho.

Uma resposta curta pode custar mais do que o texto sugere. Na Responses API, interface usada para solicitar respostas aos modelos, usage.output_tokens informa o total de saída e output_tokens_details.reasoning_tokens detalha sua parcela interna; somá-la novamente duplicaria a contagem (documentação de raciocínio). Um agente pode fazer várias chamadas e usar ferramentas: meça o custo até a alteração ser aprovada, não apenas o de uma resposta.

Acima de 272 mil tokens de entrada, as tarifas de entrada/cache dobram e as de saída passam a 1,5 vez, segundo a tabela oficial. Processamento em lote e outros modos têm condições próprias. A tabela inicial não cobre todas as modalidades; confirme também eventuais tarifas de gravação de cache, isto é, armazenamento do contexto para reutilização.

Modelos com desligamento programado

“Descontinuado” não significa que a API já rejeite a chamada: o encerramento foi anunciado. GPT-5.3-Codex foi descontinuado em 1º de outubro de 2026 e será removido em 1º de abril de 2027. Isso se refere ao modelo, não ao encerramento do produto Codex (aviso oficial).

A tabela seleciona identificadores pertinentes à programação, não todos os desligamentos. Um snapshot é uma versão específica, normalmente identificada por data; um alias é um nome que pode apontar para uma versão administrada pelo fornecedor. Confira o identificador exato utilizado pela integração.

Modelo ou identificadorDesligamento anunciadoSubstituição recomendada
gpt-4.1-nano23 out. 2026gpt-5.6-luna
gpt-5-2025-08-0711 dez. 2026gpt-5.6-sol
gpt-5-mini-2025-08-0711 dez. 2026gpt-5.6-terra
gpt-5-nano-2025-08-0711 dez. 2026gpt-5.6-luna
gpt-5.3-codex1 abr. 2027gpt-6-sol
gpt-5.11 abr. 2027gpt-6-sol
gpt-5.4-nano1 abr. 2027gpt-6-luna

Deslize a tabela para os lados para ver todas as colunas.

As substituições são as registradas nos avisos oficiais, não uma classificação dos modelos atuais. GPT-6 Sol é anterior ao GPT-6.1 Sol, conforme sua página de modelo. A presença dele e da família GPT-5.6 na tabela preserva a orientação dos avisos; adotar outro modelo exige avaliação própria. Faça inventário, teste os substitutos e migre antes dos prazos. Confira novamente esta fotografia de 2 out. 2026 antes de alterar sistemas.

Limitações e cuidados ao comparar

Os preços consultados são da API, não de assinaturas, e não incluem câmbio, tributos ou ferramentas. Confirme as condições vigentes antes de orçar. O catálogo muda, e este guia não pretende enumerar todas as opções especializadas ou multimodais.

Não existe vencedor universal: o desempenho depende da linguagem, repositório, testes, instruções e ferramentas. Métricas do fornecedor ajudam a criar hipóteses, não substituem avaliação própria. Em regras fiscais, segurança e integridade de dados, mantenha revisão proporcional ao risco, mesmo quando o trecho alterado for pequeno.

Conclusão

Para escolher no cotidiano, teste Luna em tarefas delimitadas, Sol em desenvolvimento complexo recorrente e Astra quando a dificuldade justificar. Ajuste o esforço separadamente, comparando resultados antes de assumir o custo de níveis superiores. Um modelo mais caro ou mais tempo de raciocínio não dispensam contexto, testes e revisão.

A melhor configuração é a que entrega uma alteração confiável com custo e prazo aceitáveis no seu projeto. Meça o trabalho completo, incluindo tentativas e correções, e planeje a migração das integrações com desligamento anunciado. Assim, a escolha deixa de seguir apenas nomes e passa a refletir evidências do desenvolvimento real.

Se a comparação já ajudou a escolher um ponto de partida, o próximo desafio é organizar contexto, ferramentas e critérios de qualidade ao redor do modelo. Esse é o percurso de IA Além da Conversa. Consulte o sumário e a degustação gratuita na página do livro para avaliar esse aprofundamento antes de escolher sua edição.

Referências

OPENAI. Changelog. OpenAI API, set. 2026. Disponível em: https://developers.openai.com/api/docs/changelog. Acesso em: 2 out. 2026.

OPENAI. Code generation. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/guides/code-generation. Acesso em: 2 out. 2026.

OPENAI. Deprecations. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/deprecations. Acesso em: 2 out. 2026.

OPENAI. GPT-5.3-Codex model. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/models/gpt-5.3-codex. Acesso em: 2 out. 2026.

OPENAI. GPT-6 Sol model. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/models/gpt-6-sol. Acesso em: 2 out. 2026.

OPENAI. Models. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/models. Acesso em: 2 out. 2026.

OPENAI. Pricing. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/pricing. Acesso em: 2 out. 2026.

OPENAI. Prompt engineering. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/guides/prompt-engineering. Acesso em: 2 out. 2026.

OPENAI. Reasoning models. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/guides/reasoning. Acesso em: 2 out. 2026.

OPENAI. Using GPT-6. OpenAI API, [s. d.]. Disponível em: https://developers.openai.com/api/docs/guides/latest-model. Acesso em: 2 out. 2026.

SILVEIRA, Régys Borges da. IA Além da Conversa. 1. ed. 2026. Disponível em: https://livros.regys.com.br/ia-alem-da-conversa. Acesso em: 3 out. 2026.

SILVEIRA, Régys Borges da. SDD em Delphi. 1. ed. 2026. Disponível em: https://livros.regys.com.br/sdd-em-delphi. Acesso em: 3 out. 2026.

Compartilhar por e-mail

0 comentário(s)

Participe da conversa

Seu e-mail não será publicado.

Este site utiliza o Akismet para reduzir spam. Saiba como seus dados em comentários são processados.

Um próximo passo para cada interesse.

Continue estudando com os livros, acompanhe as videoaulas ou consulte as soluções para o seu projeto.

Descubra mais sobre Régys Borges da Silveira

Assine agora mesmo para continuar lendo e ter acesso ao arquivo completo.

Continuar lendo