GPT-6.1 Terra 实测解析：更便宜但更慢，值得换吗？

OpenAI 发布了 GPT-6.1 Terra，官方演示里电车在软件中成型，玻璃球内的冬日村庄缓缓落雪。但真正的问题不是它能否生成惊艳片段，而是这些工作是否可用、完成需要多少成本、更强的模型在哪些场景仍不可替代。官方图表与首批独立测试给出了不同侧面的答案。

产品定位：属于工作流，而非普通聊天

一个容易被忽略的细节是：此次发布归属于 ChatGPT Work 和 Codex，而不是普通聊天界面。据 OpenAI 文档，访问权限覆盖 Plus、Pro、Business、Enterprise 和 Education 计划，工作区控制与逐步推送会影响实际可见性。开发者还可通过 API 模型标识符调用。

因此，在普通聊天窗口找不到 Tera 并不意味着故障——这是不同的产品面。理解这一点，是评估其价值的前提。

ChatGPT Work 是 OpenAI 面向企业团队的工作区产品，强调共享项目、管理员控制与数据隔离；Codex 则是其面向开发者的编程智能体环境，支持在沙盒中执行代码、调用工具并产出可运行项目。二者与普通聊天界面的关键差异在于权限模型、审计能力与可集成性——普通聊天面向个人即时问答，而 Work/Codex 面向需要留存、协作与合规审查的生产流程。因此同一模型在不同产品面中的可用性、工具集与上下文管理策略可能不同，评估时需先确认自己处于哪个入口。

官方演示：展示的是意图，不是随机样本

OpenAI 的演示展示了从请求到软件内一系列动作、最终产出可见结果的完整链条。这种工作流视角对创意工作很重要：一张有说服力的最终图无法告诉我们底层项目是否组织良好、是否可编辑、下一次修改是否容易。

这是一个经过挑选的公司演示，展示的是预期工作流，而不是模型可能尝试的所有任务的随机样本。对于三维项目，值得追问：对象是否独立？修改材质是否需要重建场景？小改动能否保留项目其余部分？这些问题区分了“欣赏演示”和“决定采用结果”。

独立创作者对比：更慢但更便宜的反例

Design Arena 尝试了一个相关场景：里斯本 Bellum Tower 的金色时刻。其公开对比要求新版 Tera 与旧版 5.6 生成建筑细节——水面、帆船、远处的桥。创作者报告 6.1 耗时接近四倍，但成本反而更低。

这组对比打破了一个常见预设：被宣传为“快”的模型未必在每个秒表测试中胜出。提示词、努力等级、工具设置和所选结果都有影响，单一场景无法定论。作者报告两次运行成本约为 0.05 美元和 0.08 美元，我们未独立复现账单。但该例说明，更便宜的 token 可以为更精细的结果留出空间，即使任务耗时更长。

另一位创作者 Mr. Tactical 发布了与 Claude Haiku 5.5 的 three.js 雪球对比，称两者均使用高努力等级和相同提示词。但即使努力设置名称相同，也不能保证不同公司间的计算量对等。这类对比应保留提示词、源文件、耗时和失败尝试，然后换一个场景再测——短视频往往会省略部分信息，我们可以欣赏结果，同时对其证据保持比例感。

Design Arena 是一个面向设计任务的公开模型对比平台，创作者提交相同提示词与素材，由不同模型生成结果并公开耗时、费用与成品。这类平台的价值在于提供官方演示之外的第三方样本，但其局限同样明显：单次运行受提示词措辞、努力等级、工具配置和结果挑选影响，且不同厂商对“高努力”的定义并不统一。因此它适合作为方向性参考，而非采购决策的充分证据；阅读时应关注是否披露了完整提示词、失败尝试和账单截图。

基准图表：方向与边界

OpenAI 发布了六个图表系列：专业计算机任务、视觉推理、桌面操作、事实错误、终端编程和科学工作流。注意量表方向——成功率越大越好，事实错误率越小越好。这些是公司报告的测量值，应视为“去哪里调查”的地图，而非单个任务的保证。

核心数字与成本口径

在 Agent's Last Exam 上，Terra 中等努力得分 57.6%，此前 Terra 为 42.6%，提升 15 个百分点。图表估算新模型每任务 29 美分，旧模型 84 美分。最高努力下达到 60%。

关键词是“任务”。每 token 价格衡量的是支付费率，而每任务成本还取决于模型做了多少工作。两者都不包含你本人检查交付物的时间。

视觉推理图表中，Terra 在最高努力下达到 85.5%。桌面操作是另一项挑战：在离线 OS World 2.1 上达到 74.2%。读屏与成功完成一系列动作相关但不可互换——熟悉的应用突然弹出对话框遮住“下一步”按钮时，理解文档只是任务的一部分。

OpenAI 的 Difficult Prompt Test 报告事实错误从低努力下的 53.6% 降至 16.7%，最高努力下为 4.3%。这些数字描述的是该测试，不是任何回答错误的概率。日常研究中，重要声明仍应追溯来源——流畅的答案可能在日期、产品限制或对比上出错。

终端编程在最高努力下为 50.3%，旧版 Terra 最高努力为 21.5%；科学终端工作流达到 58.3%。这些测试涉及用工具做事，而非仅选择答案，但仍覆盖定义好的任务和环境。分数不是智能体安全管理陌生生产系统的承诺。

“每任务成本”与“每 token 价格”是两个不同口径。每 token 价格是 API 计费费率，乘以实际消耗的输入输出 token 即得单次调用费用；而每任务成本是完成一个定义好的评估任务所消耗的总费用，包含模型在任务中多次调用、工具使用与重试的开销，因此会随模型“做多少工作”而波动。一个模型可能 token 单价更低，但因推理链更长而单任务更贵；反之亦然。两者都不计入人工检查交付物的时间，而这往往是实际工作流中最大的隐性成本。

跨公司对比：Terra 不是全能冠军

Artificial Analysis 提供了更广泛的跨公司比较。在其截取的排行榜中，Terra 最高努力得分 48，Sol 最高 52，Astra 与 Gemini 4 Argon 高努力约 53，Kimi C 3.1 Pro 为 55，而展示的 Claude Opus 和 Sonnet 配置为 58 和 57（需注意 Claude 的 fallback 条件）。这些指数值不是百分比。Terra 在成本上有竞争力，但并非总分最高的模型。

同一快照还包含 DeepSeek^广告、GLM、Qwen、Minimax、Grok、Mistral 和 Meta 模型。展示所选配置及设置和成本，比收集各发布会的孤立头条分数更有意义。

一个有用的对照：Sol 中等努力与 Terra 最高努力都四舍五入到 48，但显示的任务成本不同。相同总分不意味着相同强项。

Artificial Analysis 的独立分析让这一点更清晰：Terra 的低、中设置在智能与成本效率前沿上，更高设置位于前沿之后。最高努力下，新 Terra 比旧版提升 6 个指数点，任务成本从 1.40 美元降至 0.40 美元。其独立的 Coding Agent Index 得分为 48，Sol 为 54，Luna 为 31。这是另一套方法论，不要因为数字恰好相近就与智能分数混用。

该指数结合 10 项评估，主要是基于文本的英语套件，视觉理解和多语言能力另行测量。方法权重为：智能体 30%、编程 20%、通用任务 30%、科学推理 20%。总体提升可能掩盖某一领域的巨大变化和另一领域的小变化。采购决策应打开相关任务分解，并附上评估版本。

还有一项独立可靠性结果：在 Artificial Analysis 的私有知识测试中，幻觉率从旧版 Terra 的 88% 降至新版 38%。这里比率描述的是模型不知道答案时猜测的比例，而非所有回答错误的比例。该测试与 OpenAI 的困难提示错误图表定义不同，不可互换。令人鼓舞的是无依据猜测减少，但来源检查仍是工作的一部分。

Artificial Analysis 是一家独立模型评测机构，维护跨厂商的智能指数、成本效率前沿与编程智能体指数等多套榜单。其智能指数由多项评估加权合成（如智能体 30%、编程 20%、通用任务 30%、科学推理 20%），因此总分相近不代表强项相同；其 Coding Agent Index 采用另一套方法论，数值不可与智能指数直接混用。这类第三方榜单的价值在于统一口径下的横向比较，但评估版本、权重设置与测试语言覆盖都会影响结论，采购时应打开任务级分解而非只看总分。

API 成本算术与现实检验

标准 API 费率为每百万输入 token 1 美元、每百万输出 token 5 美元，缓存输入有单独更低费率。一个说明性任务：20,000 输入 token 和 5,000 输出 token，标准文本 token 费用为 4.5 美分。该计算不含工具费、重试和特殊定价条件，也不是实测的 Terra 运行。

设想处理 100 张发票：多数清晰，少数缺少采购订单、编号重复或手写更正。有用的结果不是 100 条自信录入，而是正确录入加上清晰的异常队列供人检查。如果助手节省 10 分钟生成工作却增加 15 分钟审查，表面节省就消失了。应测量“到检查通过结果”的时间，而非模型停止说话的时间。

模型页面还有另一区分：Terra 接受文本和图像并返回文本，可使用支持的工具，但这不使它成为原生音频或视频生成模型。上下文窗口为 100 万和 50,000 token，最大输出 128,000。大上下文是容量，不是每个细节都会被正确记住的证明。

速度获得早期关注。Ruben Soto 发布了 Terra、Sol 和 Opus 的时间与成本对比，我们将其视为创作者报告而非自身基准。在据此下结论前，应检查所用材料的质量、指令、工具、完成标准和最终项目。快速但遗漏要求的尝试，与较慢但满足要求的尝试并不等价。

系统卡也值得一看。OpenAI 在其框架下将 Terra 的网络安全能力视为关键、生物和化学能力视为高。这些是能力评估，不是每个普通用途都危险的声明。文档还报告了提示注入、范围控制和误导性完成报告的测试。评估环境可能与你的产品不同。敏感工作流应保持狭窄范围，检查有后果的动作，并核对保存结果。

更换工作流前应做的对比测试

选择一个有已知答案的小型真实任务集，加入几个困难例外。给每个模型相同的起始文件和明确要求。记录确切的模型、努力等级、工具权限、成本和耗时。在不告知模型的情况下评分保存输出。

加入一次修改请求，而不只是第一次尝试。最后一步揭示助手是否足够理解项目以继续工作，而非仅产出有说服力的第一结果。

我的解读是：Terra 在可检查结果的重复视觉和计算机任务上值得关注；更难的推理和复杂编程仍应让 Sol 和 Astra 留在对比中；其他模型家族在各自擅长领域仍相关。不必强迫每个任务都过一个模型。从可验证的小型交接开始，保持升级路径，以审查后有多少有用工作存活来评判结果。