便宜的那一档，才是给“干活”准备的：OpenAI GPT-6.1 Terra 怎么读
OpenAI 发布 GPT-6.1 Terra：标准 API 价格比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%，主打电脑操作和视觉推理；算账要看单价、token 和返工次数三样。
看模型发布，很多人只盯一件事：谁最强。
这次不一样。
10 月 26 日，OpenAI 发布了 GPT-6.1 Terra。
它不是最强的那一档。
OpenAI 自己把 GPT-6 Astra 称作“能力最强的前沿模型”，Terra 的定位是快和省：它的标准 API 价格，只有 GPT-6.1 Sol 的一半。
站内之前写过 GPT-6 Astra，那是最上面一档，这里不重复。
今天只问三个问题：Terra 便宜在哪？它会干什么？什么时候不该用它？
第一问：便宜，到底便宜在哪？
先看价目表。
据 OpenAI 官方称，Terra 的 API 名字叫 gpt-6.1-terra，价格是：
- 输入 $1/M
- 缓存输入 $0.05/M
- 输出 $5/M
官方说，这比 GPT-5.6 Terra 和 GPT-6.1 Sol 便宜 50%。
便宜，就完了吗？
没有。
因为企业真正付的钱，从来不是单价。
是什么？是一件事做完，一共花了多少。
打个比方。
你请人搬家。
按小时收费的师傅，有的单价低，但磨蹭，一趟一趟来回跑；有的单价高，但手脚利落，一口气搬完，还不磕坏东西。
最后你付的，是总账。
磕坏的那张桌子，也得算进去。
模型也是这样。
我用一个公式来表达（这是我的概括，不是 OpenAI 的说法）：
一件事的成本 = 单价 × 用掉的 token × 做错重来的次数
单价低，只是第一个因子。
如果一个模型单价低，但啰嗦，一件事要用掉更多 token，账就未必好看。
如果它单价低，但老出错，一件事要返工好几次，账就更难看。
所以，看 Terra，要三个因子一起看。
第一个因子，单价。 上面说过了，官方称便宜 50%。
这里还有一个容易被忽略的细节：缓存输入。
Agent 干活，往往要反复读同一份很长的说明、同一套表格模板。重复读的那部分如果能命中缓存，按官方价目表，就走 $0.05/M 那一栏，比普通输入低得多。
不过，缓存不是白来的。据模型卡，写入缓存另按 $1.25/M 计；单次输入超过 272K token 的请求，输入按 2 倍、输出按 1.5 倍计价。
所以，同样用 Terra，流程设计得好不好，账也会不一样。
第二个因子，token。 据 OpenAI 官方称，在 max 档，Terra 的 token 效率是 Claude Opus 5.5 的三倍多，单 token 价格是对方的 1/4，单任务成本约低 9 倍。
注意，这是 OpenAI 自己做的对比。
第三个因子，做错的次数。 OpenAI 有一个内部基准，专门放容易出错的提示。据官方称，在 low 档，错误率从 GPT-5.6 Terra 的 53.6% 降到 GPT-6.1 Terra 的 16.7%，少了将近 37 个点；在 max 档，错误率降了 18 个点，到 4.3%，接近 Astra 和 Sol 的水平。
三个因子都往下走，这件事的账，才算真的便宜了。
再看一个官方给的综合数字。
在 Agents' Last Exam 上，据 OpenAI 自报，Terra 用默认的 medium 档，比 GPT-5.6 Terra 高 15 个百分点，成本约为它的 1/3；和 GPT-6 Astra 打平，而单 token 价格约为 Astra 的 1/10。
这句话里，有一个词很关键：打平。
不是超过，是打平。
这就是 Terra 这一档的定位：不跟最强的比上限，跟它比“同样的活，谁更划算”。
第二问：它会干什么？
价格讲完，讲能力。
OpenAI 这次给 Terra 列的卖点，是视觉推理、电脑操作（computer use），还有写作更自然。其中最显眼的是电脑操作，也就是让模型自己看屏幕、点鼠标、填表格。
The Verge 的标题就是这么写的，大意是 OpenAI 说 Terra 非常擅长 computer use。
官方给的例子分两类。
一类是高频的日常活：
- 把收到的发票读一遍，把内容录进会计软件
另一类，来自它用来测电脑操作的基准 Agents' Last Exam，里面的任务包括：
- 把建筑图纸做成 3D 模型
- 逐个镜头审一部动画片，给修复团队输出带时间码的日志
你看这几件事，有什么共同点？
它们都不难。
但都很烦。
需要一个人坐在电脑前，盯着一张张单据、一张张图、一段段画面，一项项录进去。
这类活，过去要么靠人，要么靠写死的自动化脚本。人贵，脚本脆，换个界面就坏。
为什么 Terra 适合干这个？
因为这种活有一个特点：步骤多，每一步不难，但一步错，后面全错。
这正好对上前面那个公式里的第三个因子：做错重来的次数。
据官方称，在 Agents' Last Exam 上，Terra 完成任务的速度比 GPT-6 Astra 和 GPT-6.1 Sol 都快三倍以上（官方没写这是哪个推理档位）。步骤多的活，快和稳，比聪明更值钱。
再看几个规格，帮你判断它装不装得进你的流程。据 OpenAI 的模型卡：
- 输入支持文本和图像，输出是文本，不支持音频和视频
- 上下文 1,050,000，最大输入 922,000，最大输出 128,000
- 知识截止 2026-06-01
- 推理强度 reasoning.effort 可选 none、low、medium（默认）、high、xhigh、max
- 工具调用需要走 Responses API
最后这一条，开发者要留心。模型卡上 Chat Completions 也能调 Terra，但要用工具调用，得走 Responses API。你现在的代码如果还在用老接口，接之前先改接口。
在哪里能用？据官方称，ChatGPT Work 和 Codex 里，Plus、Pro、Enterprise、Edu 用户都可以用。
第三问：什么时候不该用它？
这个问题，比前两个都重要。
因为便宜的东西，最怕用错地方。
OpenAI 自己说了一句很克制的话：最复杂的编程任务，仍然建议用 Sol 或 Astra。
这句话怎么理解？
看一个数字。据 OpenAI 官方称，在 Terminal-Bench 4.0 上，Terra 的 max 档是 50.3%；GPT-5.6 Terra 公开的成绩是 21.5%。
进步很明显。
但官方并没有因此说“写代码就用 Terra”。
为什么？因为最难的那类编程，决定成败的是上限，不是单价。上限不够，单价再低，也是在为失败付费。
所以，回到那个公式：
单价低 × 做不成 = 白花钱
还有一件事，值得多说一句。
据 OpenAI 的发布页，Terra 在网络安全方面，达到了它的 Preparedness Framework 里的 Critical 阈值，因此沿用了 Astra 的那一套防护。
一个中档模型，在安全评估上被当成顶档对待。
这说明什么？
说明“中档”指的是价格和定位，不是能力弱。能力上去了，管束也得跟上。
一个小工具箱
如果你在考虑要不要把手上的流程换到 Terra，可以先问自己三个问题：
- 这件活，是“步骤多、每步不难”，还是“步骤少、每步都难”？前者看 Terra，后者看 Sol 或 Astra。
- 你算账时，算的是单价，还是一件事做完的总成本？
- 你的代码，接得上 Responses API 吗？
上面这些数字，全部来自 OpenAI 的官方说法和它自己做的对比。真要换，用自己的活跑一遍，比看任何榜单都准。
结语
模型越来越多，档位越来越细。
挑模型这件事，越来越像挑员工。
最强的那个，留给最难的事。
大量重复、琐碎、但不能出错的活，交给又快又稳又便宜的那个。
这不是将就。
这是算清楚了账。
来源：OpenAI 官方发布；官方模型卡；部署安全页；The Verge。价格、规格以官方模型卡为准；Agents' Last Exam、易错提示内部基准（基线为 GPT-5.6 Terra）、Terminal-Bench 4.0 等成绩及与 Claude Opus 5.5 的对比均为 OpenAI 自报，未见第三方复测；“快三倍以上”官方未注明推理档位；成本公式与搬家类比为作者概括。