GPT-6.1 Terra 首发测评：不是更便宜的模型，而是把 Agent 能力做到了低价位能力做到了低价位

原创已于 2026-10-29 14:38:13 修改 · 335 阅读

本内容遵循CC 4.0 BY-SA版权协议

于 2026-10-29 14:17:55 首次发布

GPT-6.1 Terra是OpenAI新发布的高性价比Agent专用模型，主打视觉理解、电脑操作、文档与图片处理及日常代码任务。其API价格仅为GPT-6.1 Sol的三分之一，单位成本下的Agent能力显著提升，在Agents’ Last Exam等评测中较前代提升15个百分点。但工具调用需通过Responses API而非标准Chat接口，且长上下文（>272K tokens）会触发更高计价档位。适用于高频自动化、发票识别、批量代码修改等低成本规模化场景。

声明：本文全篇使用gpt-6.1-terra编写

OpenAI 最近发布了 GPT-6.1 Terra。

从命名上看，它像是 GPT-6.1 Sol 的低价版本；但从官方定位来看，Terra 并不是单纯追求“回答更快”或“价格更低”，而是重点面向：

视觉理解；
计算机操作；
多步骤办公任务；
文档与图片处理；
日常代码工作；
高并发、低成本的 Agent 场景。

现在

OpenAI 将 GPT-6.1 Terra 描述为一款兼顾视觉推理、计算机使用和自然写作的高效率模型，并称其标准 API 价格只有 GPT-5.6 Terra 和 GPT-6.1 Sol 的三分之一。

我的初步判断是：

GPT-6.1 Terra 的核心竞争力不是“所有任务都比 Astra 强”，而是用更低的价格，把视觉和 Agent 工作流的可用门槛降了下来。

如果你只是偶尔聊天，它未必是最值得关注的模型；但如果你要运行 WorkBuddy、代码 Agent、文档处理或自动化流程，Terra 值得重点测试。

一、GPT-6.1 Terra 的基本参数

目前官方模型页公开的信息如下：

项目	GPT-6.1 Terra
模型 ID	gpt-6.1-terra
输入	文本、图片
输出	文本
上下文窗口	1,050,000 tokens
最大输入	922,000 tokens
最大输出	128,000 tokens
知识截止时间	2026年6月1日
推理档位	none、low、medium、high、xhigh、max
默认推理档位	medium
Chat Completions	支持
Responses API	支持
工具调用	需要使用 Responses API
音频输入输出	不支持
视频输入输出	不支持

以上参数来自 OpenAI 的模型说明页。

这里有一个非常重要的接入细节：

Terra 支持 Chat Completions，但工具调用要求使用 Responses API。

这意味着，普通文本对话可以使用兼容 Chat Completions 的客户端；但如果你要让模型调用文件搜索、电脑操作、代码解释器或 MCP 工具，就必须确认你的客户端和中转服务是否支持 Responses API。

因此，不能简单地说：

“WorkBuddy 能接 OpenAI 兼容接口，所以一定能完整使用 GPT-6.1 Terra。”

更准确的说法应该是：

基础文本聊天：看 Chat Completions 是否兼容；
图片输入：看客户端和接口是否正确传递图片；
工具调用：看客户端是否使用 Responses API；
电脑操作：还要看工具定义、事件流和执行回传是否完整。

二、价格：Terra 真正有竞争力的地方

GPT-6.1 Terra 的标准 API 价格为：

计费项	价格
输入 token	1美元 / 100万 tokens
缓存输入	0.05美元 / 100万 tokens
输出 token	5美元 / 100万 tokens

缓存写入价格为 1.25美元 / 100万 tokens，超过 272K 输入 token 后，整次请求的输入和缓存价格会提高，输出价格也会按更高档位计算。

放到最近两个月发布或更新的模型中，可以得到下面的对比：

模型	输入 / 100万	输出 / 100万	主要定位
GPT-6.1 Terra	$1	$5	低成本视觉与 Agent
GPT-5.6 Terra	$2	$12	上一代性价比模型
GPT-6.1 Sol	$2	$10	复杂编码与专业任务
GPT-6 Astra	$10	$50	最复杂的推理和 Agent
Claude Sonnet 5.5	$2	$10	编码、办公和知识工作
Claude Opus 5.5	$4	$20	高难度开放式任务
Gemini 3.8 Flash	$0.75	$3.75	低价、多模态、长流程
Gemini 4 Argon	$2	$10	Google 体系的高端推理
Grok 4.7	$2	6	编码和知识工作

GPT-5.6 Terra、GPT-6.1 Sol、GPT-6 Astra 的价格来自 OpenAI 官方模型页；Claude、Gemini 和 Grok 的价格来自各自厂商公布的模型资料。

myapi-ai.com

按一次典型任务计算

假设一次任务使用：

100万输入 token；
20万输出 token；
不考虑缓存；
不考虑工具调用费用；
输入没有超过272K长上下文价格阈值。

那么模型费用大致如下：

这个计算只用于比较价格，不能直接当作完整任务成本。实际 Agent 任务还可能产生：

多次模型调用；
工具调用费用；
图片或文件输入费用；
自动重试；
更高推理档位；
更长的上下文；
人工复核成本。

所以，真正应该比较的是：

每个成功完成的任务需要多少钱，而不是单次每百万 token 多少钱。

三、Terra 和最近两个月模型的关系

最近两个月发布的模型非常密集。9月出现了 GPT-6 Astra、GPT-6 Sol、GPT-6 Luna、GPT-6.1 Sol、Claude Opus 5.5、Claude Sonnet 5.5、Gemini 3.8 Flash、Grok 4.7 和 DeepSeek V4.1 Flash；10月又出现了 Gemini 4 Argon、Claude Haiku 5.5、DeepSeek V4.1 Flash 更新版以及 GPT-6.1 Terra。

这几款模型并不是简单的“新旧替代关系”，更像是不同方向的分层。

1. GPT-6.1 Terra：重点是单位成本下的 Agent 能力

Terra 适合：

大批量文档处理；
发票和表格识别；
图片与商品匹配；
低成本电脑操作；
普通代码修改；
高频办公自动化；
需要重复运行的工作流。

OpenAI 官方称，Terra 在 Agents’ Last Exam 上比 GPT-5.6 Terra 高出15个百分点，在部分设置下接近 GPT-6 Astra，但价格显著更低；同时，Terra完成任务的速度被官方描述为超过 GPT-6 Astra 和 GPT-6.1 Sol 的三倍。

不过，这些是 OpenAI 自己的评测结果。不同厂商的测试环境、提示词、工具实现和停止条件可能不同，不能直接理解为跨平台的最终排名。

2. GPT-6.1 Sol：更适合复杂专业工作

GPT-6.1 Sol 的价格是每百万输入2美元、输出10美元，定位是以较低价格提供接近 Astra 的复杂编码、电脑操作和专业工作能力。

如果你的任务是：

大型代码库重构；
复杂系统设计；
长时间自动调试；
需要多轮判断的专业工作；
不能轻易接受错误的自动化流程；

Sol 仍然是更稳妥的起点。

我的理解是：

Terra 更适合“高频、规模化、预算敏感”的 Agent；Sol 更适合“复杂、关键、容错率低”的任务。

3. GPT-6 Astra：仍然是最难任务的上限选择

Astra 的标准价格为每百万输入10美元、输出50美元，明显高于 Terra。

OpenAI公布的结果显示，Astra在 Terminal-Bench 4.0、Agents’ Last Exam、GPQA Diamond、FrontierMath 和复杂电脑操作等测试中处于非常高的水平。

但 Astra 的问题也很明显：

单价高；
长流程累计费用容易上升；
不适合所有普通请求；
对高并发应用的成本压力更大。

所以，Terra 的出现并不是为了取代 Astra，而是为了让更多原本用不起 Astra 的任务，可以尝试使用接近的 Agent 工作流。

4. Claude Sonnet 5.5：Terra 最值得对比的外部竞品之一

Claude Sonnet 5.5 的标准价格是每百万输入2美元、输出10美元，和 GPT-6.1 Sol 相近。

Anthropic公布的数据显示，Sonnet 5.5 在 Terminal-Bench 4.0 上达到70.6%，在 OSWorld 2.1 上达到80.1%，同时比上一代 Sonnet 更快、更省 token。

如果你重视：

代码修改；
文档、PPT、表格生成；
长时间协作；
写作表达；
复杂项目中的沟通质量；

Sonnet 5.5 仍然很有竞争力。

Terra 的优势则更偏向：

更低的输入输出价格；
OpenAI 生态兼容；
视觉理解和电脑操作；
与现有 OpenAI SDK 和工具链衔接。

但这里不能直接拿官方分数横向下结论，因为 Anthropic 和 OpenAI 的评测环境并不完全相同。

5. Claude Opus 5.5：更适合高难度开放任务

Claude Opus 5.5 的价格为每百万输入4美元、输出20美元。

Anthropic公布的结果中，Opus 5.5 在 Terminal-Bench、GDPval、OSWorld、Chartography 和知识工作等任务上表现突出。

如果任务需要：

长时间自主分析；
复杂代码迁移；
开放式研究；
多步骤业务判断；
高质量最终交付物；

Opus 5.5 仍然是高端选项。

但如果只是批量提取字段、整理短文档或执行重复性的电脑操作，Terra 的价格结构可能更适合规模化部署。

6. Gemini 3.8 Flash：低价和多模态输入的强竞争者

Gemini 3.8 Flash 的介绍价格为每百万输入0.75美元、输出3.75美元，有效期到2026年年底；2027年起价格会上调。

它支持：

文本；
图片；
视频；
音频；
PDF；
1M输入上下文；
代码执行；
文件搜索；
函数调用；
搜索接地；
电脑操作预览。

这些能力使 Gemini 3.8 Flash 在媒体理解、长文档和低成本批处理方面很有吸引力。

如果你的主要任务是：

处理视频、音频和 PDF；
需要低价格批量分析；
使用 Google 生态工具；
构建多模态输入流水线；

Gemini 3.8 Flash 值得与 Terra 同时测试。

Terra 的优势更集中在 OpenAI 兼容生态、视觉推理和电脑使用，不是输入模态数量最多的模型。

7. Gemini 4 Argon：更偏高端推理和长输出

Gemini 4 Argon 是近两个月内发布的另一款高端模型，支持统一的1M输入输出窗口、最长可达1M token的长解码，并提供 low、medium、high 三档 thinking level。

它的介绍价格为每百万输入2美元、输出10美元，属于限时价格，后续会提高。

如果任务需要超长输出、复杂数学、长篇代码或 Google 的 Agent 体系，Argon 是需要考虑的选项。

不过，Terra 更强调“在日常电脑和办公任务中高频使用”，两者目标并不完全一致。

四、官方数据显示，Terra到底进步了多少？

1. 视觉和电脑操作

OpenAI在 Agents’ Last Exam、MMMU-Pro 和 OSWorld 2.1 等测试中强调了 Terra 的视觉推理和电脑操作能力。

其中最值得关注的不是单项分数，而是：

Terra试图把“看懂屏幕并完成操作”从高端模型能力，变成可以批量部署的能力。

这对于以下场景很重要：

自动填写后台表单；
从技术图纸中提取信息；
从发票图片中读取字段；
在办公软件中执行重复操作；
在浏览器中完成固定流程；
根据截图排查界面问题。

2. 代码能力

官方资料显示，Terra 在 Terminal-Bench 4.0 的最高推理设置下得分为50.3%，GPT-5.6 Terra 的公开分数为21.5%，提升超过一倍。

但 OpenAI 同时明确表示，对于最复杂的软件工程任务，GPT-6.1 Sol 和 GPT-6 Astra 仍然是更合适的选择。

因此，我对 Terra 编程能力的判断是：

修改一个明确函数：适合；
修复一个局部 Bug：适合；
生成脚本和小工具：适合；
多文件重构：需要测试；
复杂架构设计：优先考虑 Sol 或 Astra；
长时间自主开发：需要严格限制权限和预算。

3. 事实性和幻觉

OpenAI称，在其内部错误诱导测试中，Terra 在 low reasoning effort 下的错误率从 GPT-5.6 Terra 的53.6%下降到16.7%；在 max effort 下为4.3%。

这个结果很亮眼，但需要注意两个问题：

这是厂商内部测试，不是所有用户场景的平均错误率；
“错误率”具体如何定义，会影响不同模型的可比性。

所以，真实项目仍然应该保留：

结构化输出；
程序校验；
关键字段复核；
工具权限控制；
失败重试与人工确认。

五、Terra最大的限制：工具调用不是普通Chat接口

这是我认为开发者最容易踩坑的地方。

Terra虽然支持 Chat Completions，但官方模型页明确写着：

Tool calling requires the Responses API.

也就是说，下面两件事不是一回事：

普通文本对话成功 ≠ WorkBuddy工具任务成功
模型支持function calling ≠ 当前客户端已经接入Responses API

六、长上下文不等于无限低价

Terra和最近多款模型一样，都有超过百万级的上下文窗口。但它的价格并不是无条件保持不变。

当输入超过272K tokens时：

输入和缓存价格按更高档位计算；
输出价格也会上调；
整个请求都会受到影响。

举个简化例子：

输入：300K tokens
输出：20K tokens
模型：GPT-6.1 Terra

普通短上下文价格下：

300K × $1 / 1M = $0.30
20K × $5 / 1M = $0.10
合计：$0.40

超过272K后，按照官方规则：

输入：300K × $2 / 1M = $0.60
输出：20K × $7.5 / 1M = $0.15
合计：$0.75

这是一个不考虑缓存、工具和其他费用的简化计算。

因此，长上下文 Agent 应该主动做：

历史摘要；
文件检索；
工具结果裁剪；
上下文分层；
任务拆分；
只保留相关内容。

1M上下文是能力上限，不是建议每次都塞满。

七、我会怎样测试 GPT-6.1 Terra？

如果要做真正有参考价值的测评，不能只问模型几个常识问题。

我建议准备下面五类任务：

测试类别	示例任务	主要指标
文本写作	根据资料写一封正式邮件	可读性、事实保持、修改次数
图片理解	从发票图片提取结构化字段	字段准确率、漏项率
编程	修复一个真实项目中的Bug	一次成功率、测试通过率
Agent	在测试目录中读取并修改文件	工具成功率、越权行为、总耗时
长上下文	从300K和700K文本中检索事实	命中率、输入费用、延迟

每个模型至少跑三次，并记录：

模型
推理档位
输入 token
输出 token
缓存 token
首 token 延迟
完整响应耗时
任务是否成功
是否需要重试
人工修正时间
最终成本

最重要的指标不是单次回答长度，而是：

八、最终结论：Terra适合谁？

更适合 GPT-6.1 Sol 的场景

复杂编码；
多文件重构；
高难度专业任务；
需要更强判断能力的工作流；
对首次成功率要求较高的 Agent。

更适合 GPT-6 Astra 的场景

最复杂的推理；
深度研究；
高难度科学和工程问题；
长时间自主工作；
预算不是首要限制的任务。

更适合 Claude Sonnet 5.5 或 Opus 5.5 的场景

长时间代码协作；
高质量文档和演示文稿；
开放式研究；
需要较强表达和审阅能力的任务。

更适合 Gemini 3.8 Flash 的场景

视频、音频、PDF等多模态输入；
低成本批量分析；
Google生态工具；
大规模长流程处理。

最后的评价

GPT-6.1 Terra不是一款“全面击败所有模型”的产品。

它真正做对的事情，是把下面这个组合放到了更低价位：

视觉理解 + 电脑操作 + Agent工作流 + 大上下文 + 较低单位成本。

与其把它简单称为“便宜版GPT-6”，不如把它理解为：

面向高频自动化任务的成本优化型模型。

它的上限可能不如 Astra，它在最复杂的代码任务上也未必胜过 Sol 或 Opus 5.5；但如果你的任务可以被拆成大量明确、重复、可验证的步骤，Terra 很可能是最近两个月最值得测试的模型之一。

真正值得关注的不是：

“GPT-6.1 Terra是不是现在最强？”

而是：

在我的真实任务里，它能不能用更少的成本完成更多工作？

标签

#人工智能 #大数据 #gpt-6.1-terra #ai #最新模型