GPT-6.1 Terra实测：速度惊人，效果却输给DeepSeek？

一、速度与效果的反差

OpenAI 新发布的 GPT-6.1 Terra 主打“快”。在 B 站 UP 主的实测中，它用 3 分多钟就交出了能玩的 3D 赛车游戏，而 DeepSeek^广告 花了近两个小时。但速度背后，效果却并不尽如人意。这期实测对比，揭示了模型定位与真实体验之间的落差。

二、模型定位与官方数据

GPT-6.1 Terra 是 GPT-6 家族的中档型号，价格每百万 Token 输入 1 美元、输出 5 美元，是 6.1 Soul 的一半，Astra 的十分之一。官方定位三件事：看图、操作电脑、写东西。基准测试上，Agent’s Last Exam 中档得分 57.6%，比上一代高 15 分；OS World 2.1 操作电脑 74.2%，超过上一代最好成绩；Terminal Bench 4.0 从 21.5% 提升到 50.3%。不过官方也承认，最复杂的编程任务仍建议交给 Soul 和 Astra。

第三方 Artificial Analysis 的独立评测中，Terra 综合智能指数 48 分，比 6.1 Soul 低 4 分，但每道题花费不到上一代的三分之一。在“不瞎编”一项上，不会的题硬猜比例从 88% 降到 38%。然而在 GDPVal 真实工作任务上，它比 Soul 和 Astra 低了 100 多分，官方宣传的“与 Astra 打平”并未完全复现。

Agent’s Last Exam 是一套面向 AI Agent（智能体）的基准测试，专门考察模型在真实、开放式任务中的自主规划与执行能力——不只是答题，而是要在多步操作中调用工具、读取文件、检索信息并做出决策。它被视为“Agent 能力”的高难度综合考卷，得分越高说明模型越能独立完成复杂工作流。文中 Terra 在该项拿到 57.6%，比上一代高 15 分，反映的是其“动手做事”能力的提升，而非单纯的知识问答水平。

OS World 则是评估模型操作图形界面（GUI）能力的基准环境，任务包括点击菜单、填写表单、跨应用切换等，模拟真人在桌面系统里完成操作。该基准的 2.1 版本提高了任务复杂度与界面多样性，因此 74.2% 的得分意味着模型在“像人一样用电脑”这一方向上已接近实用门槛。

Terminal Bench 聚焦命令行环境下的任务执行，考察模型能否在终端中编写并运行脚本、排查报错、完成文件与系统操作，是衡量“编程+运维”实战能力的基准。Terra 从 21.5% 提升到 50.3%，说明它在无人干预的命令行场景中进步显著。

GDPVal 则是一套以真实经济工作产出为标准的评测，直接拿实际岗位任务（如文档撰写、数据处理、代码交付）来打分，更贴近“能不能真的创造价值”。Terra 在此项比 Soul 和 Astra 低 100 多分，正解释了为何官方“与 Astra 打平”的说法在独立评测中没有完全复现——基准分数好看，不代表真实工作产出同等。

三、与 DeepSeek 的实测对决

UP 主在同一台电脑上对比了 GPT-6.1 Terra（Codex 桌面版，Ultra 思考强度）和 DeepSeek V4.1 Flash 1017（闲时价，Max 思考强度）。四道题涵盖 2D 小游戏、网页版我的世界、3D 赛车和 SVG 动画。

时间上，Terra 四道题全部完成不到 5 分钟，DeepSeek 最快的一道也要 1 小时 16 分，四道加起来超过 7 个半小时。花费上，DeepSeek 按闲时价算也要 1.77 美元，Terra 一共 1.07 美元——单价贵七八倍的 Terra 反而便宜了四成。原因在于 DeepSeek 每道题输出 28 万到 37 万 Token，Terra 只有 1 万到 2 万，文件体积也小一个数量级。

但效果上，DeepSeek 完成度明显更高。熊猫闯关游戏里，DeepSeek 做了三关，有气泡提示、结算卡和小剧情，手感更自然；Terra 只有一关，十几秒就跑完。网页版我的世界，Terra 画面乱晃、地图极小，物品栏只是平面方块；DeepSeek 有树有花有海有云，地图大得多，还自己反复截图调整了 39 次。3D 赛车对比更悬殊：Terra 车速慢、能开出赛道，一圈 15 秒；DeepSeek 有倒计时、飘移分数和完整赛道逻辑，视觉效果惊艳。

四、速度的秘密：想得少、等得短

Terra 的快主要来自“想得少、等得短”。第三方数据显示，Terra 每秒输出 91 个 Token，比 6.1 Soul 的 74 和 Astra 的 66 都快，但比上一代 5.6 Terra 的 135 要慢。变化最大的是首字延迟：最高档下 Soul 要先想 4 分多钟，Astra 要 6 分钟，Terra 只要 1 分多钟；中档下 1.5 秒就开始回答。再加上画少、步骤少，整体完成速度就快得多。不过也有测试发现，最高档下 Terra 想得太多，反而比 Soul 还慢一点。

DeepSeek 慢的原因则在于“写得多、测得多”。以我的世界这题为例，它一共走了 196 步，真正出字的时间只有 45 分钟，每秒 130 多个 Token 其实不慢。最花时间的是每一步开始前的等待——它把每一步的代码和截图都带在对话里，越往后越长，最后有 36 万 Token，每走一步都要重新读一遍。加上测试环境没装子任务插件，所有事都得自己从头干到尾。而 Codex 这边，Terra 每道题都会自动开两三个子任务并行。

首字延迟（Time to First Token, TTFT） 指从发出请求到模型吐出第一个 Token 的等待时间，它直接决定用户“感觉快不快”。大模型在给出答案前往往先进行一段内部推理（尤其是高思考强度档位），这段思考不产生可见输出，却会拉长首字延迟。Terra 把最高档的首字延迟从 Soul 的 4 分多钟、Astra 的 6 分钟压缩到 1 分多钟，中档甚至 1.5 秒即开始回答，这正是“体感快”的主因。

与之相对的是每秒输出 Token 数（TPS），衡量的是“说得多快”。Terra 的 91 TPS 虽高于同代两款，却低于上一代 Terra 的 135，说明它的速度优势并不在吐字速率，而在于缩短前置思考与减少总输出量。

子任务并行（Sub-agent / Task Delegation） 是 Agent 框架里的一种调度机制：主模型把大任务拆成若干子任务，分派给并行的子 Agent 同时执行，再汇总结果。Codex 桌面版会为每道题自动开两三个子任务并行推进，因此整体耗时被显著压缩。

DeepSeek 一侧因测试环境未装子任务插件，只能串行地从头做到尾；更关键的是上下文累积问题——它把每一步的代码与截图都保留在对话历史中，导致上下文越滚越长，最后达到 36 万 Token，每走一步都要重新读取整段历史，等待时间因此被成倍放大。这解释了为何它每秒吐字并不慢（130 多 TPS），总耗时却长达数小时。

五、值不值得用？

GPT-6.1 Terra 的性价比确实高，一直被吐槽的速度这次终于提上来了。操作电脑才是它的主打方向——OpenAI 员工演示过填同一张很长的网页表单，Terra 用了 53 秒，6.1 Soul 要三分多钟；官方 OS World 跑分里准确率也和 Soul 差不多。但就前端代码生成这类任务而言，实测效果一般，甚至有点像在给 DeepSeek 做宣传。

DeepSeek 做出来的东西确实更好，但你得有耐心等。OpenAI 给 Terra 的口号是“Seize it, does it”——看到就去做。至少在“快”这件事上，它确实做到了。