会看屏幕还会操作软件,GPT-6.1 Terra把AI带进真实工作流

专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！

把一张技术图纸交给 AI，让它读懂图面；再让它打开软件、填表、整理资料——这类需要“看见屏幕并动手操作”的工作，是 OpenAI 这次推出 GPT‑6.1 Terra 想重点解决的场景。

它不是 GPT‑6 系列里主攻最复杂推理的型号。OpenAI把 Terra 定位为更快、更省，适合视觉理解、电脑操作和日常办公任务的模型。对于开发者，标准 API 输入和输出价格也较 GPT‑5.6 Terra、GPT‑6.1 Sol 各降低一半。方向很清楚：不只追求模型能答什么，也要让它以更低成本完成工作流中的具体步骤。

看懂画面之后，还要能接着操作

模型能识别图像，并不自动等于能把工作做完。实际的电脑任务通常要连着走好几步：先从屏幕或文件里找到信息，再判断该去哪个应用，接着填写或调整内容，最后检查是否完成。中间任何一步出错，用户都得回来接手。

GPT‑6.1 Terra的重点，是把视觉推理和电脑操作放在一起。OpenAI举出的任务包括理解技术图纸、填写表单、编辑视频，以及根据商品照片匹配目录条目。换句话说，它不只是回答“图上有什么”，还试图把识别结果接到后续操作上。

这类能力对办公自动化尤其重要。比如，处理一批进货单时，模型需要从图片或页面中读出字段，再把信息录入会计软件；如果它能在应用间按步骤执行，自动化的就不只是识别文字，而是整个流程中的一段工作。

但“能操作软件”仍不代表可以完全放手。系统权限、网页变化、模糊指令和异常数据都可能影响结果。高风险操作依然需要清楚的权限边界和人工确认。OpenAI公告描述的是模型能力与适用方向，并未证明它可以在所有办公软件、所有复杂流程中稳定完成任务。

测试成绩有提升，适用范围也有边界

在 OpenAI公布的测试里，GPT‑6.1 Terra在 Agents’ Last Exam 的中等推理强度下，比 GPT‑5.6 Terra 高15个百分点；公司称，达到相应成绩的单任务成本约为后者的三分之一。面对 GPT‑6 Astra，官方称 Terra在该测试中表现接近，但每个 Token 的价格约为其十分之一。

电脑操作评测 OSWorld 2.1也指向同一方向：OpenAI表示，在中等推理强度下，Terra的成绩超过了 GPT‑5.6 Terra在该测试中的最高成绩，而单任务成本更低。另一个命令行编程测试 Terminal‑Bench 4.0中，Terra在最高推理强度下解出50.3%的任务，GPT‑5.6 Terra此前公布的成绩为21.5%。

这些数据说明，Terra在特定测试和任务设置下，较前代有明显进步；但它们不是对所有电脑操作、办公或编程任务的普遍保证。基准测试的任务范围、推理强度和工具环境都会影响结果，OpenAI公布的性能与成本比较也属于厂商评测口径。

OpenAI自己也给出了使用边界：更复杂的研究和编程任务，仍建议选择 GPT‑6.1 Sol 或 GPT‑6 Astra。Terra的角色更像是把常见、重复、可拆解的工作做得更经济，而不是取代整个模型系列中的高能力型号。

更少出错

这次公告还强调了事实性改进。在 OpenAI内部一组专门设计来诱发错误的提示测试中，低推理强度下，GPT‑6.1 Terra的错误率从 GPT‑5.6 Terra的53.6%降至16.7%；最高推理强度下，官方给出的错误率为4.3%。

这个数字值得关注，但它有明确边界：测试集是内部设计的“易诱发错误”问题，并非日常所有提问的综合准确率。不能把它改写成“模型只会错4.3%”，更不能据此推断模型已不会编造信息。实际使用时，用户仍需要核对关键数字、引用和外部事实。

安全方面，OpenAI的系统卡将 Terra在网络安全能力上评为“Critical”阈值，并称其沿用 GPT‑6 Astra的防护措施。这里反映的是公司的风险评估和部署策略，不意味着模型在任何情境下都不会产生安全问题。独立研究者或用户在真实环境中的持续评估，仍然重要。

让高频任务跑得起

GPT‑6.1 Terra的标准 API 价格为每百万输入 Token 1美元、每百万输出 Token 5美元；缓存输入价格为每百万 Token 0.05美元。OpenAI称，标准价格较 GPT‑5.6 Terra和 GPT‑6.1 Sol低50%。对需要大量处理短任务的开发者来说，单价下降可能比单次跑分提升更直接地影响是否接入。

不过，价格低不等于总成本必然低。任务要调用多少 Token、需要几轮交互、是否启用工具、失败后要不要重试，都会改变最终账单。模型只有在完成任务的稳定性、速度和成本之间适合具体业务，才算真正“划算”。

使用范围：GPT‑6.1 Terra已面向 Plus、Pro、Enterprise 和 Edu 用户开放，但入口是 ChatGPT Work 与 Codex，不是普通 ChatGPT 对话页；开发者则可通过 API 调用。API文档显示，模型支持文本和图像输入，不支持音频、视频输入。它的电脑操作能力需结合相应工具调用，并非单靠模型名称就能在任意设备上接管操作。

Terra的看点是把“会看”变成“能做”

GPT‑6.1 Terra最值得观察的，不是它能否在某一张榜单上压过所有模型，而是它能不能稳定承担那些频繁出现、步骤清楚、单次价值不高但总量很大的电脑任务。视觉理解、屏幕操作和较低的 API 单价，正好对应这一类需求。

若模型能准确识别页面状态、按权限调用工具，并在出错时及时停下或说明问题，企业就有机会把一些原本需要人工反复点击的工作交给它处理。反过来，如果任务中经常需要人纠正，或者操作权限和结果核验没有设计好，便宜的 Token 也补不上返工成本。

所以，Terra更像一款面向“日常执行”的模型，而不是通用意义上的全能替代品。它是否真正省时省钱，最终还得看具体工作流里的完成率、人工介入次数和总体成本，而不是只看发布页上的单项成绩。

END