GPT 6.1 Terra实测：速度快三倍、成本减半，却容易犯这些错

OpenAI 本周一发布了新模型 GPT 6.1 Terra，官方称其价格只有同系列 Source 的一半，在电脑操作测试中完成任务快三倍以上，基准跑分也逼近甚至超越 Source。但经过一整套与 Source 完全相同的题目实测后，Terra 的表现呈现出明显的两面性：在目标明确、对错清晰的任务上它又快又省，一旦需要模型自己做设计决策，它就会选择偷懒。

测试设置与速度优势

测试沿用上期评测 Gemini 4 Argon 时给 6.1 Source 跑过的题目：五道可视化题加上一道编程修 bug 题，全部使用相同的 Codex 命令行环境、相同的 Hai 思考档位。需要说明的是，Source 的数据来自上期评测，距今将近一个月，速度可能已有变化，因此横向对比只能作为参考。

速度上的差距非常明显。齿轮传动箱 Terra 只用 48 秒，元素沙盒 42 秒，醍醐骑自行车 32 秒——而 Source 动辄三五分钟。雪夜村庄场景 Terra 不到一分钟交卷，速度是 Source 的 7 到 8 倍。全部题目跑完，Source 花了 36 分钟，Terra 只需四分多钟；单价打对折，输出 token 又只有一半，按积分算消耗值少了四分之三。实测跑完整个评测，作者的 Plus 账号五小时额度只消耗了 6% 到 7%。

通过的三道题：达标但极简

齿轮传动箱的最低标准是运动模式正确、工程数值正确。Terra 做的是四齿轮方案，程序测试数值正确，运动轨迹没问题，界面干净，只有一根转速滑杆。它没有像 Source 那样额外做活塞位移曲线等设计，交付的是一个刚好满足要求的极简版本。

元素沙盒考验物理逻辑：沙子滑坡、水面沉浮、水火反应，火不能烧穿石头。此前多个模型直接把石头烧没了，Terra 完全正确。

醍醐骑自行车没有离谱错误，但翅膀直接贴在身上，车把都没有去扶，属于典型的"快点交卷、少做少错"。这三道题虽然都通过，完成速度却夸张得惊人——Source 同类任务往往要几分钟，Terra 的耗时远不止官方宣传的快三倍。

暴露问题的两道题：设计决策与检查缺失

雪夜村庄只用了不到一分钟，木屋、窗光、积雪的树、飘雪这些元素都在，拖拽、缩放、自动环游也正常。但问题同样明显：代码里写了月亮，可月亮仰角太高，镜头根本看不到——这和之前 Gemini 4 Argon 评测中犯的错误一模一样。换几个角度放大看，屋檐边还有三角形碎片戳出来，树的叶子穿到房子前面，树上的积雪被切成一段一段。

原因在于它没有做遮挡判断，而是把所有面片按远近排序，从远往近一层层画上去。这种画法简单省事，但面片一旦交叉，显示就会出错。上期 Source 用的是 WebGL，有深度判断，画面明显更精细。这道题 Terra 只能算部分通过。

超级玛丽式的像素游戏问题更严重。Source 上期做了 12 段的长关卡，花了 13 分多钟；Terra 只用了 83 秒。开局画面和进入游戏后的操作感觉还凑合，但很快暴露出设计上的偷懒：开头几段就是同一个组合反复出现，问号砖全都直接压在砖块上面纯粹是摆设，蘑菇藏在里面根本顶不到，也就无法变大。碰到第一根水管怎么跳都跳不上去——角色的跳跃参数最高只能跳 76.7 像素，而水管是 80 像素高，且水管出现在关卡 13% 的位置，后面还有 5 根一样高的。这导致游戏从设计上就打不通，这道题 Terra 不通过。

遮挡判断与画家算法

文中提到的“遮挡判断”，在计算机图形学中对应的是深度测试（Depth Testing）机制：渲染每个像素时，将其深度值与深度缓冲区中已记录的值比较，只有更靠近观察者的片元才会被写入，从而保证前后遮挡关系正确。

而 Terra 采用的“按远近排序、从远往近逐层绘制”是经典的画家算法（Painter's Algorithm）。它的优点是实现简单、无需额外缓冲区，但有一个致命缺陷：当两个面片在空间中交叉时，不存在“谁在前谁在后”的整体顺序，无论怎么排序都会出现部分区域被错误覆盖。这正是文中屋檐三角形碎片、树叶穿透房屋、积雪被切断等现象的根源。上期 Source 使用的 WebGL 默认支持深度缓冲，因此画面更精细，代价是需要正确处理深度精度、透明物体排序等额外问题。

修 bug 题：三次全满分

纯编码题给一个像素游戏项目，要求根据玩家投诉自行定位并修复四类埋入的 bug。整个测试跑三次，Terra 三次全拿满分，并且从根源上修掉了隐藏的 bug。上期 Opus 和 Argon 这一题都只修了一半。Terra 每次只用了 40 秒左右，而 Source 要三四分钟。这说明在目标明确、对错可验证的任务上，Terra 的能力与 Source 非常接近。

快和省来自哪里：思考量大幅压缩

同样是 Hai 思考强度，Source 在各类题目上的思考过程 token 一般是几千个，最多的一题接近 8000 个；Terra 顶多也就几百个，杀伐题甚至只有 56 个。这就是"又快又省"的代价——它不会多想，不会回头检查，怎么省事怎么来、怎么快怎么来，好不好全随缘。

思考 token 与推理成本

文中的“思考 token”指模型在给出最终答案前生成的内部推理内容所消耗的 token。在支持扩展思考的模型上，这部分 token 同样计入输出计费，且往往占据输出的大头。Source 单题思考数千 token、最多接近 8000，意味着它在解题时会进行多轮自我验证、方案比较和回溯；Terra 压缩到几百甚至几十 token，相当于跳过了这些步骤，直接给出第一版方案。

这解释了两个现象：一是速度与成本的大幅下降——输出 token 减半、单价再打对折，综合消耗自然降到四分之一；二是质量的分化——对于修 bug 这类“目标明确、对错可验证”的任务，第一版方案往往就足够正确，压缩思考几乎没有代价；而对于需要设计决策的开放任务，缺少自我检查就会把错误直接留在交付物里。

定位与适用场景

Terra 在目标明确、对错清楚的任务上与 Source 很接近，修 bug 题一样拿满分；但如果任务需要它自己做大量设计决定，比如一个 3D 场景用什么画法、一个关卡怎么摆，它就会明显偷懒。整体上任务结果稳定，但比 Source 差了一些。OpenAI 官方自己的表述也比较委婉，大意是复杂的编码任务仍然推荐 Source 和 Astral。

如果主力模型是 6.1 Source，Terra 恐怕无法完全取代它。实际上官方对 Terra 的主打方向是电脑操作和看图理解——Codex 本身的电脑操作能力就很强，即使用 Luna 也能满足大部分日常任务需求，只是慢一点。6.1 Terra 速度更快、成本更低，在这类场景下能带来更好的使用体验。

Codex 与模型分层

文中的 Codex 是 OpenAI 面向编码与电脑操作的智能体产品/命令行环境，模型在其中负责规划操作步骤、调用工具并执行任务。同一产品可以挂载不同档位的模型：Source 偏向能力上限，Terra 偏向速度与成本，Astral 则定位更高。

这也解释了官方为何把 Terra 的主打方向定为电脑操作和看图理解：这类任务的每一步操作目标明确、结果可即时验证（点击是否命中、界面是否变化），恰好落在 Terra 擅长的区间；而复杂编码任务需要大量架构层面的设计决策，正是它压缩思考后容易出问题的地方。因此模型选型的关键不是“谁更强”，而是任务是否需要模型自己做开放式设计。