GPT-6.1 Terra 价格与能力定位：半价 Sol，适合哪些电脑操作任务？

GPT-6.1 Terra 是 OpenAI 面向视觉理解与电脑操作的模型，主打速度与性价比。按标准 API、单次输入不超过 272K Token 的口径，每百万普通输入、输出 Token 分别为 1 美元和 5 美元，均为 GPT-6.1 Sol 的一半。

Terra 适合优先尝试读屏、填表、跨应用资料处理和局部代码修复；复杂编程与长链路规划仍可优先交给 Sol。价格相差一半，不代表综合能力相同，也不代表每项任务的最终账单都能减半。

本文按 2026 年 10 月 28 日的文章资料整理价格与使用边界。发布期的部分评测数字尚未取得完整原始结果，相关段落保留核验说明，不能用来推导 Terra 与其他模型的综合能力等式。

价格只有 Sol 一半，怎么算？

桌面 Agent 需要反复读取截图和当前上下文，因此要同时核对模型单价、实际 Token 用量与失败重试成本。

OpenAI 这次给 GPT-6.1 Terra 开出的标准 API 定价非常直接：

• 输入价格：$1 美元 / 百万 Token
• 缓存输入：$0.05 美元 / 百万 Token
• 输出价格：$5 美元 / 百万 Token

五款模型，价格放一起看

下面统一采用标准速度、输入不超过 272K Token 的 API 文本计费口径。

单位均为美元 / 百万 Token，价格核对于 2026 年 10 月 28 日。

GPT-6 Astra

输入 $10 · 缓存 $1 · 输出 $50

GPT-6.1 Sol

输入 $2 · 缓存 $0.10 · 输出 $10

GPT-6 Sol

输入 $2 · 缓存 $0.20 · 输出 $10

GPT-6.1 Terra

输入 $1 · 缓存 $0.05 · 输出 $5

GPT-6 Luna

输入 $0.10 · 缓存 $0.01 · 输出 $0.50

比 Sol 和上一代，便宜多少？

**对比 6.1 Sol：**Terra 的普通输入、输出、缓存读取单价都便宜 50%。

**对比 6 Sol：**普通输入和输出便宜 50%，缓存读取便宜 75%。

6.1 Sol 与 6 Sol 的普通输入、输出同价，但前者的缓存读取单价也降了一半。

**对比 Astra 和 Luna：**Terra 的普通输入、输出单价是 Astra 的 十分之一，也是 Luna 的 10 倍。

它处在两者之间的价格档位，适合重点评估视觉与执行任务的性价比。

再和上一代比：GPT-5.6 Terra 原价为输入 $2、缓存读取 $0.20、输出 $12。

新版分别下降 50%、75%、约 58.3%，因此“价格腰斩”只是概括，各项降幅并不完全一致。

跑一次任务，账单差多少？

举个容易复算的例子：一次任务累计产生 10 万普通输入 Token + 1 万输出 Token。

每次请求的输入都未超过 272K，暂不计缓存与工具费用：

• Terra：约 $0.15
• 两款 Sol：$0.30
• Astra：$1.50
• Luna：$0.015

这是相同 Token 用量的算术对比；不同模型实际需要多少思考、重试和操作步骤，还会改变最终账单。

缓存和长上下文，另看两笔账

**先看缓存。**Terra 的 $0.05 是命中后的读取价格，缓存写入另计：

• 保留 30 分钟：$1.25 / 百万 Token
• 保留 12 小时：$2.50 / 百万 Token

可复用的提示词和工具定义有助于省钱，但每一步新产生的截图不能直接按缓存读取价计算。

**再看长上下文。**105 万上下文容量与基础计费区间是两回事。

Terra、两款 Sol、Astra 和 Luna 的单次请求输入超过 272K 后，整次请求的输入及缓存费率变成 2 倍，输出变成 1.5 倍。

Terra 此时的普通输入 / 输出为 $2 / $7.50。

另外，Terra 的 Batch、Flex 价格比标准价低 50%，Fast 则为标准价的 2 倍。

工具、图片等费用还需按对应规则核算。

订阅额度，和 API 分开看

ChatGPT Work / Codex 使用的是订阅额度或 credits，API Key 则按美元计费，二者需要分开看。

官方标准速度下，每百万输入 / 缓存读取 / 输出的 credit 费率为：

• Terra：25 / 1.25 / 125 credits
• 6.1 Sol：50 / 2.5 / 250 credits

相同 Token 用量下，Terra 的 credit 消耗减半。

但这不等于每个账号都获得固定两倍消息数，也不代表 API 的每分钟请求数或 Token 上限翻倍。

官方同时说明，Work 与 Codex 的整体套餐限额未变，实际可完成任务数取决于任务复杂度、上下文和推理投入。

GPT-6.1 Terra 的定位：与 Sol 怎么选？

Terra 定位于视觉理解和电脑操作，主打速度与性价比，适合读屏、填表、材料改写和局部代码修复。

最值得拿来对照的是 GPT-6.1 Sol：上述任务可以尝试交给 Terra；复杂编程、长链路规划和综合专业工作，仍优先考虑 Sol。

跑分放回具体测试中看看

降价如果伴随着性能缩水，那只是常规清仓；但如果降价的同时性能大涨，那就是降维打击。

原稿收录了以下发布期的人员评价与媒体转述。

本次未核实到这些数字对应的完整原始评测、推理设置和费用明细，暂作为观察线索保留，不能据此给出 Terra 与 Sol 系列的综合能力等式。

ALE 提高 15 个百分点？

OpenAI Codex 团队工程师 Vaibhav Srivastav 透露了 Terra 在 Agents’ Last Exam（ALE） 上的表现。

这项测试被原稿称为“长链路经济价值任务地狱难度”的权威基准。GPT-6.1 Terra 比上一代 5.6 Terra 高出了 15 个百分点，实际消耗的成本却缩减到了原先的约三分之一。

这类端到端任务评测关注模型能否在工具环境里交付结果。

即使上述提升得到原始数据确认，它反映的也首先是该评测下相对 5.6 Terra 的进步，不能直接回答与两款 Sol 的全面差距。

和 Opus 5.5 比，费用如何？

科技监测媒体 TestingCatalog 引述官方评测数据，比较了开启 max effort（最大推理投入）模式下的表现。

据其转述，Terra 的 Token 消耗效率达到了 Claude Opus 5.5 的 3 倍以上。

更惊人的是其综合经济性——完成同样一项高难度任务，Terra 的单任务成本比 Opus 5.5 便宜了约 9 倍！

Greg Brockman 的直观评价

OpenAI 总裁 Greg Brockman 在体验后给出了一个极高的评价：Terra 的电脑操作能力已经正式跨过了“质变门槛”（inflection point）。

他在日常工作中发现，让 Terra 帮自己操作电脑完成各类复杂任务，整个过程的顺畅程度和用时，比他自己纯手动、不借助任何 AI 操作还要更快。

个人体验有助于理解产品方向，但是否比人工更快、是否适合投入实际流程，还需要在相同任务上核对结果和耗时。

第三方生态，有哪些进展？

每一次优质轻量模型的发布，第三方社区的嗅觉都是最敏锐的。

Artificial Analysis 深度测评

原稿援引 Artificial Analysis 的转述称，在 AA-Omniscience 事实测试中，幻觉指标从 5.6 Terra 的 88% 降至 38%。

该数字本次未独立复核；即使成立，也应结合测试题目、作答率和指标定义理解，不能换算成所有实际任务中的出错概率。

OpenRouter 光速上线

原稿记录 OpenRouter 已上架 openai/gpt-6.1-terra，并转述其在 Agents’ Last Exam 上接近 Astra。

平台上架情况和评测原始结果本次未独立复核。官方可确认的是：Terra 有 1.05M 上下文，标准普通输入、输出单价是 Astra 的十分之一。

这个价格比例不能直接当作同等能力或单任务费用的比例。

Agent Arena 竞技场就位

知名大模型盲测平台 LMSYS 确认，Terra 已正式入驻 Agent Arena 竞技场。

目前正在接受全球开发者的长链路实战盲测对决，天梯排行榜的分数即将正式揭晓。

自动化利器 OpenClaw 全面兼容

广受效率玩家青睐的自动化工作流客户端 OpenClaw 也已火速完成对接。

现在用户可以使用已有的 ChatGPT 账号登录（共享 Work/Codex 订阅配额），也可以直接填入 OpenAI API Key。

切到 openai/gpt-6.1-terra，就能把原有的浏览器、桌面和数据搬运脚本跑起来。

普通人和团队，怎么用？

很多人看到模型参数和各种技术名词容易懵，说直接点：GPT-6.1 Terra 的出现，就是让“电脑自动化”走下神坛的一步。

如果你平时也要面对繁琐的电脑工作，这里有两个最立竿见影的切入姿势：

职场人：核对资料、跨应用搬运

以往在电脑前最消磨耐心的，往往是“跨软件搬砖”。

一边开着 CRM 系统，一边开着几百行 Excel，中间还夹着微信群里的截图和 PDF 报价单，人工核对填表容易眼花，切屏切得手酸。

现在有了 ChatGPT Work + Terra 的支持，可以从多窗口比对、截图数据录入、网页表单填充开始试用。

给出明确的资料、字段要求和验收方式，再核对保存结果，就能判断它是否适合接手这段流程。

开发团队：为 Agent 分配执行节点

在以往的多 Agent 架构设计中，最大的纠结就是“分层”。

如果所有节点都上 Astra 或 Opus 5.5，月度账单扛不住；如果把执行节点降级为小模型，工作流又频繁断在 UI 交互或长上下文记忆上。

结合上面的能力和价格定位，可以尝试这样分工：

• Sol 或 Astra：负责复杂规划与疑难处理。
• Terra：负责明确目标的视觉和桌面执行。
• Luna：处理简单提取与格式转换。

这是一种值得测试的分工方式，是否划算，要看加入交接和失败重试后，每个成功任务的平均成本是否下降。

Terra 是否值得用于桌面 Agent？

在大模型发展的过去两年里，行业的聚光灯几乎全打在参数越来越大、算力堆叠到极致的“超级旗舰”上。

但真正能让 AI 渗透到千行百业、钻进每个人电脑桌面的，从来都不是那些昂贵到令人望而生畏的展厅展品，而是被极限工程化打磨出来的平价生产力工具。

GPT-6.1 Terra 的战略意义恰恰在这里：

它没有把精力耗在虚无缥缈的跑分神话上，而是把刀刃精准切向了**“长链路任务执行”和“屏幕自动化交互”**这两个最耗 Token、也最能解决实际问题的场景。

Terra 最值得关注的地方，是用 Sol 一半的标准输入、输出单价，提供面向读屏与电脑操作的能力。

能替我们省下多少时间、多少费用，接下来要由一件件真实完成的任务来回答。