OpenAI推出GPT-6.1 Terra：API价格减半，专为Agent任务优化

OpenAI 正式发布 GPT-6.1 Terra，一款面向计算机操作（computer-use）与视觉能力的快速模型。该模型定价为每百万 token 输入 1 美元、输出 5 美元，官方称其在代理（Agent）任务上的性价比大幅提升——完成同一任务仅需 0.29 美元，而对比对象 GPT-6 Astra 的中等强度任务成本为 4.82 美元。

核心定位：为Agent任务而生的速度型模型

GPT-6.1 Terra 的定位非常明确：不是追求全能旗舰性能，而是聚焦于代理工作流中高频、需要快速响应的场景。据 MarkTechPost 报道，Terra 在“Agents' Last Exam”基准测试的中等强度设置下，成绩与 GPT-6 Astra 持平，但单任务成本出现了数量级差异。

对于需要循环调用模型、执行多步操作（如浏览网页、填写表单、点击界面元素）的 agent 系统而言，每次调用的成本会随着步数增加而被显著放大。Terra 将每百万 token 价格压低到 1/5 美元的区间，并以“任务成本”而非单纯的 token 单价作为衡量口径，这一定价思路本身就体现了对 agent 长链路场景的理解。

Agents' Last Exam 是一个专门评估 AI 代理在真实、多步骤工作流中端到端表现的基准测试，区别于传统静态问答或单轮推理评测。它通常要求模型在模拟或实机环境中自主规划、调用工具、操作界面并完成开放式任务，评分维度包括任务成功率、完成步数与资源消耗。所谓“中等强度设置”，一般指任务复杂度、允许的交互轮次或时间预算处于基准的中间档位，便于在不同能力档位的模型之间做可控对比。因此，在该基准上“成绩持平”意味着两个模型在任务完成质量上难分高下，而“单任务成本”差异才真正揭示效率与规模化部署的经济性。

价格结构：API单价与任务成本的双重优势

从 API 计价看，GPT-6.1 Terra 的输入价格为每百万 token 1 美元，输出价格为每百万 token 5 美元。标题中提到“Halving GPT-6.1 Sol's API Price”，说明 Terra 的定价大约为同代 Sol 模型的一半。

更值得关注的是任务级成本对比：同样是中等强度的 Agents' Last Exam 任务，Terra 的单任务成本为 0.29 美元，而 GPT-6 Astra 为 4.82 美元。这一差距并非单纯由 token 单价造成，还可能与模型在完成任务时的交互轮次、输出长度有关。换句话说，Terra 的效率优势可能在多步 agent 流程中被进一步放大。

视觉与computer-use能力是重点

Terra 被明确定义为“fast computer-use and vision model”。Computer-use 意味着模型可以直接理解屏幕截图、操作图形界面，这是当前 agent 产品落地的重要方向。视觉能力的加入让模型能够处理界面元素识别、图表理解等任务，而“fast”则指向延迟敏感型场景。

在实际应用中，这意味着开发者可以用 Terra 构建需要实时反馈的自动化工具，例如自动填写后台系统、跨应用数据搬运、页面巡检等。相比纯文本模型，具备视觉操作能力的模型在这类任务中减少了对定制接口的依赖。

Computer-use（计算机操作） 指模型通过视觉输入（如屏幕截图）理解图形用户界面，并输出点击、输入、滚动、拖拽等操作指令，从而像人一样直接使用软件，而非依赖预先封装好的 API。这类模型通常结合视觉编码器与动作预测头，在“观察—决策—执行”的循环中逐步推进任务，对延迟和动作精度都较为敏感。其优势在于可覆盖缺乏开放接口的遗留系统与跨应用流程，但同时也面临界面元素识别错误、动态布局变化和长链路误差累积等鲁棒性挑战。正因如此，computer-use 模型在真实生产环境中的稳定性往往需要额外验证。

对开发者的意义：Agent成本结构正在变化

过去一年，agent 类应用的主要瓶颈之一是推理成本。一个复杂任务可能需要数十次模型调用，旗舰模型的高单价让许多团队难以规模化部署。Terra 的出现把中等强度任务的成本压到不足 0.3 美元，这意味着同样的预算可以支撑更多并发任务或更长的自动化链路。

补充一点，目前公开信息仅覆盖了基准测试成绩与定价，关于 Terra 在真实生产环境中的稳定性、对复杂界面的鲁棒性、以及与其他厂商 computer-use 模型的横向对比，尚无更多数据。开发者在上手前应结合实际工作流做小规模验证。

市场信号：分层模型策略成为主流

Terra 的发布延续了 OpenAI 的分层产品思路：旗舰模型负责最高难度推理，轻量模型负责高频、规模化调用。此次同时提到 GPT-6.1 Sol 与 GPT-6 Astra，说明其产品线在同一代际内已形成多个价位档位。对开发者而言，模型选型不再只是“选最强”，而是需要在能力、延迟和成本之间做权衡。

从 agent 生态的角度看，价格减半与任务成本大幅下降，可能会推动更多团队从“演示级 agent”走向“可规模化部署的 agent”。真正的考验在于，Terra 能否在保持低延迟的同时，维持足够高的任务成功率。