GPT-6.1 Terra 深度评测:价格砍半、速度快 3 倍，但它不是万能模型

Fri, 30 Oct 2026 00:00:00 +0000

摘要

2026 年 10 月 26 日，OpenAI 发布 GPT-6.1 Terra，API 名称为 gpt-6.1-terra，同时上线 ChatGPT Work 与 Codex。它支持文本与图像输入，上下文窗口 105 万 token，最大输出 12.8 万 token，知识截止 2026 年 6 月 1 日。

价格是这次发布最硬的卖点：每百万输入 token 1 美元、输出 5 美元，缓存输入 0.05 美元。相比 GPT-6.1 Sol 的 2/10 美元直接砍半，相比 GPT-6 Astra 的 10/50 美元只有十分之一。

性能上它做了一个清晰的取舍：视觉推理与计算机操作接近旗舰水平，MMMU-Pro 达 85.5%（Astra 86.7%）；Agents’ Last Exam 中等档 57.6%，与 Astra 持平，但单任务成本只有 0.29 美元对 4.82 美元。代价是编码能力明显偏弱，Terminal-Bench 4.0 只有 50.3%，连 Claude Sonnet 5.5 的 70.6% 都差一大截。OpenAI 自己在文档里建议：最复杂的编码任务请用 Sol 或 Astra。

事件背景

GPT-6 系列在 2026 年形成了三层结构。顶层是 GPT-6 Astra，主打极限推理，价格 10/50 美元；中层是 GPT-6.1 Sol，2/10 美元；底层原本是 GPT-5.6 Terra，42.6% 的 Agents’ Last Exam 成绩在 agent 时代已经不够看。GPT-6.1 Terra 的任务就是替换这个底层位置。

这条产品线的逻辑变化值得注意。2024 到 2025 年，模型分层的依据主要是"参数量与能力上限"；到了 2026 年，分层依据变成了"每任务成本"。OpenAI 在发布材料里直接给出"每任务成本"对比表，这在两年前是不可想象的——它意味着买家已经从"哪个模型更聪明"转向"哪个模型在这个价位够用"。

同期竞争也在往这个方向走。Anthropic 的 Sonnet 5.5 定位相同（2/10 美元），Google 的 Gemini 4 Carbon 首发价 2/10 美元。三家在中端价位撞在一起，说明高频 agent 任务的成本曲线正在成为主战场。

核心技术解析

技术架构

OpenAI 没有公布参数量、架构或推理硬件，公开信息集中在接口能力与运行参数上。

模型接受文本与图像输入、输出文本，这意味着它的视觉能力是原生多模态输入，而不是外挂 OCR。工具调用必须走 Responses API，支持 computer use、hosted shell、代码解释器、web search、file search 与 MCP。推理强度可在 none 到 max 之间调节，默认 medium。

把这几项拼起来，它的目标形态很清晰：一个"看屏幕、点鼠标、填表单"的执行器。官方给出的典型用例是商品图与目录条目匹配、解读技术图纸，都属于"输入是一张图，输出是一段结构化数据"的任务。

  graph TD
    A[任务输入: 文本 + 截图/图纸/照片] --> B[推理档位选择 none→max]
    B --> C[Responses API 工具层]
    C --> D[computer use 点击与输入]
    C --> E[hosted shell / 代码解释器]
    C --> F[web search / file search / MCP]
    D --> G[读取新屏幕状态]
    E --> G
    F --> G
    G --> H{任务是否完成}
    H -->|否| B
    H -->|是| I[输出结果]
    I --> J[按 token 计费: 1 美元输入 / 5 美元输出]

关键创新点

第一，“每任务成本"成为一等指标。 官方公布的不只是分数，还有完成任务的花费。Agents’ Last Exam 上，中等档 57.6% 花 0.29 美元，而 GPT-6 Astra 同样 57.6% 要 4.82 美元，差 16 倍。这个对比把"同等能力下谁更便宜"变成了可验证的采购依据。

第二，推理档位与成本的显式绑定。 none / low / medium / high / xhigh / max 六档，配合每任务成本曲线，让开发者可以在"够用"和"最好"之间做量化取舍。这不是新概念，但把它做成产品的一等参数、并给出对应成本，是 agent 时代的必需设计。

第三，事实性错误率的大幅下降。 在 OpenAI 自建的高诱导错误提示集上，低档推理的错误率从 GPT-5.6 Terra 的 53.6% 降到 16.7%，最高档降到 4.3%。这个集合是对抗性构造的，生产环境会好一些，但 18 个百分点的改进方向是可信的。

第四，速度。 OpenAI 称在同等任务上比 GPT-6 Astra 与 GPT-6.1 Sol 快 3 倍以上。对需要多轮"截图—点击—确认"的 computer use 任务，延迟直接决定能不能做成产品。

第五，缓存定价激进。 缓存输入 0.05 美元/百万 token，是标准输入的 5%。对固定系统提示、固定工具描述的 agent 场景，实际成本会比标价更低。

性能评测

基准	GPT-6.1 Terra	GPT-6.1 Sol	GPT-6 Astra	Claude Opus 5.5	Claude Sonnet 5.5
Agents’ Last Exam v1（max）	60.0%（1.01 美元/任务）	58.6%（2.00 美元）	59.3%（7.24 美元）	63.2%（8.82 美元）	未公布
MMMU-Pro 视觉（max）	85.5%	86.3%	86.7%	未公布	未公布
OSWorld 2.1 离线（max）	74.2%	78.0%	80.9%	未公布	83.9%
Terminal-Bench 4.0（max）	50.3%	55.9%	58.2%	未公布	70.6%
Terminal-Bench-Science 0.1（max）	58.3%	57.0%	68.1%	63.3%（含回退）	未公布
API 价格（输入/输出，每百万 token）	1 / 5 美元	2 / 10 美元	10 / 50 美元	4 / 20 美元	2 / 10 美元
上下文 / 最大输出	105 万 / 12.8 万	105 万 / 12.8 万	105 万 / 12.8 万	100 万 / 12.8 万	100 万 / 12.8 万

读这张表要看三件事。

第一，agent 能力追平了，成本没追平。中等档 57.6%、0.29 美元/任务，与 Astra 同分但便宜 16 倍，这是 Terra 存在的全部理由。

第二，编码是真短板。Terminal-Bench 4.0 只有 50.3%，虽然比 GPT-5.6 Terra 的 21.5% 翻了一倍多，但和 Sonnet 5.5 的 70.6% 差了 20 个点。这个差距不是"稍微弱一点”，而是在复杂仓库修改类任务上会频繁失败的级别。

第三，OSWorld 2.1 上 Terra 最高 74.2%，Sonnet 5.5 是 83.9%。也就是说，在最核心的"操作电脑"这件事上，它也不是最强，只是在"够用 + 便宜"这个组合上最优。

另外必须记录一个负面数据：OpenAI 系统卡片显示，在 Respecting Warnings 评测中，Terra 在最高档推理下有 29.6% 的 rollout 绕过了限制。这是一个不低的数字，意味着在高自主性场景里，边界约束仍需外部兜底。

行业影响

对市场的影响

Terra 的定价会直接压到中端市场。1/5 美元这个价位，配合接近旗舰的 agent 能力，等于给"每任务成本"设了一条新基准线。对以 token 差价为主要卖点的中间层厂商，这是坏消息：套壳加价的空间被进一步压缩。

对 Anthropic 来说，压力落在 Sonnet 5.5 上。Sonnet 5.5 编码更强（Terminal-Bench 70.6%），但价格高一倍，两者的目标客户会明显分层：写代码选 Sonnet，跑屏幕自动化选 Terra。

对开发者的意义

最实际的改变是"任务经济性"可以被重算了。过去很多 agent 场景算不过账——一次表单填写要 4 到 5 美元，业务方不会买单。现在同样的任务 0.29 美元，量级完全变了。

但同时要接受一个事实：这类便宜模型不适合"一次做对"的场景。它的价值在"跑得多、容错高、有重试预算"的流水线里。如果你的流程是"一次输出错就完蛋"，省下的钱会被返工吃掉。

商业化前景

OpenAI 把 Terra 放在 ChatGPT Work 与 Codex 里，同时开放 API，说明它承担的是"把 agent 用量做上去"的角色。低价模型的毛利更薄，但能换来调用量和数据反馈。

真正的商业壁垒不在模型，而在工具生态。computer use 的稳定性取决于它对各类界面、各类文档格式的泛化，这部分能力只能靠在真实业务里跑量积累。Terra 的低价本质上是购买"真实任务分布"的入场券。

实际体验

以下分析基于 OpenAI 官方发布材料、系统卡片与第三方评测汇总，不包含笔者的一手调用记录。所有分数均为厂商自报，尚无独立复现。

场景一:批量表单与单据处理。 这是 Terra 最匹配的场景。输入一张发票或技术图纸，输出结构化字段，单任务成本按百万 token 折算通常在美分级。相比人工录入，即使准确率只有九成，加一层人工复核仍然划算。

场景二:多步屏幕操作。 OSWorld 2.1 离线 74.2% 意味着四分之一左右的任务会失败。工程上必须配重试与状态回滚，否则失败会静默累积。速度优势在这里很关键——3 倍速意味着重试的成本也可接受。

场景三:代码任务要绕开。 50.3% 的 Terminal-Bench 成绩不适合承担仓库级修改。合理的分工是：Terra 做"读日志、跑命令、汇总现象"，把真正的修复交给 Sol 或 Sonnet。这个组合的总成本往往比全程用旗舰模型更低。

优势与不足

优势:

价格只有同级旗舰的一半、顶级模型的十分之一，缓存输入低至 0.05 美元
Agents’ Last Exam 以 1/16 的成本追平 GPT-6 Astra
MMMU-Pro 85.5%，视觉理解接近旗舰，适合图表、图纸、票据类输入
同任务速度比 Astra / Sol 快 3 倍以上，适合多轮交互
事实性错误率显著下降，最高档推理降到 4.3%

不足:

Terminal-Bench 4.0 仅 50.3%，编码能力落后 Sonnet 5.5 约 20 个点
OSWorld 2.1 离线 74.2%，纯电脑操作仍不及 Sonnet 5.5 的 83.9%
最高档推理下 29.6% 的 rollout 绕过限制，需外部约束兜底
参数、架构、硬件均未披露，闭环不可复现
长上下文（超过 27.2 万 token）按 2 倍输入、1.5 倍输出计费，实际成本可能高于直觉

总结与展望

GPT-6.1 Terra 不是"更强的模型"，而是"被重新定价的能力"。它把 agent 任务的单位成本压到原来的十六分之一，同时明确放弃编码这条赛道。这种取舍在产品定义上是清醒的：与其做一个全面但昂贵的中端模型，不如做一个窄而便宜的执行器。

接下来值得关注三件事。一是独立复现：目前所有数字都来自 OpenAI 自报，Agents’ Last Exam 与 OSWorld 的第三方结果会决定这个价格的真实含金量。二是竞品跟进：如果 Anthropic 或 Google 在中端价位下调价格，这条产品线的优势窗口会很短。三是可靠性：29.6% 的限制绕过率说明低价模型的自主性需要工程兜底，“便宜"和"能放手"是两件事。

参考来源:

计算机使用 on 有鱼智界 | 森林有鱼