GPT-6.1 Terra：$1/$5定价与Terminal-Bench 4.0跑分解析

OpenAI 新推出的 GPT-6.1 Terra 以每百万 token 输入 $1、输出 $5 的价格切入市场，并公布了 Terminal-Bench 4.0 上 50.3% 的厂商自报成绩。这个定价只有同门 Sol 的一半，显然意在争夺对成本敏感的开发者与批量推理场景。但跑分和价格之外，更值得关注的是它适合被路由到哪类任务，以及厂商自报数据需要打多少折扣来看。

定价策略：一半价格换什么

$1/$5 的每百万 token 定价在当前的模型梯队里属于中低价位。与 Sol 相比直接砍半，意味着 OpenAI 在同一个产品线内部划出了明确的价格分层：Sol 面向需要更强推理与更稳输出的场景，Terra 则负责承接那些对单价敏感、但对绝对能力上限要求没那么极致的请求。

这种分层对开发者的实际影响是路由决策变多了。过去在单一模型上跑所有请求，现在需要判断哪些请求可以安全地降级到 Terra。判断依据不能只看价格，还要看任务类型与容错空间。输出 token 单价是输入的五倍，说明长输出任务（如代码生成、长文写作）的成本会被放大，短输入长输出的场景尤其要算清楚账。

Terminal-Bench 4.0 的 50.3% 意味着什么

Terminal-Bench 4.0 是一个围绕终端环境任务设计的基准，考察模型在命令行操作、脚本编排、多步工具调用上的表现。Terra 拿到 50.3%，这个数字由厂商自报，没有第三方复现，解读时需要保留余地。

50% 上下的区间通常对应“能完成相当一部分任务，但在复杂多步场景下会掉链子”的水平。对于终端类任务，这意味着它可以胜任结构清晰、步骤有限的操作，但在需要长链条推理、错误恢复和环境状态跟踪的任务上，成功率会明显下滑。把它当作终端自动化的主力模型之前，最好在自己的任务集上做一轮对照测试。

厂商自报的另一个问题是评测条件不透明。prompt 设计、工具接口、重试策略都会显著影响终端任务的得分。在没有独立复现的情况下，50.3% 更适合作为相对参考，而不是绝对能力承诺。

Terminal-Bench 是近年来兴起的一类面向智能体（agent）能力的基准，与传统的单轮问答评测不同，它的任务通常要求在真实或仿真的终端环境中完成多步操作，例如读取文件、执行 shell 命令、根据输出调整下一步动作，最终达成某个可验证的目标状态。评分一般以任务完成率计算，因此分数直接反映端到端成功率，而非单步正确率。这类基准的难点在于它同时考察指令理解、工具调用格式、环境状态跟踪和错误恢复能力，任一环节出错都可能导致整条任务失败。正因如此，终端类基准的得分普遍低于同模型在代码或数学基准上的表现，50% 左右通常已属于可用但不稳健的区间。

谁应该把请求路由到 Terra

从价格与跑分的组合看，Terra 的合理定位是“高频、低风险、对单价敏感”的请求。批量文本处理、格式转换、简单脚本生成、终端里的常规命令编排，都属于可以优先考虑它的场景。这些任务单次失败的成本低，重试或人工兜底的代价小于省下来的 token 费用。

反过来，需要高可靠性的长链条任务不适合直接交给 Terra。多步终端操作一旦在中途出错，后续步骤会连锁失败，省下的单价可能被重试成本和排障时间抵消。更稳妥的做法是分层路由：简单请求走 Terra，复杂或高风险请求升级到 Sol，并在路由层设置失败回退。

模型路由（model routing）指的是在应用层根据请求特征，把每个请求动态分派给不同能力与价位的模型，而不是全局固定使用某一个模型。常见做法包括基于规则的分类（按任务类型、输入长度、是否涉及工具调用）、基于置信度的升级（先用便宜模型试跑，检测到失败信号再转交强模型），以及基于历史表现的统计路由。路由层的价值在于用加权平均成本逼近“全部用强模型”的效果，但其代价是工程复杂度上升：需要定义可量化的分流标准、监控各档位的实际成功率，并维护回退逻辑。对终端类任务而言，由于失败往往表现为状态被破坏而非显式异常，路由层还需要额外的结果校验手段，例如对关键副作用做幂等设计或事后断言。

落地前的三个检查项

第一，算清输出成本。$5 的输出单价在长输出任务上会快速累积，代码生成和长文场景要按实际输出长度估算，而不是只看输入单价。

第二，建自己的小评测集。Terminal-Bench 的 50.3% 是通用参考，你的任务分布可能与之偏离很大。抽几十条真实请求做 A/B，比看榜单更能说明问题。

第三，设计回退路径。路由到 Terra 的请求需要有明确的失败检测和升级机制，尤其是终端类任务，错误往往不会以显式报错的形式出现。

Terra 的推出反映出一个趋势：模型厂商正在用价格分层把同一产品线切成多个档位，开发者面对的不再是“选哪个模型”，而是“怎么把请求分配到不同档位”。这个转变对工程能力的要求，其实比单纯比价更高。