GPT-6.1 Terra 发布，computer use 单价压到十分之一

发生了什么

GPT-6.1 Terra 上线，API 模型串是 gpt-6.1-terra。它接的是 GPT-5.6 Terra 的位置，同系列里还有 GPT-6.1 Sol 和 GPT-6 Astra，外部对比对象是 Claude Opus 5.5。原文只写 "Starting today"，没有给具体日期。

渠道上，ChatGPT Work 和 Codex 面向 Plus、Pro、Enterprise、Edu 全部用户开放，API 走 gpt-6.1-terra。同一份额度能覆盖的任务数多于 GPT-5.6 Terra，也明显多于 GPT-6.1 Sol 或 GPT-6 Astra。

定位很清楚：不是这个系列里最强的那个，主打便宜、快、够用。

关键变化清单

定价

Standard API 的三个价格：

相比 GPT-5.6 Terra 与 GPT-6.1 Sol 低 50%。单 token 价格是 Claude Opus 5.5 的 1/4，每任务成本约低 9 倍。

computer use 的两个档位

基准是 Agents' Last Exam。

中等推理强度：比 GPT-5.6 Terra 高 15 个百分点，成本约 1/3。中等强度下与 GPT-6 Astra 持平，但每 token 价格只有它的 1/10。

最大推理强度：token 效率是 Opus 5.5 的 3 倍以上，每 token 价格 1/4，每任务成本约低 9 倍。完成任务的速度比 GPT-6 Astra 与 GPT-6.1 Sol 快 3 倍以上。

原文举的两个任务是建筑图纸转 3D 模型，以及逐镜头审看动画影片并生成带时间码的修复日志。这两个任务的共同点是：长、需要看屏幕、多步操作、中间出错要能自己发现。过去这类任务是演示素材，能跑通一次，但没人敢排进日常流程。

视觉与桌面任务

MMMU-Pro：每个推理档位都超过 GPT-5.6 Terra；接近 GPT-6 Astra 与 GPT-6.1 Sol，成本低得多。原文没有给绝对分数。

OSWorld 2.1：中等强度超过 GPT-5.6 Terra 的最佳成绩，每任务成本仅为"一小部分"。同样没有绝对分数。

错误率基准

内部"错误诱导提示"基准，衡量幻觉与事实性错误：低强度下错误率从 53.6%（GPT-5.6 Terra）降到 16.7%（GPT-6.1 Terra），降了近 37 个百分点；最大强度下再降 18 个百分点，到 4.3%。

命令行与科研代码

Terminal-Bench 4.0：最大推理强度解出 50.3%，GPT-5.6 Terra 的公布值是 21.5%。

Terminal-Bench-Science 0.1：最大强度超过 GPT-6.1 Sol 且更便宜；与 Opus 5.5 相差不足 5 个百分点，估算成本不足其 1/5。

局限

原文自认的几条：最复杂的编程任务仍应选 GPT-6.1 Sol 或 GPT-6 Astra；Terminal-Bench-Science 0.1 上仍落后 Opus 5.5 不足 5 个百分点；Agents' Last Exam 只是与 GPT-6 Astra 持平；MMMU-Pro 是"接近"而非超过。

安全阈值

在 Preparedness Framework 下，网络安全维度达到 Critical 阈值。沿用 GPT-6 Astra 的防护，继承 GPT-6 系列的对齐改进。相比 GPT-5.6 Terra，更倾向于保持在任务范围内、如实披露局限与阻碍；在 prompt injection 测试中抵抗力较强。系统卡另行发布。

对开发者意味着什么

价格曲线

最该看的不是跑分，是价格。中等推理强度下拿到与 GPT-6 Astra 持平的成绩，每 token 只付它的 1/10；每任务成本约为 GPT-5.6 Terra 的 1/3。

演示阶段的成本结构是"跑通一次就行"；生产阶段是"每天反复跑、失败要重试、重试也要付钱"。每任务成本降到三分之一，同一笔预算能跑的次数就是原来的三倍，重试从奢侈品变成可以写进流程的常规项。

computer use 过去卡在"能演示但不能天天跑"这一层，卡的就是这个。现在这一层松动了。

链路里的错误率

53.6% 到 16.7%，这是整篇材料里最该被单独拿出来看的数字，重要性高于任何一个 benchmark 的提升。

原因在于 agent 链路是串联的。一次工具调用里，如果模型编了一个不存在的参数名、或者把上一步的返回值记错，后面的步骤全部作废，而且这类失败经常被包装成"执行成功"——链路上没人报错，只有结果不对。单步错误率从五成多降到一成七，一条多步链路的整体成功率并不是线性改善，是指数级的。

最大强度下再降到 4.3%，这个档位对成本不敏感、对正确率敏感，适合放在链路的关键节点上做校验。

原文没说这个基准的具体构造，只说是"错误诱导提示"。所以价值在方向和量级，不在 16.7% 这个绝对值能不能直接套到你的场景里。

安全条款

网络安全维度进入 Critical 阈值，这句话对做安全测试、渗透辅助、漏洞研究类应用的团队影响最直接。阈值上调意味着防护等级同步上调，过去能跑通的用例现在可能被拒，而且拒绝会发生在调用层，不一定给你明确原因。

原文说沿用 GPT-6 Astra 的防护、继承 GPT-6 系列的对齐改进，同时比 GPT-5.6 Terra 更愿意如实披露局限与阻碍。这几条放在一起看，是一个"更听话、更愿意说自己做不到，但也更会拒绝"的组合。做 agent 产品的团队要重新读一遍条款，特别是拒绝之后的重试策略——被安全策略拒掉和被模型能力不足拒掉，处理方式完全不同，前者重试没有意义。

待观察

两个硬参数缺失。 上下文窗口长度和具体发布日期，原文都没给。上下文长度在选型时经常是决定性的，直接决定能不能把整个代码库或者一整套日志塞进一次调用。这一项空着，意味着真实可用性还没法评估。

只给差值不给绝对分的口径问题。 MMMU-Pro 和 OSWorld 2.1 都是"超过前代""接近某模型"，没有绝对分数。这意味着没法直接跟第三方榜单对齐，横向比较时容易失真——"超过前代最佳成绩"和"绝对值是多少"是两件不同的事，前者可以只靠前代偏弱来达成。

能力边界。 最复杂的编程任务，原文自己建议选 GPT-6.1 Sol 或 GPT-6 Astra。Terra 的定位是够快、够便宜、够用，不是最强。把它当默认模型可以，把它当唯一模型会在某些任务上撞墙。

缓存价格的实际命中率。 $0.05 的缓存输入单价看着很低，但这个档位只在命中缓存时生效。长会话、固定系统提示、多轮工具调用的场景能吃到；一次性任务吃不到。真实账单取决于命中比例，不取决于标价。

结论是：真正的变化在成本结构和错误率上，不在能力上限上。最强还是 GPT-6.1 Sol 和 GPT-6 Astra，但"够用的那档"变便宜了，也变可靠了。