AI新品刷屏时，我先查这4件事

昨天看到一条消息：GPT-6.1 Terra 更会操作电脑了。很容易顺手写成“AI终于能替你做完办公室的事”。但我把OpenAI的发布原文打开，先停在了一个数字上：错误率从53.6%降到16.7%。

这个数字很亮眼，但它说的不是“操作电脑的失败率”。发布页写的是内部的事实性错误提示测试，而且对应低推理投入。电脑操作另有 Agents’ Last Exam、OSWorld 等评测。把两种测试混成一件事，读者就可能误以为：让它进自己的后台填表，出错概率也只有16.7%。这显然不是原文给出的结论。

我后来给自己定了一个简单顺序。下次你看到“更强、更快、更省”的AI新品，也可以照着查。

第一件：先找原文，分清发布和转述

搜索结果里，标题会越传越猛。我的第一步是打开公司发布页或产品文档，看发布日期、适用产品、开放对象。Terra这次的原文说，ChatGPT Work和Codex面向Plus、Pro、Enterprise、Edu用户开放，API里叫gpt-6.1-terra。这不等于每个人的账号、地区、工作区今天都显示同一个入口；实际使用仍以自己页面为准。

第二件：给每个数字补上“在什么条件下”

一个数字至少问三句：测的是什么任务？跟谁比？用的什么配置？比如官方说在 Agents’ Last Exam 的中等推理设置下，Terra比GPT-5.6 Terra高15个百分点，成本约为后者三分之一。它说明特定评测里的进步，不能替代你自己业务流程的成功率。另一组事实性错误测试，从53.6%降到16.7%，也不能拿来当电脑点击任务的错误率。

第三件：把演示改成一个你自己的小任务

如果想知道“会操作电脑”对自己有没有用，我会先挑一件低风险、能验收的事：从公开页面提取三条信息，填进一张待核对表。记录它第一次做对了几项、花了多久、哪里需要人接手。涉及转账、发布、删除或权限调整的动作，先别让它直接执行。一次漂亮演示，和连续十次稳定完成，是两回事。

第四件：把钱算到“完成一件事”上

OpenAI公布的标准API价格是每百万输入token 1美元、输出token 5美元，缓存输入另有价格。真正做业务时，还要算重试、工具调用、人工检查和失败后恢复。便宜的单次调用，不一定是便宜的完整任务；反过来，贵一点的模型如果少返工，也可能更合适。

我现在看AI新品，会把结论压成一句话：官方证明了什么，我还没验证什么，下一步准备怎么试。 这样写出来的文章也许没有“颠覆一切”那么刺激，但读完的人至少知道该怎么判断，而不是只记住一个漂亮数字。

你可以把这段话直接交给一个能联网的AI，作为第一轮资料整理指令：

请只依据我给出的官方链接，列出发布日期、开放对象、能力声明、每个关键数字的测试任务与对照对象、价格口径。把“原文明确写了”和“需要我自己实测”分开。找不到的内容写“未确认”，不要补全。最后给我设计一个不涉及支付、发布、删除的最小验证任务。

AI能帮你整理，最后点开原文核对数字的人，仍然得是你。