GPT-6.1 Terra骨折价发布：花十分之一的钱干旗舰的活

OpenAI 最新发布的 GPT-6.1 Terra 用一组反差强烈的数字搅动了 Agent 市场：API 价格被砍到旗舰 GPT-6 Astra 的十分之一，却在多项 Agent 任务测试中追平旗舰表现。这款被官方定位为「打工模型」的新品，究竟是让 Agent 规模化落地的天降工具，还是新一轮的成本游戏？本文结合 B 站 UP 主「阿豹」的实测分析与官方数据，拆解它的真实能力边界。

一、Terra 是什么：瞄准「执行」而非「智力」

Terra 的定位非常清晰——不做智力天花板，而是把「看得懂图、操作得了电脑、足够便宜」三件事打包。官方演示场景包括读取建筑设计图纸并生成 3D 模型、逐帧检查动画影片、为修复团队制作带时间码的记录、读取发票并自动录入财务系统。这些过去需要旗舰模型承接的重复性专业任务，正是 Terra 的主攻方向。

价格是核心武器：标准 API 输入 1 美元、输出 5 美元每百万 Token，相比上一代 5.6 Terra 直接砍半，仅为 GPT-6 Astra 的十分之一。这个定价逻辑指向明确——Agent 若要规模化铺开，光聪明没有用，必须便宜到企业愿意批量上量。

「推理强度」（reasoning effort）是理解本文数据的关键参数。在 o 系列及后续推理模型（如本代 Terra/Astra 所属世代）中，用户可以显式指定模型在作答前进行多长的内部思考链，通常分为低、中、高三档。强度越高，模型花费的 token 与时间越多，但正确率与稳定性也越高；强度越低，输出更快更省，但更容易出错或产生幻觉。这正是原文中"中等推理强度追平旗舰最高档""推理拉满后错误率降至 4.3%"等表述的背景——同一模型在不同强度下几乎是两种产品，比较跑分时必须先对齐推理强度档位，否则数字没有可比性。

二、硬指标：Agent 任务追平旗舰，速度是亮点

据 B 站 UP 主阿豹引用的测试数据，在衡量 Agent 专业任务能力的 Agent's Last Exam 中，Terra 在中等推理强度下比上一代高出 15 个百分点，单次任务成本降至约三分之一，表现追平旗舰 GPT-6 Astra。用十分之一的单价买到旗舰级执行力，是这组数据传递的核心信号。

速度方面更为突出：完成任务的速度是 Astra 和 Soul 的三倍，开发者实测单次请求可达到每秒 450 个 Token。与竞品 Claude Opus 5.5 对比，Token 使用效率超过三倍、单价仅为其四分之一，完成同类任务的成本约低九倍。视觉推理 MMMU Pro 全面超过上一代，桌面操作 OS World 2.1 用中等推理强度就达到了上一代最高档的分数。

Agent's Last Exam 是面向 AI Agent 能力的高难度评测集，与考察单轮知识问答的 HLE（Humanity's Last Exam）思路不同，它更聚焦端到端的专业任务交付：模型需要自主调用工具、读取多模态材料、完成多步骤操作并给出最终产物。文中的 MMMU Pro 则是多模态视觉理解基准的升级版，覆盖图表、图纸、科学图像等专业场景；OS World 2.1 评测的是模型直接操作桌面环境（点击、输入、跨应用切换）的完成率。这三类指标共同指向「能不能把活干完」，而非「知不知道答案」，这也是本文强调 Terra 追平的是交付测试、而非智力上限的原因。

三、两个容易被忽略的企业级进步

对企业部署而言，比跑分更关键的是幻觉与编程能力。OpenAI 内部高难度事实测试显示，上一代 5.6 Terra 在低推理强度下错误率高达 53.6%，过半回答存在问题；Terra 将这一数字压到 16.7%，推理拉满后进一步降至 4.3%，接近旗舰水平。对需要批量处理合同、技术文档的公司来说，这个降幅比任何跑分都更具说服力。

编程能力同样翻倍：终端命令行编程测试 Terminal Bench 4.0 中，Terra 在最高推理强度下拿到 50.3%，上一代仅 21.5%；科研编程测试 Terminal Bench Science 甚至超过了定位更高的 Soul，比 Claude Opus 5.5 低不到 5 个百分点，而估算成本不到后者的五分之一。

Terminal Bench 是评测模型在真实终端环境中完成命令行操作任务的基准，涵盖文件处理、Git 操作、脚本调试、系统配置等场景；其 Science 变体则把任务换成科研流程，如数据清洗、实验脚本编写与结果复现。这类基准与普通代码生成测试的区别在于：它要求模型自己执行命令、读取报错并迭代修正，更接近真实的编程 Agent 工作流。企业对这两项分数敏感，是因为命令行与脚本能力直接决定了 Agent 能否独立完成运维、批处理和自动化流水线任务，而这恰恰是「打工模型」最核心的落地场景。

四、泼冷水：追平的是交付测试，不是智力天花板

必须分清 Terra 追平的对象。它追平的是 Agent 任务交付测试，而非模型智力上限。第三方智力指数中它仅得 48 分，不敌 Kimi K3.1 Pro 的 55 分，也落后于自家的 Soul 和 Astra。OpenAI 自己也承认，最复杂的软件工程和深度研究仍需旗舰承担。

实际体验存在代价。有评测机构让 Terra 重现「理思本被轮塔的日落」，出图确实更精细，但耗时是上一代的四倍，Token 消耗多出 48%——便宜的是单价，不是总量。更扎心的对照是让 8 个 Agent 开发游戏：Terra 只用 6 分钟、花费 1.06 美元就交活，Claude Sonnet 5.5 花了一小时、18.1 美元，但后者的成品明显更好。便宜和好用，仍需取舍。

安全层面，Terra 在 OpenAI 自身框架中达到网络攻击能力的 Critical 风险等级，沿用旗舰的防护结论。它是一把好用的快刀，但不是万能刀。

「单价便宜不等于总成本低」是评估 Agent 模型时最易被忽略的一点。大模型的计费按输入与输出 token 数结算，而 Agent 任务往往需要多轮工具调用、长上下文和反复重试，单次任务消耗的 token 可能是普通对话的数十倍。若模型倾向于冗长思考或多次试错，即使每百万 token 单价只有旗舰的十分之一，总花费仍可能反超。原文中「便宜的是单价，不是总量」及重现测试多耗 48% token 的例子正说明：选型时应以单件任务的总成本与一次通过率为准，而非只看 API 标价。

五、行业解读：比的不是跑分，是单件成本

据 UP 主阿豹的分析，OpenAI 今年的产品线分工已经清晰：Astra 冲智力天花板，Soul 强调综合能力，Terra 主打高效执行，近似云计算厂商的高中低配策略。裁判标准也在变化——行业比的不是 Benchmark 分数，而是干完同一件活要多少钱、多少时间、能否稳定交付。

这一判断与 Anthropic 亏损 807 亿仍要冲 IPO 的消息形成呼应：AI 公司都在拼命压低推理成本，因为 Agent 规模化后，成本就是生死线。降价不是做慈善，而是抢企业订单的入场券。

六、三类用户的实用建议

对 ChatGPT Plus 和 Pro 用户，现在就能在 ChatGPT Work 和 Codex 中使用 Terra，同样额度可完成比上一代多一倍的活。建议先把批量读文档、整理表格、写脚本这类高频重复任务迁移过去，额度立刻变得耐用。

对 API 开发者，模型名为 GPT-6.1 Terra，重点是把 Agent 任务的单件成本压下来，批量任务可以直接切换；但高难度任务不必硬省，该用 Astra 时就用 Astra，返工一次的代价往往更大。

对观望者，价格战才刚开打。Kimi K3.1 Pro 智力指数还高出 7 分，11 月 4 日开源权重，国产模型的价格只会更狠。等等党在这个阶段并不吃亏。

旗舰负责积累经验，打工模型负责把经验变成日常。当追平旗舰的成本从一块钱变成一毛钱，真正改变的不是跑分，而是 AI 进入普通工作的速度。