GPT-6.1 Terra 主打低成本视觉智能体

GPT-6.1 Terra 的卖点，是把视觉理解和电脑操作任务的成本压下来。按原文引用的数据，它的标准 API 单价只有 GPT-6.1 Sol 的一半，部分测试成绩接近 GPT-6 Astra，但复杂编程仍有差距。

对做 AI 自动化的程序员，这比单纯刷新跑分更有参考价值：识别截图、填写表单、处理文档，可能不必一直调用最贵的模型。不过，文中的成绩均来自 OpenAI 披露，价格优势能否转化为业务收益，还得看真实任务的成功率和重试次数。

Terra 适合接哪类任务

原文把 GPT-6.1 Terra 定位为面向大规模视觉和电脑操作的推理模型，替代 GPT-5.6 Terra，API 标识为 gpt-6.1-terra。它接受文本、图片输入，输出文本。能读图，不代表能直接生成图片。

它的上下文窗口为 1,050,000 tokens，最大输出为 128,000 tokens，知识截止日期是 2026 年 6 月 1 日。推理强度从 none 到 max，默认 medium。

工具调用要求使用 Responses API，支持 computer use、hosted shell、code interpreter、web search、file search 和 MCP。这里的电脑操作，是让模型借助工具完成界面任务，例如根据建筑图纸制作 3D 模型。官方列出的其他用途，还包括商品照片与目录条目匹配、技术图纸解读。

这些能力决定了它更值得进入视觉自动化的候选名单。原文没有给出普通前端仓库、Node 项目维护的专项测试，不能只凭这些描述，就判断它适合承担整个开发流程。

接近高端模型的成绩，花了多少钱

Agents’ Last Exam v1 是文章最有说服力的一组数据，它测试专业电脑任务。

在 medium 强度下，Terra 得分 57.6%，单任务成本 $0.29；上一代 GPT-5.6 Terra 为 42.6%、$0.84。GPT-6 Astra 同样得到 57.6%，成本却是 $4.82。

提高到 max 后，Terra 达到 60.0%，成本增至 $1.01；Claude Opus 5.5 为 63.2%、$8.82。OpenAI 还称，Terra 完成任务的速度超过 GPT-6 Astra 和 GPT-6.1 Sol 的 3 倍，但原文没有展开测速条件。

同一个模型提高推理强度，也需要重新算账。

从 medium 到 max，这项测试只提高了 2.4 个百分点，单任务成本却从 $0.29 增至 $1.01。对于批量任务，默认开最高强度未必划算。

不过，「接近」不能泛化到所有电脑任务。OSWorld 2.1 offline 中，Terra 在 medium 和 max 下分别为 66.7%、74.2%；最高强度仍低于 Sol 的 78.0%、Astra 的 80.9%，以及 Claude Sonnet 5.5 的 83.9%。

视觉推理的差距更小。MMMU-Pro Vision 上，Terra 在 max 下取得 85.5%，Sol 为 86.3%，Astra 为 86.7%。Terra 单任务成本为 $0.012，Astra 为 $0.065。对于读截图、辨认图纸这类工作，这组结果提供了尝试低价模型的理由，但不保证你的界面和文档也有相同表现。

编程提升明显，为什么仍不能直接换掉主力模型

Terminal-Bench 4.0 上，Terra 的最高成绩从上一代的 21.5% 提高到 50.3%。进步很大，但仍低于 Sol 的 55.9%、Astra 的 58.2%，也落后于 Claude Sonnet 5.5 的 70.6%。原文明确提到，OpenAI 自己也建议最复杂的编码任务使用 Sol 或 Astra。

另一项 Terminal-Bench-Science 0.1 测试里，Terra 得到 58.3%，单任务 $4.15，超过 Sol 的 57.0%、$5.47。这说明模型的相对表现会随任务集合变化，不能靠一个总榜完成选型。

事实准确性也有改善。OpenAI 内部的诱错提示集上，低推理强度的错误率由 53.6% 降到 16.7%；最高强度下降 18 个百分点，达到 4.3%。但这套题刻意诱导模型犯错，不能把 4.3% 当成生产环境的错误率。

价格同样有条件。标准 API 每百万 tokens 收费为输入 $1、缓存输入 $0.05、输出 $5；Sol 为 $2/$10，Astra 为 $10/$50。Batch 和 Flex 比标准价格便宜 50%，Fast mode 则为标准价格的 2 倍。输入超过 272K tokens 时，输入按 2 倍、输出按 1.5 倍计费。

长上下文装得下，不代表长输入仍按基础单价结算。

我的判断

我认可文章把成绩与单任务成本放在一起比较。对自动化系统，调用便宜却频繁失败，可能比贵模型一次完成更费钱。Terra 在部分测试里展示了不错的成本与成绩组合，值得列入评估名单。

但这里有两层前提。第一，榜单成绩和任务成本来自 OpenAI 自报，原文没有独立复测，也没交代完整的提示词、工具环境和重试规则；参数量与硬件同样未披露。第二，电脑任务、视觉题和终端编程是不同能力，不能用一项接近 Astra 的成绩替代其他任务的验证。

相比全部使用高端模型，按任务分配模型有降低成本的可能；相比全部换成 Terra，保留复杂任务的升级路径更稳妥。这是根据文中差异提出的工程建议，文章没有提供这几种方案的生产对照数据。

另外，它是闭源、仅由 OpenAI 托管的模型。原文称可通过 API、ChatGPT Work 和 Codex 使用，ChatGPT 覆盖 Plus、Pro、Enterprise、Edu 用户；需要自部署的团队不在它的适用范围内。

能拿来做什么

• 如果正在做截图理解、表单填写或文档处理，可以把 Terra 加入现有任务集评测，同时记录完成率、总 token、重试次数和耗时，再比较每个成功任务的实际成本。
• 在支持 Responses API 的 Node 自动化服务里，可以先用默认 medium 建立基线，再对困难任务测试 max，确认额外推理是否真的提高了完成率。
• 日常 AI 编程可以保留 Sol 或 Astra 处理复杂任务，并用自己的仓库验证 Terra 能承担哪些工作。Terminal-Bench 4.0 的差距足以提醒我们，低单价不能代替代码质量验证。
• 处理长文档前，应把 272K tokens 的计费门槛、缓存输入价格及 Batch、Flex、Fast mode 的差异纳入预算，避免直接拿 $1/$5 估算所有请求。