GPT-6.1 Terra主打低成本电脑操作

Computer Use（计算机操作）的账，不能只看模型单次回答多少钱，还得看它操作屏幕、检查结果、继续尝试的整轮成本。原文围绕 GPT-6.1 Terra 提出一个判断：便宜的执行模型负责反复操作，强推理模型负责关键复核，可能比全程使用旗舰模型更划算。

但这份材料更像完整文章的推广摘要。它列出了价格、吞吐量和榜单成绩，却没有提供测试过程或对照表。下面可以拆解它的思路；涉及发布、定价和性能的数据，只能作为原文声称的信息，不能当作已经核实的产品事实。

为什么屏幕操作更需要算整轮成本

原文称，OpenAI 推出了面向 Computer Use 的中档模型 GPT-6.1 Terra，API 标识为 gpt-6.1-terra，价格如下：

• 输入为每百万 tokens 1.00 美元。
• 输出为每百万 tokens 5.00 美元。
• 缓存输入为每百万 tokens 0.05 美元。

作者称，其推理成本约为旗舰 GPT-6 Astra 的十分之一，在推理模式下的实际吞吐量达到 90.9 tokens/秒。

这些数字想支撑的结论是：操作屏幕通常需要多轮交互，模型价格下降后，同样的预算就能容纳更多操作和检查。例如，一个任务可能经历观察页面、执行操作、检查结果，再决定下一步。成本会沿着循环累积。

真正该比较的是完成一次任务的总成本。

不过，原文没有给出 GPT-6 Astra 的具体对照价格，也没有说明「十分之一」采用了怎样的输入、输出与缓存比例。90.9 tokens/秒衡量的是生成吞吐量，无法直接回答一个页面操作任务要多久完成；页面加载、工具执行和失败重试都可能影响最终耗时。

为什么便宜模型执行，还要强模型复核

作者把 GPT-6.1 Terra 定位为高频执行者，把 Google DeepMind 的 Gemini 4 Argon 定位为深度分析与判断环节的把关者，并给出两项成绩：

• SWE-bench Verified：74.8%。
• 会计准确性测试 DualEntry：91.1%。

据此，原文提出级联流水线：先由成本较低的模型完成操作，再让更强的模型处理需要深入判断的部分。大白话讲，就是把大量重复动作与少量关键判断分开分配预算。

这套分工有工程上的合理性，但给出的证据还不足以证明具体选型。摘要没有列出 Terra 在相同测试中的成绩，没有说明测试配置，也没有给出两者在同一批 Computer Use 任务上的成功率。

作者还使用了「幻觉容忍度为零」「正式认证」这样的表述。榜单得分不能证明模型不会出错，也不能替代形式化验证。 把模型放在复核位置，并不会自动让整条流程获得可靠性保证。

我的判断

我认同作者把讨论从「模型有多强」转向「预算能支撑多少次有效执行」。对需要反复调用模型的任务，这比只盯单次价格更接近实际问题。

但「便宜执行、昂贵复核」目前只是这份摘要提出的方案，不能算已经验证的最佳实践。标题和正文承诺讨论架构创新、严格测试与模型对抗，实际提供的材料里没有架构细节、实验过程或代码，也没有足够数据支撑 Gemini 4 Argon 的领先结论。

与全程使用旗舰模型相比，级联方案可能降低调用费用，也会增加分流、上下文交接和复核成本。与固定脚本相比，模型可能更适合处理界面变化，但原文没有比较两者的稳定性与维护成本。

如果便宜模型失败后需要大量重试，或者每一步都要昂贵模型重新判断，价格优势就可能缩水。作者没有给出这些对照数据，因此这里更适合把它看作一个待测试的工程假设。

能拿来做什么

• 如果正在做浏览器或桌面操作代理，可以记录每个任务的调用轮数、输入输出 tokens、缓存命中和重试次数，再计算成功完成一次任务需要多少钱。
• 在日常 AI 编程流程中，可以小规模比较「同一模型完成执行与检查」和「两个模型分工」的效果，同时记录成功率、耗时与费用，避免只凭单价选型。
• 对代码检查，仍应让测试、类型检查等确定性工具提供证据；模型复核适合补充分析，不能仅凭一条榜单成绩承担正确性保证。
• 准备接入 gpt-6.1-terra 前，应另行确认官方可用性、价格和接口说明。这份摘要没有提供可直接实施的 Computer Use API 或调用参数。