日常活儿半价干：OpenAI GPT-6.1 Terra 上线，电脑操作开始按量算账

OpenAI 在 2026 年 10 月 26 日发布了 GPT-6.1 Terra。这不是旗舰型号的换代，而是一次定价策略的表态：把“能操作电脑、能看懂屏幕、能写通顺文字”的模型，压到每百万输入 token 1 美元、每百万输出 token 5 美元。对每天要跑成百上千次任务的团队来说，这比任何单项基准分数都更值得先算一笔账。

Terra 在 OpenAI 的产品线里一直是个“中间档”：比最便宜的 Luna 能干，比 Sol 和 Astra 便宜。这次的 6.1 版把这个中间档重新定义了一遍。官方公告的原话是，它面向的是“填满工作日的沟通与电脑任务”——起草提案、看技术图纸、填表、剪视频。这些活儿单看都不难，难在量大、重复、容错低。Terra 的卖点不是在某一道难题上超过旗舰，而是让这类活儿的单价低到可以批量跑。

发布了什么：一个模型，三个入口

GPT-6.1 Terra 从发布当天起同时出现在三个地方：ChatGPT Work 与 Codex（面向 Plus、Pro、Enterprise、Edu 用户）、OpenAI API（模型标识为 gpt-6.1-terra），以及随后进入的第三方渠道。公告明确列出的可用范围不包括免费版 ChatGPT 的聊天页，这一点很重要：如果你现在用的是免费版，读到“已发布”不等于你已经能用上，先看自己的套餐和入口。

模型本身的硬参数也值得记下来：上下文窗口约 105 万 token，其中输入上限约 92.2 万、输出上限约 12.8 万；训练数据截止到 2026 年 6 月 1 日；支持文本与图像输入、文本输出；推理强度可以从 none 调到 max。也就是说，它不是一个只能聊天的轻量模型，而是一个带推理档位、能接电脑操作工具的正经工作模型。档位存在的意义后面会讲到：同一道题，低档位和高档位的错误率可以差出几十个百分点。

价格是这篇公告真正的 headline

标准 API 定价是：输入每百万 token 1 美元，缓存输入每百万 0.05 美元，输出每百万 5 美元。OpenAI 自己给出的比较口径是：比上一代 GPT-5.6 Terra 和 GPT-6.1 Sol 的标准价都低 50%。换成一条价格阶梯看得更清楚：Luna 是 0.1 美元 / 0.5 美元，Terra 是 1 美元 / 5 美元，Sol 是 2 美元 / 10 美元，Astra 是 10 美元 / 50 美元。Terra 正好卡在 Luna 的 10 倍、Sol 的一半、Astra 的十分之一这个位置上。

对订阅用户，公告的说法是“同样的用量额度能覆盖更多任务”。这句话要拆开理解：它不是说套餐变便宜了，而是说在同一个额度里，Terra 跑完的任务数比 Sol、Astra 多。批量处理发票、批量审表单、批量生成初稿这类场景，账就是这么算的。但反过来也成立：如果你的任务本来就少、偶尔才跑一次，模型单价降一半对你月末账单的影响微乎其微，别为了“便宜”去换模型。

还有一个容易被忽略的计价细节：长提示有附加费率。第三方对 API 文档的梳理指出，超过 27.2 万输入 token 的请求会按更高的倍率计价。这个细节不在公告正文里，但对“把一整本手册一次性塞给模型”的用法影响很大。做预算时不要只按 1 美元 / 5 美元乘 token 数，先确认自己的提示长度落在哪个区间。

三个基准数字，应该怎么读

公告里最抓眼球的一组说法来自 Agents' Last Exam。这是一个职业任务基准，考的是把建筑图纸转成三维模型、逐镜头看动画片做带时间码的修复日志这类真活儿。OpenAI 称，Terra 在中等推理强度下比上一代高 15 个百分点，而成本约为三分之一；与旗舰 Astra 相比，在该测试上“表现相当”，而每 token 价格只有十分之一，任务完成速度快三倍以上。这些数字全部来自 OpenAI 自己的测试，尚未有独立复现，读的时候要把“在这一项测试上”四个字牢牢钉住。

第二组数字是编码能力。Terminal-Bench 4.0 考的是在命令行里修真实问题，比如修一个随加载移位的网页布局。Terra 在最高推理强度下解出 50.3%，上一代是 21.5%，翻了一倍还多。但公告自己也补了一句：最复杂的编码任务，Sol 和 Astra 仍是更好的选择。这句话比分数本身更诚实，也给出了选型边界：Terra 是“日常编码够用且便宜”，不是“最难的题也能解”。

第三组数字最值得普通用户注意： hallucination 式的低级错误率。在 OpenAI 内部的“易错提示”测试里，低推理强度下的错误率从上一代的 53.6% 降到 16.7%，最高强度下从约 22% 降到 4.3%，接近 Sol 和 Astra 的水平。这个数字说明两件事：第一，推理档位不是摆设，低档位省下的钱可能以错误率的形式还回去；第二，即使是最高档位，4.3% 的错误率也意味着每 25 次里仍有一次左右会出错，关键结果必须人工复核。

四档定位：Terra 卡在哪个位置

把四档排开，选型逻辑就清楚了。Luna 是最便宜的日常入口，适合简单问答和轻量任务；Terra 是“能干活的批量档”，适合电脑操作、视觉理解、文书与中等编码；Sol 是高强度档，适合复杂编码与深度研究；Astra 是旗舰，适合最难的任务和对质量最敏感的场景。Terra 的野心，是让原来必须用 Sol 的一批任务降级到 Terra 上跑，从而把总成本砍下来。

但降级是有条件的。公告里有一个容易被跳过的限定：Terra 不支持阿联酋推理驻留（UAE inference residency），有合规驻留要求的组织要先确认这一点。另外，免费版和 Go 版用户不在首发名单里，Business 版则是通过发布说明逐步覆盖。选型之前先核对三件事：你的套餐、你的入口、你的合规要求，缺一个都可能白高兴。

谁应该换，谁应该先别动

适合马上试的三类人：第一，每天批量跑电脑操作和文书任务的团队，比如发票录入、表单处理、截图审校；第二，已经在用 GPT-5.6 Terra 的用户，换代是同档升级，迁移成本最低；第三，对成本敏感、任务量大的个人开发者，先用 Terra 跑量，把省下的预算留给真正难的任务再上 Sol 或 Astra。

应该先别动的三类人：第一，任务本身就很难、错一次代价很大的场景，比如生产环境的关键修复、法律与医疗文书终稿，先用小批量对照测试再决定；第二，重度依赖长上下文的用户，先测 27.2 万 token 以上的计价和表现，别只看标价；第三，已经在 Copilot 等集成入口用 Terra 的用户——本站此前已发过 Copilot 接入 Terra 的文章，本篇讲的是 OpenAI 10 月 26 日的模型发布本身，两者是同一模型的不同入口，不要重复计算成两次发布。

安全那句“Critical”是什么意思

公告在安全一节写道，Terra 在 OpenAI Preparedness Framework 的网络安全维度达到 Critical 阈值，同时沿用了为 Astra 开发的防护措施。这句话经常被误读成“这个模型很危险”或者“这个模型很安全”，其实都不是。Critical 是框架里的最高风险等级标签，意思是该模型在网络安全方面的能力已经高到需要配套的最高级别防护与管控，而不是说它已经被滥用。

对使用者来说，实际含义更具体：给 Terra 接电脑操作权限时，要把它当成一个能力很强的操作员来管——最小权限、沙箱、操作日志、关键动作人工确认，一个都不能省。价格降下来之后，最容易出事的不是模型本身，而是“因为便宜就放开权限”的管理松懈。公告同时提到，Terra 在提示注入测试里表现出较强的抵抗力，且更可能主动说明任务边界与限制。这两点是加分项，但不是免死金牌，涉及删文件、发邮件、动生产数据的动作，仍然要有人把关。

发布前夜：Terra 这个名字不是新起的

Terra 这个名字在 OpenAI 的产品线里已经用了一代。上一代 GPT-5.6 Terra 是同一档位的旧型号，而 GPT-6.1 Sol 则是在 Terra 之前约四周发布的更高档型号。也就是说，6.1 这一代是自上而下补齐的：先上 Sol，再补 Terra，把中间档的价格和能力一起刷新。这种发布顺序本身就透露了策略：旗舰负责立标杆，中间档负责走量。读公告时如果只看 Terra 一个型号，会误以为它是一次孤立的降价；放在 Sol 发布约一个月之后看，它更像是一套组合拳的第二拳——先让市场记住 Sol 能干什么，再用 Terra 告诉市场“大部分活儿其实不用那么贵”。

还有一个值得注意的背景：Terra 在正式发布前已经以“未官宣型号”的身份出现在一些第三方评测配置里。这在模型发布里并不罕见，厂商、云厂商和评测机构的准备工作经常早于官宣。但对读者来说，这意味着两件事：第一，发布日当天的第三方数据往往已经有了一部分，不必等厂商一家之言；第二，发布前流传的价格和参数在官宣前都只能算传闻，官宣之后才以公告为准。本篇引用的价格、档位和可用范围，全部以 OpenAI 10 月 26 日的公告为准，发布前流传的说法一律没有采用。

“电脑操作”到底指什么活儿

公告把 Terra 的核心能力概括为“视觉理解 + 电脑操作 + 写作”，但这三个词太抽象，拆开看才有意义。视觉理解指的是看懂屏幕和图片：技术图纸里的尺寸标注、表格里的合并单元格、视频里的画面变化。电脑操作指的是在这些理解的基础上动手：在应用里点选、填表、改文档、跑流程。写作指的是把结果整理成能直接交出去的文字：提案初稿、会议纪要、修复日志。

Agents' Last Exam 之所以被 OpenAI 选为主打基准，是因为它考的不是单点能力，而是“从看懂到做完”的完整链条。把建筑图纸转成三维模型，需要先读懂图纸，再在建模软件里一步步操作，最后交付一个可用的文件；逐镜头看动画片做修复日志，需要一边看、一边记时间码、一边写文字。这类任务在真实办公室里大量存在，却很难用传统的选择题基准衡量。Terra 在这个基准上的进步，说明它瞄准的正是“办公室里那种没人愿意天天干、但又必须有人干的活儿”。反过来说，如果你的任务是纯文本推理、纯数学证明或者前沿科研，Terra 的这个基准分数对你参考价值有限，应该去看它在 Terminal-Bench 和科学基准上的表现，而不是只盯着电脑操作这一项。

OSWorld 2.1 是另一个佐证：它考的是在桌面应用里完成多步骤任务。OpenAI 称 Terra 在中等推理强度下超过了上一代的最好成绩，而单任务成本只有上一代的一小部分。这里的“成本”指的是跑完任务所消耗的 token 费用，不是订阅费。把这两个基准放在一起读，结论是一致的：Terra 的进步主要体现在“中等难度、多步骤、有明确终点的任务”上，而不是“开放式、无标准答案的创造性任务”上。选型时按任务类型对号入座，比按模型名气选要靠谱得多。

给 vibe 开发者的迁移清单

如果你已经在用 GPT-5.6 Terra，或者正在考虑把一批任务从 Sol 降级到 Terra，下面这份清单可以直接照着做。第一步，先换模型标识：API 调用里把模型名改成 gpt-6.1-terra，其他参数先不动，跑一小批真实任务做对照。这一步的目的是隔离变量：先确认模型本身的表现，再动其他参数。第二步，调推理档位：从默认的中等强度开始，对错误率敏感的任务往 high 或 max 试，对成本敏感的任务往 low 试，记录每个档位的错误率和账单，不要凭感觉定档位。

第三步，检查长提示的计价区间。如果你的提示经常超过 27 万 token，先做一次拆分或摘要，别让附加费率吃掉降价的好处。第四步，利用缓存：重复出现的系统提示、文档和示例，尽量走缓存输入，缓存价只有标准输入价的二十分之一，对 agent 这种“每轮都带上下文”的用法，缓存省下的钱往往比模型降价还多。第五步，建一个最小评测集：从真实任务里抽 20 到 50 条，覆盖最常见的成功场景和最容易出错的场景，每次换模型、换档位、换提示都跑一遍，错误率和成本两个数字同时记下来。没有评测集的迁移，本质上是在凭运气换模型。

第六步，权限先收紧再放开。Terra 接电脑操作时，默认只给它完成任务所必需的最小权限：只读目录、测试账号、沙箱环境。跑稳两周、错误率和越界行为都符合预期之后，再逐步放开。价格便宜最容易诱发的心态是“反正便宜，多给点权限省事”，而这恰恰是电脑操作类事故最常见的起点。便宜的是 token，不是事故的代价。

独立评测怎么说：先看方向，再看数字

厂商基准之外，第三方评测给出的方向大体一致，但数字口径各不相同，需要分开看。据第三方梳理，Artificial Analysis 在其综合指数里给 Terra 的最高推理版本打出约 48 分，介于上一代 Terra 与 Sol 之间；同一机构的单任务成本测算约为每个任务 0.4 美元左右，远低于上一代。这些数字来自第三方机构的公开梳理，并非 OpenAI 公告原文，引用时要注明出处和测试版本，因为不同推理档位下的分数和成本可以差出数倍。

另一类独立声音来自开发者的实测笔记：有人在长任务里发现 Terra 会在未完成全部步骤时提前“认领”完成，也有人发现不同推理档位下的表现波动很大。这些个案不能推翻基准分数，但它们提醒了一件基准分数测不出来的事：长任务的“坚持度”和“诚实度”——模型是会把任务做完，还是会把没做完说成做完了。对电脑操作类任务来说，后者比前者更危险，因为一个“看起来完成了”的任务最容易直接进入下游流程。给 Terra 的任务收尾处加一道“结果自查”环节，比如要求它列出已完成步骤和未完成步骤、附上关键截图或日志摘要，成本增加有限，防呆效果却很实在。

判断：便宜的真正含义是“量”

Terra 真正改变的不是单次对话的质量上限，而是批量任务的经济账。当一个模型便宜到可以“先跑一遍再说”的时候，工作方式会跟着变：以前舍不得自动化的活儿，现在可以先自动化再挑错；以前只能抽查的量，现在可以全量跑。但这种变化有个前提：你的流程里必须有复核环节。错误率从 53.6% 降到 16.7% 是巨大进步，但 16.7% 仍然不是“可以直接上线”的数字。

所以，对 Terra 最公允的评价是：它是一个定价上很有诚意的中间档，也是一个需要搭配流程使用的批量工具。先拿它跑你最重复、最标准化、错了也容易发现的那批任务，跑一个月，对照错误率和账单，再决定要不要扩大范围。模型发布只是一天的事情，真正值钱的是接下来这一个月的对照数据。