GPT-6.1 Terra：OpenAI的中端模型定价、基准测试与HN讨论

GPT-6.1 Terra是OpenAI的新款中端模型，定位为比GPT-6.1 Sol和GPT-6 Astra更便宜、更快的替代品，同时在视觉推理、计算机使用、事实性和编码方面优于GPT-5.6 Terra。此次发布之所以重要，是因为OpenAI主要以其每任务成本来推销：Terra的定价为每百万输入token 1美元，每百万输出token 5美元，OpenAI声称在专业计算机使用和编码基准测试中实现了巨大的效率提升。

GPT-6.1 Terra是什么及其成本

GPT-6.1 Terra可供ChatGPT Work和Codex中的所有Plus、Pro、Enterprise和Edu用户使用，开发者可以通过OpenAI API以gpt-6.1-terra访问。标准API定价为每百万输入token 1美元，每百万缓存输入token 0.05美元，每百万输出token 5美元。

OpenAI表示，Terra的标准API价格比GPT-5.6 Terra和GPT-6.1 Sol低50%。一位Hacker News评论者将由此产生的API价格阶梯总结为：GPT-6 Astra每百万token输入10美元/输出50美元，GPT-6.1 Sol为2美元/10美元，GPT-6.1 Terra为1美元/5美元，GPT-6 Luna为0.10美元/0.50美元。

OpenAI将Terra描述为延续其跨模型系列的成本智能前沿。该公司表示，较低的价格使Terra适用于高容量自动化任务，例如读取收到的发票并将其详细信息输入会计软件。在ChatWork和Codex中，OpenAI表示，与GPT-5.6 Terra相比，相同的使用配额在GPT-6.1 Terra上可以覆盖更多任务，并且比GPT-6.1 Sol或GPT-6 Astra覆盖的任务要多得多。

基准测试：计算机使用、视觉推理、事实性和编码

OpenAI的基准测试声明侧重于每任务成本，而非顶级能力。在Agents' Last Exam（一项专业任务基准测试，包括将建筑图纸转换为3D模型以及逐镜头审查动画电影）中，GPT-6.1 Terra在中等推理努力下的得分比GPT-5.6 Terra高出15个百分点，而成本约为其三分之一。OpenAI表示，Terra的性能与GPT-6 Astra相当，但每token价格仅为后者的十分之一。在最大努力下，OpenAI表示Terra的token效率是Claude Opus 5.5的三倍多，每token价格为其四分之一，导致每任务成本大约降低9倍。OpenAI还表示，Terra完成任务的速度比GPT-6 Astra和GPT-6.1 Sol快三倍以上。

在MMMU-Pro（一项视觉推理基准测试）中，GPT-6.1 Terra在每个推理设置下都优于GPT-5.6 Terra。OpenAI表示，Terra在成本低得多的情况下，得分几乎与GPT-6 Astra和GPT-6.1 Sol持平。在OSWorld 2.1（测试AI代理如何使用桌面应用完成多步骤任务）中，GPT-6.1 Terra在中等推理努力下，以每任务成本的一小部分超越了GPT-5.6 Terra的最佳得分。

在事实性方面，OpenAI表示，其内部诱导错误提示基准测试显示，低推理努力下的错误率从GPT-5.6 Terra的53.6%降至GPT-6.1 Terra的16.7%，下降了近37个百分点。在最大努力下，错误率下降了18个百分点至4.3%，几乎与GPT-6 Astra和GPT-6.1 Sol的错误率持平。

在编码方面，OpenAI表示，GPT-6.1 Terra在软件工程方面比GPT-5.6 Terra有显著改进。在Terminal-Bench 4.0（测试编码代理解决命令行问题的能力）中，GPT-6.1 Terra在最大推理努力下解决了50.3%的任务，是GPT-5.6 Terra公布的21.5%得分的两倍多。OpenAI补充说，GPT-6.1 Sol和GPT-6 Astra仍然是处理最复杂编码任务的更好选择。在Terminal-Bench-Science 0.1（测试代理使用代码进行科学研究任务的能力）中，GPT-6.1 Terra在最大推理下以较低成本超越了GPT-6.1 Sol，并以不到估计成本五分之一的价格接近Opus 5.5五分以内。

安全与对齐

OpenAI表示，GPT-6.1 Terra在其准备框架下达到了网络安全的关键阈值，并保持了为GPT-6 Astra开发的保护措施。OpenAI还表示，Terra带来了GPT-6系列的对齐改进：与GPT-5.6 Terra相比，它更有可能保持在范围内，并诚实地向用户披露局限性和潜在阻碍。在提示注入测试中，OpenAI表示Terra对旨在使其偏离用户任务的恶意指令表现出很强的抵抗力。更多详情请参阅deploymentsafety.openai.com/gpt-6-1-terra上的GPT-6.1 Terra系统卡。

Hacker News反应：命名混淆与中间孩子问题

在抓取时拥有629分和424条评论的Hacker News帖子中，最常被重复的批评是OpenAI的模型阵容变得难以推理。评论者追溯了从Luna（小）、Terra（中）、Sol（大）到Astra（更大）的谱系，然后指出Sol-6.1有时表现优于Astra，而Terra被停产，结果Terra又以6.1版本回归。

“我对他们的模型市场定位/命名方案感到非常困惑，”评论者Someone1234写道。“微软的首席品牌官是不是跳槽到OpenAI了？”

一个相关的批评是Terra占据了一个尴尬的中间层级。评论者minimaxir称Terra是“一个奇怪的孩子，介于变得明显更好的小模型（Luna）和变得显著更便宜的大模型（Sol）之间。”评论者Silagi认为，大多数任务通过提升一个层级并降低推理级别，或降低一个层级并提高推理级别，会得到更好的服务：“我交给它们的几乎每个任务，通过提升一个层级并降低推理级别，或降低一个层级并提高推理级别，都能得到更好的服务。”

几位评论者表示，他们无法为Terra找到一个明确的利基市场，即更便宜的模型加上更多推理，或同等成本下更昂贵的模型，不会产生相同或更好的结果。其他人则将此次发布视为对Anthropic的Sonnet 5.5的回应，评论者称Sonnet 5.5在Opus 5.5和Haiku 5.5之间也有自己的中间孩子问题。

每任务成本声明遭遇基准测试怀疑

评论者对OpenAI的帕累托前沿图表是否能转化为实际的模型选择意见不一。一些人认为每任务成本的框架很有用。评论者Archit3ch写道：“我相当喜欢OpenAI对每任务成本的关注。”但其他人则认为，性能与价格的图表包含了主观选择。

“这些‘帕累托前沿’性能与价格图表变得非常流行，我发现它们大多没有信息量。定价是主观的。你选择了X轴上的位置，以及Y轴上使用的度量标准，”评论者causal写道。

评论者simianwords表示，基准测试已经饱和，Terra的曲线紧贴坐标轴。评论者ralusek指向Artificial Analysis并表示：“根据这个，Sol 6.1 x-high比Terra 6.1 max更便宜也更聪明。”评论者XCSme报告了动手测试的不同结果：“在我的测试中，在最大努力下，它比6.1 sol差，而且贵2倍，”而“在中等设置下使用似乎是最佳用例，并且比6.1 Sol便宜。”

评论者认为适合的地方

尽管定位混乱，一些评论者为Terra找到了明确的利基市场。评论者mehdizare表示，他们会将opencode指向这个层级进行PR审查，因为“顶级模型对于每个差异来说太慢且太贵。”评论者bob1029表示，他们的自定义企业代理运行在GPT-5.6 Terra上，称事实错误率的改进“惊人”，并期待更新配置。

评论者chriddyp报告说，在数据分析基准测试中，GPT-6.1 Terra“加入了GPT-6 Luna和GPT-6.1 Sol之间的帕累托前沿。所以，完全如广告所说！”chriddyp还表示，Terra非常快，并且在测试的模型中，其响应输出最少。评论者thefourthchime报告了PacBench结果，其中GPT-6.1 Terra得分为84，比Grok 4.7的83高一分，同时以0.19美元的成本在5.4分钟内完成任务，而Grok则用了36.5分钟和1.69美元。

并非所有动手报告都是正面的。评论者wellthatsinsa表示，该模型“使用了大量不必要的技能，并读取了远超所需的内存文件。它实际上烧掉了2个子。”评论者agluszak表示，Terra存在与Luna相同的问题：“它会以最早的借口停止，无论怎么提示不要停止直到X完成，都无法说服它。”评论者notenchange表示，Sol 6.1一直因“网络担忧”而拒绝解锁GPU的工作，并计划尝试Terra，希望它能少抱怨一些评论者所称的不存在的网络安全风险。

战略背景：更便宜的层级，而非前沿答案

此次发布读起来像是一场成本效率的举措，而非试图击败市场顶端。OpenAI自己的公告称，GPT-6.1 Sol和GPT-6 Astra仍然是处理最复杂编码任务的更好选择。评论者enraged_camel总结了战略紧张局势：“人们一直要求OpenAI提供一个像Opus 5.5一样好的模式，他们却发布了这个。有趣的策略。让我们看看对他们效果如何。”评论者guybedo更直白地说：“OpenAI需要一个模型来与Opus 5.5竞争，而那不是Terra 6.1。”

评论者还质疑了模型扩散的更广泛趋势。评论者xnx问为什么Anthropic和OpenAI将产品线分成四个版本，而Google使用两个，评论者mrheosuper数了数“大约5个模型和5个思考级别，那是25种不同的组合。”评论者ulfw问人们是否还关心更新的LLM版本：“现在都是商品了。”

从帖子中得出的实际结论是，GPT-6.1 Terra对于高容量、中等复杂度的任务最具吸引力，在这些任务中，延迟和每任务成本比最大能力更重要。其最强烈的支持者指出了PR审查、企业代理、数据分析和其他重复工作流程。其批评者则认为，该模型在Luna和Sol之间的位置在没有特定任务测试的情况下仍然难以证明其合理性，并且OpenAI快速变化的模型名称使得长期的生产选择更难维护。