GPT-6.1 Terra实测拆解：单价砍半、每秒91个Token，AI办公从”会聊”进入”会干”

OpenAI在10月26日放出GPT-6.1 Terra，GPT-6家族的四档阵容就此凑齐。这款中档模型定价只有旗舰Astra的十分之一，却把电脑操作、表单填写这类日常办公任务做到了接近旗舰的水平。对每天被重复劳动淹没的职场人来说，这次更新比又一款旗舰模型重要得多。

Terra补上的正是”干活”这一档

过去一个月，OpenAI的模型矩阵快速铺开：9月3日发布旗舰GPT-6 Astra，9月22日推出Sol和Luna，9月29日Sol升级到6.1。阵容里一直缺一个角色——比Luna聪明、比Sol便宜、专门处理现实工作流的执行者。10月26日的Terra就是来填这个位置的。

官方给它的定位很清晰：视觉理解、精确电脑操作、快速执行。典型场景包括发票录入、技术图纸解读、跨软件表单填报和文档起草。这类任务的共同点是需要”看懂截图、判断该点哪个按钮、再准确填进数据”，对操作精度的要求高，对综合推理能力的要求反而不极端。

价格是Terra最直观的卖点。每百万Token输入1美元、输出5美元，是Sol的一半、Astra的十分之一。对比上一代GPT-5.6 Terra，输入降价50%，输出降价约58%，缓存读取降价75%。上下文窗口给到105万Token，最大输出12.8万，知识截止2026年6月1日。

实测数据：智能指数只差Sol四分

Artificial Analysis的独立评分显示，Terra在最高推理强度下的智能指数为48，Sol是52，差距只有四分。上一代GPT-5.6 Terra只有42分，这次净涨六分。

速度更直观。Terra输出速率约每秒91个Token，低推理强度下首Token延迟1.29秒。同档位对比，Sol每秒写出69.4个Token，最高推理强度下首Token要等284秒，Terra只需131.8秒。OpenAI声称Terra完成任务的速度是Astra和Sol的三倍以上。

成本端的数据更值得细看。Artificial Analysis测算单个智能指数任务的平均成本：Terra低强度0.05美元、中强度0.10美元，Sol最高强度要0.72美元。中强度Terra的单任务成本约为Sol的14%，智能指数却只差11分。低和中两档被Artificial Analysis点评为成本上的帕累托最优。

幻觉率也压下来了。AA-Omniscience测试里，面对不知道答案的问题，Terra的”硬猜”比例从上代的88%降到38%。OpenAI自家的困难事实题测试中，最高推理强度下错误率4.3%，低强度16.7%。

短板在哪：稳定性撑不起免审

Terra的能力上限依然够不到旗舰。Terminal-Bench 4.0编程智能体测试，Terra最高强度50.3%，Sol的medium档就有52.7%且单任务成本更低。OpenAI自己也承认，最难的编码任务该交给Sol或Astra。

DualEntry的会计任务测试暴露了更实际的问题：Terra平均每任务16.1秒、成本约0.042美元，速度和账单都漂亮，但应付账款、月末结账这类任务的准确率只有五六成，三次全通过率65.3%。结论写在脸上——它可以接管大批量执行，结果仍然需要人工抽查。

Plotly的数据分析实测（43题）给出了类似画像：Luna做对38题花0.13美元，Terra对40题花1.31美元，Sol全对花2.61美元。Terra每题平均只生成约1460个Token、调用4.5次，快有一部分来自输出精简、步骤更少。精简是不是漏了活，得看你的任务容不容错。

计费细节里藏着三个坑

单价便宜和总成本省是两件事，Terra的计费规则里有三处容易翻车：

• 长上下文溢价：单次请求输入超过27.2万Token，整次请求输入按2倍计，输出按1.5倍计。
• 推理档位：从高到最高，单任务成本从0.13美元跳到0.40美元，Token消耗暴涨近5倍，买来的分数提升只有4分。
• 缓存写入：30分钟档写入1.25美元、12小时档2.50美元，高频重复任务的缓存策略直接影响账单。

OpenAI官方OSWorld图表还给了个反向数据：Terra max每任务成本约1.19美元，Sol max约1.15美元。推理量和操作步骤上去了，单价减半的Terra未必更省。

职场人怎么用：三步落地

第一步，把高频量、可容错的活先切给Terra。 发票整理、截图信息提取、表单录入、周报初稿，这些任务用低或中推理强度跑，单任务成本能压到几美分。

第二步，把质量敏感的任务留出升级通道。 同一套提示词， Terra跑不过时改model参数切到Sol。OpenAI在ChatGPT Work里也是这么设计的——同一套餐限额下，Terra能跑的任务数远多于Sol。

第三步，保留人工抽检。 DualEntry的数据说明执行型模型在财务类任务上稳定性不足。抽检5%-10%的结果，比全人工处理快得多，也比全信模型安全得多。

推理档位的选择原则很简单：用户在线等待的场景用低或中，质量优先用高，最高强度只留给离线批量任务。

写在最后

Terra的发布标志着一个转折：AI厂商的竞争重点从”比谁更聪明”转向”比谁能干活”。发票、表单、截图这些没人愿意做的活，第一次有了专门优化且单价砍半的模型来接手。对个人，它意味着每天两小时的机械操作可以交出去；对企业，0.10美元一任务的执行成本，让规模化部署第一次不用先过CFO那关。

先从你的收件箱开始试。挑一个每周重复三次以上的任务，用medium档跑一周，对比结果质量。数据会告诉你答案。