图片来源：OpenAI Developers
OpenAI 发布了 GPT-6.1 Terra，一款把重点放在视觉推理、精确计算机操作和日常专业工作的高性价比模型。
它最直观的变化是 API 价格：标准模式下，每百万输入 token 为 1 美元，输出 token 为 5 美元，缓存输入为 0.05 美元。前代 GPT-5.6 Terra 的对应价格为输入 2 美元、输出 12 美元、缓存输入 0.20 美元。
因此，“价格减半”并不是一句宽泛的营销描述。输入价格确实下降 50%，输出价格下降约 58%，缓存读取价格下降 75%。但这只是在标准、短上下文和同一 Terra 产品层级下的比较，并不意味着 OpenAI 所有 API 或所有处理模式都统一降价。
比价格更值得关注的是，Terra 在视觉理解、桌面软件控制和部分编码基准上开始接近、甚至在特定任务中超过更昂贵的大模型。模型竞争正在从“谁的参数更多、总榜分数更高”，转向一个更实际的问题：完成一项可验证工作究竟要花多少钱。
官方规格：低价并不等于小上下文
OpenAI 官方模型文档把 GPT-6.1 Terra 定位为快速、高效的视觉推理和计算机使用模型，适合把产品照片匹配到目录、理解技术图纸、在应用界面中执行操作，以及起草和修改文本。
它提供 105 万 token 上下文窗口，最大输出 12.8 万 token，知识截止日期为 2026 年 6 月 1 日；支持文本和图片输入、函数调用、结构化输出、Web Search、File Search、Code Interpreter、Hosted Shell、Computer Use、MCP 和工具搜索。
推理强度可以在 none、low、medium、high、xhigh 和 max 之间选择，默认是 medium。如果需要调用工具，OpenAI 要求使用 Responses API。
这些规格意味着 Terra 并非只用于简单聊天的小模型。它保留了长上下文和完整工具能力，主要通过更低的单价和更高的任务效率，进入大量重复运行的企业工作流。
“减半”需要看清四种计费条件
标准短上下文价格只是成本计算的起点。
首先，当输入超过 27.2 万 token 时，整次请求的输入和缓存价格按 2 倍计算，输出价格按 1.5 倍计算。不能用每百万输入 1 美元直接估算超长上下文任务。
其次，Batch 和 Flex 模式在标准价格基础上再降低 50%，适合可以异步执行、对实时响应要求不高的工作。Fast mode 则按标准价格的 2 倍收费，用更高费用换取延迟优势。
第三，区域处理在支持的地区需要增加 10% 费用。企业如果有数据驻留要求，应把这部分算进部署成本。
第四，Web Search、Computer Use 等工具可能另收调用费用。模型 token 价格下降，并不代表完整 Agent 工作流的成本只剩 token 账单。
因此，评估 Terra 时最可靠的方法不是比较价目表，而是在真实任务上同时记录输入、输出、推理强度、工具调用次数、成功率和重试次数。
哪些性能真的接近更大模型
The Decoder 汇总的官方评测与 Artificial Analysis 数据显示，GPT-6.1 Terra 的优势主要集中在三个方向。
第一是视觉推理。在 MMMU-Pro 上，Terra 在不同推理强度下都明显超过前代，并接近 GPT-6 Astra 与 GPT-6.1 Sol。对企业而言，这类能力可以用于理解截图、技术图纸、商品图片和表格式界面。
第二是计算机控制。在 Agents’ Last Exam、OSWorld 2.1 等桌面 Agent 评测中，Terra 以更低 token 价格取得接近大模型的结果，并在部分设置下以更快速度完成任务。这正是它最有差异化的场景：操作网站、填写表单、在企业软件中跨界面执行明确流程。
第三是编码。报道援引 Terminal-Bench 4.0 数据称，Terra 在最高推理强度下的任务解决率达到 50.3%，相比 GPT-5.6 Terra 的 21.5% 显著提升；在部分科学编码评测中，它还以更低成本取得接近或超过 GPT-6.1 Sol 的结果。
但这些结果不能概括成“Terra 全面超过更大模型”。不同基准测量的是不同能力，推理强度、工具设置和成本估算也会影响排名。OpenAI 的模型选择指南仍建议，把 GPT-6.1 Sol 用于复杂项目，把 Astra 用于要求最高的分析、编码和专业交付。
更准确的说法是：Terra 在边界清晰、可以验证的视觉、桌面操作和局部编码任务上，缩小了与大模型的差距，并可能获得更好的成本表现。
每 token 便宜，不等于每项任务一定便宜
企业购买的不是 token，而是成功完成的工作。
假设一个便宜模型执行一次任务只需 0.10 美元，但成功率只有 60%，失败后还要重试或交给人工处理；另一个模型单次成本 0.30 美元，却有 95% 成功率。后者的最终业务成本可能更低。
因此，真正值得测量的是“每个成功任务成本”：
- 任务一次完成率与平均重试次数；
- 输出 token 和隐藏推理 token 消耗；
- 工具调用、浏览器运行与搜索费用；
- 人工复核和错误修复时间；
- 延迟对用户流失与业务流程的影响；
- 错误操作可能造成的资金、权限与数据风险。
Artificial Analysis 将 Terra 放在较优的成本—智能前沿上，说明它在通用评测中表现突出；但企业仍应使用自己的页面、代码库和业务数据建立评测集。公开排行榜只能帮助筛选候选模型，不能替代生产环境验证。
Computer Use 为什么可能成为 Terra 的核心市场
文本生成的价格竞争已经非常激烈，而自动操作软件仍有更高的价值密度。
很多企业流程没有稳定 API，员工必须在 CRM、ERP、财务系统、后台网页和桌面软件之间复制数据、点击按钮、检查状态。传统 RPA 依赖固定坐标和规则，一旦界面变化就容易失效；视觉模型则可以根据屏幕内容理解当前状态并决定下一步操作。
Terra 如果能以较低成本稳定完成这类任务，就可能进入订单处理、报表录入、商品上架、客服工单、测试验证和内部系统维护等高频工作流。
不过，Computer Use 的风险也比文本问答更高。模型不只是输出建议，而是可能点击确认、发送信息、修改记录或触发付款。部署时需要最小权限、操作白名单、关键步骤人工审批、执行日志、可回滚设计和独立结果校验。
低价格会扩大 Agent 使用量，也会放大一个小错误重复执行数千次的风险。
网络安全阈值与提示注入不能混为一谈
The Decoder 根据 OpenAI 系统卡称，GPT-6.1 Terra 达到了 Preparedness Framework 中的关键网络安全能力阈值，并继承了相应的安全措施。报道还称，它对间接提示注入攻击的防御率达到 98.8%，高于 GPT-5.6 Terra 的 96.2%。
这里需要区分两个概念。
“达到较高网络安全能力阈值”描述的是模型能够完成多强的网络安全任务，因此需要额外监控和访问保护；它不等于模型自身已经不会被攻击。提示注入防御率则衡量模型面对恶意网页、文档或第三方内容时，能否继续遵循原始指令。
即使 98.8% 的测试结果可以在真实环境复现，剩余失败率对大规模自动化仍不可忽视。一万个包含潜在攻击内容的任务，理论上仍可能出现大量需要拦截的危险情况。更何况公开基准不可能覆盖所有企业界面、工具组合和新型攻击。
因此，模型的抗提示注入能力应该被视为一层防护，而不是替代系统级隔离。外部内容应默认不可信，敏感工具调用需要策略检查，高风险操作必须获得独立授权。
Terra 改变的是模型采购方式
GPT-6.1 Terra 的意义不只是把输入和输出单价降下来。它表明中端模型正在获得过去只有旗舰模型才具备的视觉、推理和工具操作能力。
企业不再需要让最昂贵的模型处理所有任务。更合理的架构是按风险与复杂度分层：Terra 承担高频、边界明确、可以自动验证的视觉和软件操作；Sol 处理复杂编码与跨资料项目；Astra 负责最困难、容错率最低的决策与交付；Luna 则承担规模更大、结构更简单的任务。
这种分层会把模型选择从品牌和排行榜问题，变成工程与财务问题。谁能用评测、路由、权限和审计系统，把任务送到“足够好且最经济”的模型，谁才真正获得 Terra 降价带来的红利。
新闻原文： The Decoder：GPT-6.1 Terra halves OpenAI’s API prices
官方模型资料： OpenAI Developers：GPT-6.1 Terra
官方定价： OpenAI Developers：API Pricing
前代模型资料： OpenAI Developers：GPT-5.6 Terra