ARTICLE · 1257842
OpenAI GPT-6.1 Terra正式发布
OpenAI GPT-6.1 Terra正式发布一张发票，是理解这次发布的起点。 OpenAI 在介绍 GPT-6.1 Terra 时，举的例子不是写诗，不是解奥数题，也不是生成一段惊艳的视频。 
它的原话是：让开发者有能力自动化"大量重复的工作，比如读取收到的发票，把上面的信息录入会计软件"。 这个例子朴素得近乎无聊。但恰恰是这个例子，暴露了 OpenAI 现在真正想打的那场仗。 过去两年，模型发布的核心是"更强"。参数更大、分数更高、能力边界更远。发布会上的每一张图表都在证明一件事：我们做到了别人做不到的事。 而这一次，OpenAI 的官方表述里反复出现的不是"最强"，是"成本—智能前沿"（cost-intelligence frontier）。 一句话概括这次发布：不是把天花板顶得更高，而是把地板铺得更便宜。 先厘清位置。 OpenAI 目前的主力模型分四档，从便宜到强依次是 Luna、Terra、Sol、Astra。Terra 是中间偏下的那一档，承担的是"日常高频任务"的主力角色。 有个细节很关键：2026 年 9 月 OpenAI 发布 GPT-6 系列时，Sol 和 Luna 都升级了，唯独 Terra 还留在 GPT-5.6 这一代。它掉队了整整一个版本。 这次 GPT-6.1 Terra 的发布，本质上是一次"补课"——把中间档拉回到和家族其他成员同一代的技术框架上。 补课补出了什么结果？先看价格。 
输入：每百万 Token 从 $2 降到 $1。 缓存输入：每百万 Token 从 $0.20 降到 $0.05。 输出：每百万 Token 从 $12 降到 $5。 输入价格降一半，输出价格降了近六成，缓存输入直接砍到原来的四分之一。 这个定价不是随便定的。它精准地压在了 Anthropic Claude Sonnet 5.5（$2 / $10）的一半上。 把更便宜、更快的中间档，直接怼到对手同档位的一半价格——这是典型的定价进攻，不是定价跟随。 OpenAI 自己也算了一笔账：在 ChatGPT Work 和 Codex 里，同样的用量额度，用 GPT-6.1 Terra 能完成的任务比 GPT-5.6 Terra 更多，比 GPT-6.1 Sol 或 GPT-6 Astra 明显更多。 对订阅用户来说，这意味着一件事：你的套餐更耐用了。 GPT-6.1 Terra 的副标题是"从视觉理解到行动"（From visual understanding to action）。 这句话值得拆开看。 "视觉理解"是过去两年已经解决的问题：模型能看懂图纸、看懂截图、看懂视频。但"行动"是另一回事——模型要能操作鼠标、点击按钮、在多个应用之间跳转、把事情真的做完。 这个能力业界叫 computer use，概念不新。新鲜的是 OpenAI 这次用的修饰词：fast and capable computer use at scale。 三个词，三个约束。 fast 是时延和吞吐；capable 是复杂界面的多步操作；at scale 才是真正的门槛——它意味着任务要稳定、失败要可恢复、成本要可承受、能嵌进企业现有系统。 演示和规模化之间，隔着一条很宽的沟。 OpenAI 用 Agents' Last Exam 这个基准来证明它跨过去了。测试任务相当硬核：把建筑图纸转成 3D 模型；逐镜头审看一部动画电影，为修复团队生成带时间码的日志。 结果是： 中等推理强度下，Terra 比 GPT-5.6 Terra 高出 15 个百分点，成本约为后者的三分之一；在这个基准上追平了最强的 GPT-6 Astra，而每 Token 价格只有 Astra 的十分之一。 最高推理强度下，Terra 的 Token 效率是 Claude Opus 5.5 的三倍以上，每 Token 价格是其四分之一，单任务成本约为其九分之一。第三方报道给出的具体数字是：单任务成本 $1.01，对 Claude Opus 5.5 的 $8.82。 速度上，完成任务比 GPT-6 Astra 和 GPT-6.1 Sol 快三倍以上。 在 OSWorld 2.1（测试智能体操作桌面应用完成多步任务）上，中等推理强度就超过了 GPT-5.6 Terra 的最好成绩，而单任务成本只是后者的一小部分。 在 MMMU-Pro 视觉推理基准上，每一个推理档位都优于 GPT-5.6 Terra，并接近 GPT-6 Astra 和 GPT-6.1 Sol。 这里必须加一句提醒：以上全部数据来自 OpenAI 自己的测试，属于厂商自述，独立第三方复现结果尚未出现。这个行业里，自述成绩和落地成绩之间，通常存在折扣。 但即使打个折，方向也是明确的：计算机操作正在从"能演示"走向"能批量跑"。 这一组数据，我认为是整场发布里最有分量的一组。 流程自动化有一个残酷的现实：一个任务跑一万次，错 1% 就是一百次事故。而在财务、法务、医疗这类场景里，错一百次是不可接受的。 所以决定自动化能不能落地的，从来不是"快不快"，而是"错不错"。 OpenAI 今年在降低幻觉上投入很大，这次给出了内部"诱导性错误提示词"基准的结果： 低推理强度下，错误率从 GPT-5.6 Terra 的 53.6% 降到 GPT-6.1 Terra 的 16.7%，下降近 37 个百分点。 最高推理强度下，错误率再降 18 个百分点，到 4.3%，最高档的前代数据是 22.3%。这个数字已经接近 GPT-6 Astra 和 GPT-6.1 Sol 的水平。 从 53.6% 到 4.3%，这不是优化，这是量级变化。 它把一个"必须人工复核"的模型，变成了一个"可以抽检复核"的模型。这两个状态之间的差别，决定了一个自动化流程值不值得上线。 编码能力同步大幅改善。 Terminal-Bench 4.0 测试编码智能体通过命令行解决问题的能力，比如修复一个加载时布局发生偏移的网页。最高推理强度下，GPT-6.1 Terra 解决了 50.3% 的任务，是 GPT-5.6 Terra 已发布成绩 21.5% 的两倍多。 有意思的是，OpenAI 在同一段里主动补了一句：对于最复杂的编码任务，GPT-6.1 Sol 和 GPT-6 Astra 仍然是更好的选择。 厂商在发布会上主动承认自己不是最强，这是很罕见的诚实。也说明 OpenAI 已经很清楚自己在卖什么——它卖的不是巅峰能力，是性价比。 在 Terminal-Bench-Science 0.1（用代码执行科研任务，比如在延时视频里追踪细胞分裂）上，Terra 以更低成本超过了 GPT-6.1 Sol，与 Claude Opus 5.5 的差距在 5 分以内，而成本不到其估计成本的五分之一。 第三方 Artificial Analysis 的编码智能体指数 v2.0 给出 Terra 48 分，GPT-6 Luna 31 分，GPT-6.1 Sol 54 分。同一机构认为，Terra 在低推理和超高推理两档配置下，都处在成本效率前沿上。 我们来算一笔最朴素的账。 一家公司每月要处理 20 万张发票。假设每张发票的输入处理约 4 万 Token、输出约 1000 Token。 用 GPT-5.6 Terra：输入 8 亿 Token × $2 = $1600，输出 2 亿 Token × $12 = $2400，合计约 $4000。 用 GPT-6.1 Terra：输入 8 亿 Token × $1 = $800，输出 2 亿 Token × $5 = $1000，合计约 $1800。 每月省下约 2200 美元，一年约 2.6 万美元。 这还只是把价格从"能做"降到"划算做"。真正的分水岭在下面： 当单任务成本降到 $1.01 这个量级，一大批过去算不过账的场景，突然就算得过账了。 审一份长合同、核对一批报关单、处理一柜子的理赔材料、给几千条客服工单分类归档——这些事过去不是 AI 做不到，是做的成本比人工贵，或者贵得不多，不值得为此改造流程。 价格每降一个量级，就会有一批新的场景从"不值得自动化"翻到"值得自动化"。 这就是为什么我说竞争重心在迁移。 模型能力的比拼，比的是谁能做到别人做不到的事；单位经济模型的比拼，比的是谁能让更多的事变得值得做。 后者的市场远大于前者。 还有一个容易被忽略的细节：缓存输入从 $0.20 降到 $0.05。 这个价格是给"重复上下文"准备的。当一个智能体每天在同一个系统里跑几千次任务，系统提示词、工具定义、知识库内容会被反复读取。缓存价格砍到四分之一，实际账单的降幅会明显大于标价降幅。 OpenAI 在给长期运行的智能体让利。这个信号，比标价本身更值得关注。 能力越强，风险敞口越大。这次发布里有一句话，很多人会略过，但我不建议略过： GPT-6.1 Terra 在 OpenAI 准备框架（Preparedness Framework）下，网络安全方面达到了 Critical（关键）阈值。 Critical 是这套框架里的高风险等级。达到这个阈值，意味着模型在网络安全相关能力上已经强到需要额外管控。 OpenAI 的应对是：沿用为 GPT-6 Astra 开发的防护措施。 对齐方面也有进展。相比 GPT-5.6 Terra，新模型更可能保持在任务范围内，更可能诚实地向用户披露限制和潜在阻碍。在提示注入测试中，对试图把它从用户任务上引开的恶意指令表现出强抵抗能力。 "更可能承认自己做不到"，这一点对计算机操作类模型尤其重要。 一个会操作你电脑的智能体，最危险的状态不是能力不足，而是能力不足却自认为完成了任务。它可能在表单里填错一个数字，然后告诉你"已提交"。 所以"诚实披露限制"不是一个软性的道德指标，它是自动化流程能不能被信任的工程前提。 第一，模型的分层正在从"能力分层"变成"成本分层"。 当中间档能以十分之一的价格追平旗舰档的部分表现，"旗舰"这个词的含义就变了。它不再是"能不能做"的分界，而是"值不值得为最后那几个百分点付十倍价钱"的选择题。 第二，2026 年下半年真正的战场是 computer use 的规模化，而不是对话质量。 对话质量已经足够好了，好到边际收益递减。而让智能体稳定、便宜、可审计地操作真实系统，这件事才刚刚开始。谁先把单位成本和稳定性做下来，谁就拿到了企业工作流的入口。 第三，对使用者来说，现在最划算的动作是重新做一遍模型选型。 如果你还在用旧的中间档跑批量任务，把 GPT-6.1 Terra 换上去，账单大概率能降一半以上，而效果不会变差。 但别一刀切。OpenAI 自己都说了，最复杂的编码任务仍然该交给 Sol 或 Astra。 我的建议是分层用： 高频、量大、容错空间小的重复任务——表单、发票、数据录入、文档归档——用 Terra，把成本压下去。 复杂推理、重度编码、深度分析——继续用 Sol 或 Astra，别为省钱牺牲成功率。 另外，错误率降低不等于错误消失。4.3% 在最高推理强度下依然意味着，每一百次里大约有四次是错的。关键环节的人工复核，不要因为指标变好就撤掉。 发布会上的数字是厂商测的，你的账单是真实的，你的业务风险也是真实的。 真正该关心的只有一件事：在你的场景里，这个模型的单位成本和错误率，能不能让一条过去算不过账的流程，变得算得过账。 如果答案是能，这次发布对你就有意义。如果不能，它再便宜也和你无关。
一、Terra 在 OpenAI 的棋盘上，到底放在哪一格
