Terra早期测评聚焦低成本电脑操作

GPT-6.1 Terra瞄准的是一类很具体的工作：看懂屏幕，在软件之间连续操作，把重复步骤做完。按原文引用的官方成绩，它在部分电脑任务中接近GPT-6 Astra，Token单价却只有后者的十分之一。

但「便宜」「快」「能力接近旗舰」不能直接画等号。网友测试已经出现耗时接近上一代4倍的例子。对程序员而言，更有用的读法是拆开看：哪些任务值得交给Terra，成本该怎么算，以及同日公布的科研成果究竟走到了哪一步。

一折的是Token价格，不是所有任务的账单

原文给出的标准API价格是：输入1美元/百万Token，缓存输入0.05美元/百万Token，输出5美元/百万Token，相比GPT-5.6 Terra减半。开发者通过gpt-6.1-terra调用；按原文说法，Plus、Pro、Enterprise及Edu用户也能在ChatGPT Work与Codex中体验。

官方最有说服力的例子来自Agents’ Last Exam。它考的是使用专业软件完成工作，例如把建筑图纸做成3D模型，或审看动画并输出带时间码的修复日志。

GPT-6.1 Terra的medium档比GPT-5.6 Terra高15个百分点，单任务成本约为三分之一。官方称，其表现与GPT-6 Astra相当，Token价格为十分之一，完成任务比GPT-6 Astra和GPT-6.1 Sol快3倍以上。

与Claude Opus 5.5相比，原文引用的另一组数据是：Token价格为四分之一，Token效率超过3倍，单任务成本约为九分之一。

这些比例描述的是不同指标。

Token单价决定每一步多少钱，任务成本还取决于走多少步、重试多少次。

DesignArena的堡垒绘制测试恰好说明这一点：Terra耗时接近上一代4倍，Token多用48%，但费用从0.077美元降至0.047美元，下降38%。原文认为画面也有改善，不过没有提供足以复核的评分细节。便宜成立，更快却没有在这个案例中成立。

电脑操作变强，不代表复杂编程全面追平

官方成绩呈现出相对一致的方向：Terra更擅长看屏幕、理解界面并执行步骤。

在MMMU-Pro中，它在所有推理强度下超过GPT-5.6 Terra；在OSWorld 2.1中，medium档超过上一代此前的最高水平。Terminal-Bench 4.0的max档任务解决率则从上一代公布的21.5%提高到50.3%。

事实性也有进步。OpenAI内部高难事实性压力测试中，低推理强度的错误率从53.6%降至16.7%，max档为4.3%。但这是特定内部测试，不能直接当成日常回答的出错概率。

网友Victor Nunez让Terra和GPT-6.1 Sol都在Fast模式下寻找、填写长表单，首次测试中Terra提前53.5秒完成。这个案例贴近实际操作，但单次演示无法说明复杂表单、多轮纠错时是否仍然领先。

综合能力则是另一回事。Artificial Analysis给Terra max档48分，排在Claude Opus 5.5、Kimi K3.1 Pro、Gemini 4 Argon、Meta Muse Wonder和GPT-6.1 Sol之后，领先Grok 4.7与MiMo-V2.6-Pro。

网友Leo列出的数据中，Sonnet 5.5为56分、Opus 5.5为58分；Terra生成速度达到283 Token/s，是Opus 5.5的3.4倍，单任务0.4美元，约为后者十五分之一。

这里的十五分之一与前面的九分之一来自不同材料，原文没有交代统一口径，不能混用。原文也明确承认，最复杂的编程、科研和深度推理仍更适合GPT-6.1 Sol与GPT-6 Astra。

三项科研结果，要把「宣布」和「确认」分开

同日的科研消息与Terra发布并列出现，但原文没有说这些结果由Terra完成，不能把它们算成Terra的能力证明。

第一项涉及调和分析。OpenAI称内部AI系统证明了所有维度的局部平滑猜想，并进一步解决Kakeya猜想和Stein限制猜想。局部平滑猜想由Christopher Sogge于1991年提出，讨论波传播时的聚焦等问题。自然语言稿和Lean形式化证明据称已经公开，结论仍需数学界确认。

第二项是对指数时间假说（ETH）的否定。它涉及3-SAT等问题能否用比通常预期更快的算法求解。原文称结果已完成Lean形式化，但这不等于解决P与NP问题，也不保证马上出现实用算法。

第三项是某些四维量子场论的存在性证明，包括量子色动力学（QCD）和纯杨-米尔斯理论。质量间隙仍未解决，因此不能说拿下了价值100万美元的完整千禧年难题。相关结果正在由David Gross等外部专家审查，纯杨-米尔斯理论的Lean形式化材料也将先交专家梳理。

Lean可以让证明在形式系统中接受机器检查，但仍要确认形式化命题、定义和假设是否准确对应所宣称的问题。它提供了更可检查的材料，不应被简化成「争议已经结束」。

我的判断

Terra的定位有吸引力：如果工作主要是识别界面、连续点击和填写内容，降低单次操作成本确实有价值。原文也给出了官方基准之外的个别案例，说明这个方向值得测试。

但「Astra级电脑操作」只在特定基准下有依据，不能扩展成整体能力等同。网友案例缺少重复次数、失败率和完整环境说明；生成质量的部分比较只给结论，没有可核查的对照数据，属于经验判断。

对于固定网页流程，我仍会先比较Playwright等脚本方案。流程稳定时，脚本通常更容易检查每一步；界面多变、需要跨软件理解时，才更能体现模型操作的价值。原文没有两者的成本与成功率对照，无法据此判断谁更划算。

能拿来做什么

• 给现有AI编程流程拆任务：将终端操作、界面验证等步骤单独评估Terra，复杂设计和深度推理继续保留更强模型作为对照。
• 用真实长表单或软件操作流程做重复测试，同时记录完成率、总耗时、Token费用和人工接管次数，再决定是否替换现有方案。
• 为固定网页任务同时保留脚本方案，比较完整任务成本，别仅凭每百万Token价格选型。
• 引用三项科研消息时保留「OpenAI称」和审查状态，并明确它们来自内部AI系统，原文未说明由Terra完成。