精华速览

OpenAI于10月27日推出新模型GPT-6.1 Terra，主打视觉推理、精准电脑操作和更自然的写作能力，定位速度、能力与成本的平衡。其标准API价格为每百万输入token 1美元、输出token 5美元，较GPT-5.6 Terra和GPT-6.1 Sol均低50%。在Agents’ Last Exam基准中，中等推理强度下电脑操作得分较GPT-5.6 Terra提升15个百分点，表现与旗舰GPT-6 Astra相当，但每token价格仅为后者的十分之一。高推理强度下事实错误率降至4.3%，编程任务解决率翻倍至50.3%。该模型已面向ChatGPT Work和Codex的Plus、Pro、Enterprise及Edu用户开放，旨在推动读取发票、录入数据等大批量自动化任务。

要点透视

  • GPT-6.1 Terra标准API定价为每百万输入token 1美元、每百万缓存输入token 0.05美元、每百万输出token 5美元，较GPT-5.6 Terra和GPT-6.1 Sol均低50%。
  • 在Agents’ Last Exam基准中等推理强度下，GPT-6.1 Terra电脑操作得分较GPT-5.6 Terra提高15个百分点，表现与GPT-6 Astra相当，每token价格仅为后者的十分之一。
  • 最高推理强度下，GPT-6.1 Terra的token使用效率超过Claude Opus 5.5的3倍，每token价格为后者的四分之一，单项任务成本约为后者的九分之一。
  • 在MMMU-Pro视觉推理基准各档推理强度下，GPT-6.1 Terra均优于GPT-5.6 Terra，以更低成本接近GPT-6 Astra和GPT-6.1 Sol的成绩。
  • 内部易诱发错误提示词测试中，低推理强度下错误率从GPT-5.6 Terra的53.6%降至16.7%；最高推理强度下错误率降至4.3%，较上一代下降18个百分点。
  • Terminal-Bench 4.0编程任务解决率达到50.3%，较GPT-5.6 Terra的21.5%翻倍；但OpenAI称最复杂编程任务仍建议使用GPT-6.1 Sol或GPT-6 Astra。
  • Artificial Analysis智力指数榜单上，GPT-6.1 Terra得分为48分，较GPT-5.6 Terra提升6分，领先Grok 4.7（xhigh）和Mimo-V2.6-Pro的47分，与GPT-6.1 Sol的52分接近。
  • GPT-6.1 Terra已面向ChatGPT Work和Codex中的所有Plus、Pro、Enterprise及Edu用户开放，任务完成速度比GPT-6 Astra和GPT-6.1 Sol快3倍以上。

文章拆解

OpenAI此次发布GPT-6.1 Terra，核心逻辑是在GPT-6系列内部做更精细的定位分层。Astra面向高难度推理，Sol兼顾复杂编程与推理，Luna主打快速规模化，而Terra则被放在“日常任务执行与大规模调用”的位置。其定价较GPT-5.6 Terra和GPT-6.1 Sol低50%，同时电脑操作能力在中等推理强度下追平Astra，这意味着OpenAI试图用性价比撬动Agent类任务的规模化落地——尤其是读取发票、向会计软件录入信息、填写表单等重复性工作。

从基准数据看，Terra的进步集中在三个方向：视觉推理、电脑操作和事实准确性。Agents’ Last Exam中15个百分点的提升，以及OSWorld 2.1中中等推理强度即超过上一代最高得分，说明模型在多步骤桌面任务上的可靠性有所增强。错误率从53.6%降至16.7%（低推理强度）和4.3%（最高推理强度），则直接回应了企业用户对幻觉的担忧。编程任务解决率翻倍至50.3%进一步拓展了可用场景，但OpenAI明确表示最复杂编程任务仍需Sol或Astra，说明Terra并非全能替代。

对行业而言，Terra的定价策略可能加剧中端模型市场的竞争。其token效率超过Claude Opus 5.5的3倍、单项任务成本约为后者九分之一，这组对比直接指向企业级Agent的运营成本。如果大规模自动化任务的单位成本持续下降，读取信息、操作软件、录入数据等场景的ROI将更快转正，从而扩大AI Agent的采用范围。

值得关注的变量包括：Artificial Analysis智力指数上Terra得48分，虽领先部分竞品，但仍低于Sol的52分，说明其能力上限存在取舍；高推理强度下错误率4.3%虽接近Astra和Sol，但低推理强度下16.7%的错误率仍不算低，实际部署时推理强度的选择会影响成本与可靠性平衡。此外，OpenAI称Terra达到网络安全能力的Critical阈值并保留Astra的防护措施，但具体测试细节和独立验证结果尚待确认。提示词注入防护和对齐改进的实际效果，也需要更多第三方评估。潜在风险在于，低价策略可能推动开发者将Terra用于超出其能力边界的复杂任务，导致错误率上升或任务失败，而模型在复杂编程任务上的差距仍是明确短板。

查看原文