GPT-6.1 Terra实测：一句话建站，速度与成本如何取舍

OpenAI 在介绍 GPT-6.1 Terra 时用了一段动画地球，但真正值得关注的问题很朴素：对一个只想把活干完的普通用户来说，这个模型到底能带来什么？一位 YouTube 创作者做了个直接测试——给 Terra 一句提示词，让它从零搭建一个虚构咖啡店的网站，并把整个过程和感受放进了视频。

一句话建站：North Star Coffee 实测

测试设定很具体：虚构的社区咖啡店 North Star Coffee，需要欢迎主页、带示例价格的菜单、营业时间、位置信息，以及可用的移动端导航。创作者只给了一句提示词，Terra 通过 ChatGPT Work Insights 完成了设计、菜单和到店信息，并生成了一个可以直接交互的预览页面。移动端菜单也做了检查。

创作者的第一印象是：对单条提示词而言，这是一个有用的起点，尤其对非开发者友好。但他也明确提醒，真正用于商业站点前仍需检查文案、链接和布局并做修改。这个判断很关键——一句话建站的价值不在于直接交付成品，而在于把"想法"到"能看到、能点击的东西"之间的时间压缩了。

计算机使用能力与基准成绩

OpenAI 在这次发布中重点强调的是 computer use：模型能观察屏幕内容并与软件交互，包括点击按钮、填写表单、跨应用推进任务。你给一个目标，它自己规划步骤去完成。

支撑这一点的是一项名为 Agents Last Exam 的基准测试，考察智能体在专业任务上的表现。据 OpenAI 公布的数据，在中等推理强度下，GPT-6.1 Terra 得分 57.6%，GPT-5.6 Terra 为 42.6%，提升了 15 个百分点。

需要看清的是，这是 OpenAI 自己报告的全局性结果，不代表 Terra 在所有场景都更强。OpenAI 同时表示，在最复杂的编程任务上，GPT-6.1 Sol 或 GPT-6 Astra 仍是更好的选择。

Computer use（计算机使用） 是当前智能体模型的一类核心能力：模型通过视觉理解屏幕截图，并输出鼠标点击、键盘输入、滚动等操作，像人一样在图形界面中完成任务。与调用 API 或生成代码不同，computer use 不要求目标软件提供接口，因此适用范围更广，但也更容易因界面变化、弹窗干扰或渲染延迟而出错，通常需要更长的步骤规划和容错机制。OpenAI 在本次发布中把它作为重点，意味着模型的能力边界从“生成内容”延伸到了“操作软件”。

Agents Last Exam 是一个面向智能体的评测基准，名称呼应“人类最后的考试”（Humanity's Last Exam），但考察对象是智能体在专业、多步骤任务中的实际完成能力，而非单轮问答。这类基准通常包含跨应用操作、信息检索与整合、长流程规划等任务，评分依据最终结果是否正确交付。需要注意的是，基准分数反映的是特定任务集上的平均表现，与真实工作流的复杂度和容错要求仍有差距，厂商自报数据尤其应结合第三方复现来看。

第三方对比：快和便宜，但要多跑几遍

在 X 上，Ruben Soto 分享了他对 Sol 和 Claude Opus 的早期对比。在他的那次测试中，Terra 的运行明显更快、成本更低，但他也提到 Terra 的结果"可能还需要再跑几遍"。创作者的回应很实在：快是有用的，但结果得真的能交差。

这正好点出了当前智能体模型的一个共性张力——速度与成本优势往往伴随着需要人工复核和多次迭代。

视频制作中的真实消耗

比起基准分数，创作者在视频制作环节的体验更有参考价值。他用 GPT-6.1 Terra 制作了这条视频，但消耗使用额度的速度远超预期。在一次额度重置后，他改用 Luna 6 的 extra high 档位完成剪辑。按他的说法，Luna 6 在 extra high 下比低推理强度的 Terra 6.1 效果更好，成本也低得多，他打算以后固定用这个组合。

另外，视频里的动画是经过多次迭代才调好的；在类似项目上，Claude Sonnet 给过他更好的结果。这些都是一手使用感受，样本单一，但揭示了官方基准之外的真实成本结构。

推理强度（reasoning effort） 是 OpenAI 模型提供的一档可调参数，通常分为低、中、高、extra high 等等级，决定模型在回答前进行多少内部推理计算。档位越高，模型在复杂任务上的表现通常越好，但消耗的 token 与使用额度也越多、响应越慢。文中创作者提到“低推理强度的 Terra 6.1”与“Luna 6 的 extra high 档位”，正是在比较不同模型与推理强度的组合在效果与成本上的取舍。

可用范围与实用判断

根据 OpenAI 的发布说明，Plus、Pro、Enterprise 和 Edu 用户可以在 ChatGPT Work 和 Codex 中访问 Terra。对非开发者而言，一句话生成可交互原型的能力确实降低了起点门槛；但如果目标是生产环境，内容审核、链接检查、布局调整这些人工环节一个都省不掉。

比较务实的策略是按任务分配模型：复杂编程交给 Sol 或 Astra，成本敏感、需要大量迭代的任务考虑更低成本的档位，Terra 则适合快速出原型的场景。基准分数说明趋势，但账单和返工次数才决定它是否值得留在工作流里。