GPT-6 Astra vs Claude Opus 5.5: cómo llenar 1M de contexto

Septiembre de 2026 nos trajo dos nuevos modelos insignia con tres semanas de diferencia. OpenAI lanzó GPT-6 Astra el 3 y 4 de septiembre, y el 22 añadió los más ligeros Sol y Luna. Ese mismo día, Anthropic publicó Claude Opus 5.5.

La mayoría de las comparativas se quedan en la tabla de benchmarks. Esta se hace una pregunta más práctica, la que aparece en cuanto usas de verdad una ventana de un millón de tokens: ¿qué metes dentro y cuánto cuesta llenarla?

Porque una ventana más grande no hace que tus fuentes sean más limpias. Solo te deja pagar por más ruido.

Las dos ventanas, lado a lado

Esto es lo que importa para trabajar con contexto largo, según las especificaciones publicadas y los precios de lista en el momento de escribir:

	Claude Opus 5.5	GPT-6 Astra
Ventana de contexto	1,000,000 tokens	1,050,000 tokens
Entrada máxima en un solo prompt	1,000,000	~922,000 (el resto se reserva para la salida)
Precio de entrada (por 1M de tokens)	$4	$10
Precio de salida (por 1M de tokens)	$20	$50
Recargo por prompt largo	Ninguno, tarifa plana	Toda la petición se factura a ~2× en entrada y 1.5× en salida por encima de 272K tokens de entrada

Hay dos cosas que saltan a la vista.

La primera: la ventana «más grande» sobre el papel no es el prompt más grande en la práctica. La ventana de Astra es un 5 % mayor, pero como una parte queda reservada para la salida, es Opus 5.5 el que acepta la entrada única más larga.

La segunda, y más importante para tu bolsillo: Astra tiene un escalón de precio en 272K tokens de entrada. Si lo cruzas, se vuelve a tarificar la petición entera, no solo el excedente. Un prompt de 280K tokens cuesta aproximadamente el doble que uno de 270K.

Esa sola cifra cambia la forma en que conviene preparar el contexto para este modelo.

Adónde se van realmente los tokens

Supón que quieres que un modelo razone sobre 40 páginas web: documentación de la competencia, algunos artículos de investigación, varios hilos de foros. La vía ingenua es pegar o descargar las páginas en bruto.

El HTML en bruto casi no es contenido. Es navegación, banners de cookies, scripts, estilos en línea, atributos de seguimiento y enlaces de pie de página repetidos en cada página. Un artículo de 5,000 palabras puede pesar fácilmente entre 30,000 y 50,000 tokens en HTML. El mismo artículo en Markdown limpio suele ser entre un 80 y un 90 % más pequeño, a menudo por debajo de 7,000 tokens.

Aplícalo a las 40 páginas:

• HTML en bruto: ~1.4M tokens. No cabe en ninguna de las dos ventanas. Empiezas a descartar páginas.
• Markdown limpio: ~250K tokens. Cabe en ambas y se queda por debajo del escalón de 272K de Astra.

Mismas fuentes, misma pregunta. Una versión ni siquiera se ejecuta; la otra funciona en cualquiera de los dos modelos, a precio base.

El ruido no solo cuesta dinero, también cuesta respuestas

Los modelos de contexto largo se han vuelto muy buenos encontrando una aguja en un pajar. Pero siguen funcionando mejor cuando hay menos paja.

Cuando la mitad del prompt son menús y texto repetitivo, se degradan tres cosas:

• La atribución. El texto de navegación repetido y los bloques de «artículos relacionados» generan falsas coincidencias. El modelo cita una barra lateral en lugar del artículo.
• La estructura. El HTML esconde la jerarquía en una sopa de div. Markdown la mantiene explícita: títulos con #, listas, tablas y bloques de código que el modelo lee de forma nativa.
• La reutilización de caché. Los dos proveedores aplican grandes descuentos a la entrada en caché. Unos archivos Markdown limpios y estables son un prefijo de caché mucho mejor que unas páginas que cambian de anuncios en cada descarga.

Una rutina sencilla para trabajar con 1M de tokens

Este es el flujo que usamos nosotros mismos, y funciona igual con cualquiera de los dos modelos:

1. Recopila una sola vez, en Markdown. Cuando leas algo que merezca la pena conservar, guárdalo como archivo .md en lugar de como marcador. Con Minibase es un clic en Chrome: la página se convierte en Markdown limpio, con título, URL de origen y fecha en el frontmatter.
2. Agrupa por proyecto. Una carpeta por cada pregunta en la que estés trabajando. Cuarenta archivos en una carpeta son un paquete de contexto.
3. Cuenta antes de enviar. Markdown hace que esto sea fiable: el tamaño del archivo dividido entre cuatro, más o menos, te da una estimación de tokens. Si apuntas a Astra, mantén el paquete por debajo de 272K.
4. Dale el paquete, no internet. Apunta el modelo a la carpeta. Con Minibase Vault conectado a Claude, Claude lee tus archivos guardados directamente a través de MCP, sin copiar y pegar.
5. Conserva el paquete para la próxima vez. El mes que viene, cuando salga el siguiente modelo, la misma carpeta seguirá funcionando sin cambios.

Entonces, ¿cuál deberías usar?

Para investigación y trabajo documental con contexto largo, las cifras publicadas hacen de Opus 5.5 la opción por defecto más sencilla: precio plano en toda la ventana, el prompt único más grande y una tarifa por token más baja. Astra es un modelo potente con ventajas reales, sobre todo en uso del ordenador, y merece la pena si ya trabajas con el ecosistema de OpenAI. Eso sí, mantén tus prompts por debajo del escalón.

Pero la conclusión honesta es que la elección del modelo importa menos que la elección de la entrada. Las dos ventanas premian la misma disciplina: menos tokens y más limpios. El equipo con 250K tokens de Markdown bien estructurado obtendrá una respuesta mejor, más rápida y más barata que el equipo que pega 900K tokens de HTML en el modelo que encabece la clasificación de esta semana.

Los modelos cambian cada pocos meses. Tus fuentes no tienen por qué hacerlo.

Lecturas relacionadas

• Markdown como contexto para LLM: por qué lo prefieren los agentes
• Context engineering es el nuevo prompt engineering
• Minibase Vault como generador de wikis para Claude