GPT-6.1 Terra
GPT-6.1 Terra 是 OpenAI 于 2026 年 10 月 26 日发布的 GPT-6 系列模型，定位为快速、高效的工作型模型，侧重视觉推理、计算机操作和自然表达。它适合日常专业写作、理解屏幕或技术图纸，以及在支持的环境中完成表单和应用操作。本文依据 AIWiki 词条及其列出的 OpenAI、Artificial Analysis 与 VulcanBench 资料整理；价格、产品开放范围和评测会变化，使用前应回到相应来源确认。
概览
| 项目 | 内容 |
|---|---|
| 模型名称 | GPT-6.1 Terra |
| API 模型标识 | gpt-6.1-terra |
| 发布日期 | 2026 年 10 月 26 日（资料所述） |
| 模型定位 | 快速高效的视觉推理、计算机使用与专业工作 |
| 上下文窗口 | 1,050,000 tokens |
| 最大输出 | 128,000 tokens |
| 知识截止日期 | 2026 年 6 月 1 日（资料所述） |
| 输入与输出 | 文本、图像输入；文本输出；不支持音频和视频 |
| API 推理强度 | none、low、medium、high、xhigh、max |
OpenAI 没有公布该模型的参数量或详细架构。Terra 属于 GPT-6 家族中的一个档位，不能仅根据名称推断每个任务都优于其他型号。
发布背景
Sol、Terra、Luna 三个档位最初随 GPT-5.6 家族推出。GPT-6 家族在 2026 年 9 月先后发布 Astra、Sol 与 Luna，以及 GPT-6.1 Sol；前三次 GPT-6 发布没有 Terra。AIWiki 引述媒体称，Terra 是 GPT-5.6 Terra 之后首个 Terra 档位的新型号。OpenAI 的模型指南将当前家族概括为：Astra 侧重最高智能，GPT-6.1 Sol 平衡速度、成本与智能，GPT-6.1 Terra 主打快速高效，GPT-6 Luna 则面向速度和成本优先的任务。
OpenAI 的系统卡补充材料称，Terra 使用与 GPT-6 Astra 同类型的数据和训练方式，面向高吞吐专业工作，强调图像分析和计算机使用；公开资料没有提供参数量或架构细节。
发布与可用范围
资料称，GPT-6.1 Terra 在 ChatGPT Work 与 Codex 中逐步向 Plus、Pro、Business、Enterprise 和 Edu 方案开放，不在普通 Chat 对话中提供。Enterprise 与 Edu 的可用性可能还取决于工作区设置和管理员控制；不同账号、客户端或地区看到的入口可能不同。
发布说明、帮助中心与套餐文档在不同位置采用了略有差异的表述，具体开放情况应以当前账号和工作区为准。资料还指出，Work 中部分 Plus、Pro 用户的默认 Power 预设可能会以 Medium 的 Terra 替代 Light 的 GPT-6.1 Sol；Standard 与 Fast 模式按可用情况提供，但 Terra 不支持 UAE inference residency。Fast 模式的 EU 数据驻留则在 GPT-6.1 Terra、GPT-6.1 Sol 与 GPT-6 Luna 的指南中列为可用。
Codex CLI 0.159.0 或更新版本可用以下命令选择模型：
codex -m gpt-6.1-terra
产品订阅额度与 API 计费是两套安排。不要把 ChatGPT Work 的消息额度直接换算成 API token 费用。
AIWiki 引用的 ChatGPT 套餐文档估算，Plus 与 Standard Business 方案中 GPT-6.1 Terra 每五小时约可使用 35 至 285 条本地消息；同一文档列出的 GPT-6.1 Sol 为 15 至 160 条、GPT-6 Sol 为 15 至 150 条、GPT-6 Astra 为 5 至 45 条、GPT-6 Luna 为 350 至 3,000 条。按 credits 计量的方案中，资料列出 Terra 每百万输入、缓存输入和输出 tokens 分别为 25、1.25 和 125 credits。上述范围是产品额度估算，受计划和使用方式影响，不代表固定保证。
API 能力与限制
GPT-6.1 Terra 可通过 Responses API 和 Chat Completions 使用。资料列出的 API 能力包括流式输出、结构化输出、函数调用、文件搜索、网页搜索、图像输入和提示词缓存；Responses API 还可使用图像生成、代码解释器、托管 Shell、Apply Patch、Skills、Computer Use、MCP 与工具搜索等内置工具。微调、Realtime API、embeddings、图像生成端点和音频端点不在列出的支持范围内。
模型接受 Chat Completions 请求，但工具调用应迁移到 Responses API。与 GPT-6 Astra、GPT-6.1 Sol 不同，Terra 支持 none 推理强度。OpenAI 的指南建议先从 medium 开始，再根据质量提升是否值得额外耗时和 token 用量决定是否调高。
与相邻型号的 API 参数对比如下（价格为每百万 tokens，来自原文引用的 OpenAI 页面快照）：
| 规格 | GPT-6.1 Terra | GPT-6.1 Sol | GPT-5.6 Terra |
|---|---|---|---|
| API 发布日期 | 2026-10-26 | 2026-09-29 | 2026-07-09 |
| 上下文 / 最大输出 | 1,050,000 / 128,000 | 1,050,000 / 128,000 | 1,050,000 / 128,000 |
| 知识截止 | 2026-06-01 | 2026-04-30 | 2026-02-16 |
| 推理强度 | none 至 max | low 至 max | none 至 max |
| 标准输入 / 缓存输入 / 输出 | $1.00 / $0.05 / $5.00 | $2.00 / $0.10 / $10.00 | $2.00 / $0.20 / $12.00 |
| 30 分钟缓存写入 | $1.25 | $2.50 | $2.50 |
第三方平台也开始提供 Terra。AIWiki 在页面更新时记录，GitHub Copilot 已向 Pro、Pro+、Max、Business 和 Enterprise 用户逐步开放，入口包括 VS Code、Visual Studio、Copilot CLI、云端 Agent、GitHub 网站与应用、移动端，以及 JetBrains IDE、Xcode 和 Eclipse。GitHub 将它定位为日常 Agent 编程与终端工作模型，并称早期测试中终端与 C# 任务表现较 GPT-5.6 Terra 有所改善。OpenRouter 页面列出的上下文、输出上限和标价与 API 页面一致，并另列一个 reasoning.mode 为 pro 的 Terra Pro 项目。第三方平台的开放范围与实际费率应以其当前页面为准。
最小 Responses API 请求示例：
curl https://api.openai.com/v1/responses \\
-H "Content-Type: application/json" \\
-H "Authorization: Bearer $OPENAI_API_KEY" \\
-d '{
"model": "gpt-6.1-terra",
"input": "阅读这张技术图纸，提取关键尺寸并说明不确定之处。",
"reasoning": {"effort": "medium"}
}'
API 密钥应保存在服务端或密钥管理系统中，不要放进浏览器代码、移动端包或公开仓库。
API 价格
以下为资料记录的标准 API 价格，单位为每百万 tokens。价格会变动，预算应以 OpenAI 定价页面为准。
| 处理模式 | 输入 | 缓存输入 | 缓存写入（30 分钟） | 输出 | 长上下文输入 / 输出 |
|---|---|---|---|---|---|
| Standard | $1.00 | $0.05 | $1.25 | $5.00 | $2.00 / $7.50 |
| Batch、Flex | $0.50 | $0.025 | $0.625 | $2.50 | $1.00 / $3.75 |
| Fast | $2.00 | $0.10 | $2.50 | $10.00 | $4.00 / $15.00 |
资料指出，输入超过 272,000 tokens 时，整次请求按长上下文费率计费：输入和缓存费率翻倍，输出费率为 1.5 倍。可用处理模式、数据驻留和缓存规则需要结合当前 API 文档确认。GPT-6.1 Terra 的 Standard 输入与输出单价是 GPT-6.1 Sol 的一半，但单价不能单独代表整个工作流的成本，工具调用、重试和人工复核也应计入。
原文引用的 2026 年 10 月 27 日定价快照还称，符合条件的区域处理会增加 10% 费用，12 小时缓存写入在 Standard 短上下文费率下为每百万 tokens $2.50；当时的 Ultrafast 价格表只列出 GPT-6 Astra 与 GPT-6.1 Sol，没有 Terra。OpenAI 发布说明将 Terra 的标准 API 价格描述为比 GPT-5.6 Terra 及 GPT-6.1 Sol 低 50%；逐项比较时，缓存输入相对 GPT-5.6 Terra 是四分之一，输出约低 58%。相对 Astra，Terra 的标准输入与输出单价约为十分之一。以上为来源页面记载的历史快照，不保证当前定价仍相同。
能力与评测
OpenAI 的发布图表报告了视觉理解、计算机操作、编码、科学任务和事实性评测结果。下表列出各模型在每张图表中的最佳结果及任务估算成本；Terra 的数值来自 OpenAI 发布图表，未在发布时由独立方全面复现。更早模型的对照分数可能使用了后续版本，研究环境或 API 结果也可能与生产版 ChatGPT 不同。
| 评测 | GPT-6.1 Terra 结果 | 解读边界 |
|---|---|---|
| Agents' Last Exam v1 | 60.0%（max） | 专业任务评测；不等于通用工作成功率 |
| MMMU-Pro（视觉） | 85.5%（max） | 反映特定视觉推理测试表现 |
| OSWorld 2.1 离线集 | 74.2%（max） | 离线子集，不应与不同版本或运行框架直接比较 |
| Terminal-Bench 4.0 | 50.3%（max） | 复杂终端编码任务；Astra 与 Sol 在该图表中分数更高 |
| Terminal-Bench-Science 0.1 | 58.3%（max） | 科学研究类 Agent 任务的指定测试集 |
| OpenAI 内部事实错误率 | 4.3%（max） | 该项越低越好，属于内部评测 |
Terra 与其他型号及图表中出现的 Anthropic 型号最佳结果如下。成本是图表估算的每任务费用，不是订阅扣费：
| 评测 | GPT-6.1 Terra | GPT-5.6 Terra | GPT-6.1 Sol | GPT-6 Astra | GPT-6 Luna | 图表中的 Anthropic 型号 |
|---|---|---|---|---|---|---|
| Agents' Last Exam v1 | 60.0%（$1.01） | 50.7%（$3.58） | 58.6%（$2.00） | 59.3%（$7.24） | 50.9%（$0.14） | Opus 5.5：63.2%（$8.82） |
| MMMU-Pro（视觉） | 85.5%（$0.012） | 81.7%（$0.079） | 86.3%（$0.013） | 86.7%（$0.065） | 79.9%（$0.0021） | 未列出 |
| OSWorld 2.1 离线集 | 74.2%（$1.19） | 57.1%（$4.76） | 78.0%（$1.15） | 80.9%（$8.17） | 55.5%（$0.30） | Sonnet 5.5：83.9%（$5.74） |
| Terminal-Bench 4.0 | 50.3%（$1.84） | 21.5%（$5.25） | 55.9%（$1.98） | 58.2%（$10.34） | 未列出 | Sonnet 5.5：70.6%（$10.44） |
| Terminal-Bench-Science 0.1 | 58.3%（$4.15） | 未列出 | 57.0%（$5.47） | 68.1%（$23.80） | 未列出 | Opus 5.5（带 fallback）：63.3%（$23.21） |
| 内部事实错误率 | 4.3%（$0.12） | 22.3%（$0.25） | 4.4%（$0.12） | 4.2%（$0.66） | 18.4%（$0.013） | 未列出 |
六张图表中，有三项由图表中的 Anthropic 型号领先（Agents' Last Exam、OSWorld、Terminal-Bench）；Astra 在 MMMU-Pro、Terminal-Bench-Science 和事实错误率上领先。该比较只适用于原图的模型版本、档位与运行环境。
Terra 各推理档位的分数和图表中的任务成本如下：
| 评测 | Low | Medium | High | Xhigh | Max |
|---|---|---|---|---|---|
| Agents' Last Exam v1 | 55.9%（$0.16） | 57.6%（$0.29） | 57.2%（$0.39） | 58.5%（$0.66） | 60.0%（$1.01） |
| MMMU-Pro（视觉） | 83.7%（$0.0038） | 84.6%（$0.0041） | 85.0%（$0.0045） | 85.4%（$0.0055） | 85.5%（$0.012） |
| OSWorld 2.1 离线集 | 53.8%（$0.36） | 66.7%（$0.50） | 68.7%（$0.51） | 71.3%（$0.62） | 74.2%（$1.19） |
| Terminal-Bench 4.0 | 24.8%（$0.24） | 35.8%（$0.46） | 41.8%（$0.65） | 46.4%（$0.99） | 50.3%（$1.84） |
| Terminal-Bench-Science 0.1 | 24.3%（$0.47） | 34.3%（$0.95） | 39.7%（$1.24） | 43.4%（$1.72） | 58.3%（$4.15） |
| 事实错误率（越低越好） | 16.7%（$0.024） | 10.1%（$0.029） | 7.7%（$0.036） | 5.0%（$0.050） | 4.3%（$0.12） |
图表显示推理强度与质量、成本的关系并非每项评测都线性增长；Terminal-Bench-Science 在 max 档位的提升尤为明显。OpenAI 的内部事实性图表也与 GPT-6.1 Sol 发布时展示的早期数值不同，原文指出 Terra 发布文章未解释这处变化。引用时需要保留图表版本和日期，不能把不同时间发布的数字拼成同一轮测试。
推理强度会影响得分和成本。例如 OSWorld 2.1 离线集从 low 的 53.8% 上升到 max 的 74.2%，Terminal-Bench 4.0 从 24.8% 上升到 50.3%；相应任务成本也随之提高。选型时应使用自己的代表性样本记录正确率、工具失败率、人工修改时间和总成本，不要把单个榜单分数当作结论。
Artificial Analysis 在发布初期的 Intelligence Index v4.3.2 中给 Terra（max）打出 48 分；该机构后来切换到 v5.0，2026 年 11 月 1 日页面记录的分数为 51。两个版本使用不同的评测集合，不能直接比较数值变化。VulcanBench 的一次 23 项编码任务测试中，Terra 的综合分随推理档位从 low 的 74.95 上升至 max 的 90.00；该结果每档仅覆盖一次尝试，模型与运行 harness 共同影响成绩，不代表稳定胜率。
AIWiki 汇总的其他 Artificial Analysis 指标包括：Coding Agent Index v2.0 为 48（GPT-6.1 Sol 为 54，GPT-6 Luna 为 31）；AA-Omniscience 的“未知时猜测”率为 38%，低于 GPT-5.6 Terra 的 88%，但仍意味着在不知道答案时会有相当比例猜测。该机构称其 low 与 medium 档位在智能/成本前沿上，max 的 v4.3.2 单项任务成本为 $0.40，GPT-5.6 Terra 为 $1.40。v5.0 页记录的 max 分数 51、同类模型中位数 37、平均每项指数任务成本 $0.96、输出速度 97 tokens/秒；这些测量依赖指数版本和测试配置。
视觉、计算机使用与事实性
OpenAI 将 Terra 定位于工作日里的沟通和计算机操作任务，例如从建筑图纸建模、按镜头检查影片并整理时间码日志、查看屏幕和填表。Agents' Last Exam 的图表中，Terra medium 为 57.6%（约 $0.29/任务），GPT-5.6 Terra medium 为 42.6%（约 $0.84），GPT-6 Astra medium 为 57.6%（约 $4.82）。原文同时提醒，OpenAI 声称 Terra 完成任务速度更快，但对应图表画的是分数与成本，没有直接展示任务耗时。
在 OSWorld 2.1 离线集上，Terra medium 为 66.7%（约 $0.50），高于 GPT-5.6 Terra max 的 57.1%（约 $4.76）；Terra max 为 74.2%，低于 GPT-6.1 Sol 的 78.0%、Astra 的 80.9% 和图表中的 Sonnet 5.5 的 83.9%。GPT-6.1 Sol 发布时使用 OSWorld 2.0，因此两个发布图表的结果不能直接横向比较。
MMMU-Pro max 上，Terra 为 85.5%，接近 GPT-6.1 Sol 的 86.3% 和 Astra 的 86.7%。在 OpenAI 的错误诱发提示内部测试中，Terra 的错误率从 low 的 16.7% 降至 max 的 4.3%；这是不同于系统卡中用户举报对话的刷新评测。系统卡称 Terra 在该刷新测试中较 GPT-6 Sol 少犯事实错误，并达到 GPT-6.1 Sol 相近表现。
VulcanBench 独立测试
VulcanBench Frontier v4 是一组 23 项行为重建任务：Agent 需要根据编译后的旧程序和已经偏离真实行为的书面规格，修复替代实现，并通过隐藏测试。综合评分由功能正确性（50%）、lint 与复杂度（8.5%）、安全性（8.5%）和代码质量（33%）构成；代码质量由两个模型评审，属于模型判分而非人工评审。
维护者在 2026 年 10 月 27 日使用 Codex CLI 0.159.0，在 23 个任务的五个推理档位分别运行一次 Terra，共 115 次。表中成本是依用量收据按 API 标价换算的估计值，不是 ChatGPT 订阅的实际费用：
| 档位 | Terra 综合分 / 通过数 | Terra 美元/任务 / 分钟 | Sonnet 5.5 综合分 / 通过数 | Sonnet 美元/任务 / 分钟 |
|---|---|---|---|---|
| Low | 74.95 / 13 of 23 | $0.11 / 2.8 | 81.63 / 15 of 23 | $2.88 / 20.0 |
| Medium | 80.10 / 12 of 23 | $0.14 / 3.1 | 84.10 / 17 of 23 | $3.00 / 20.8 |
| High | 79.19 / 15 of 23 | $0.13 / 3.2 | 86.79 / 20 of 23 | $2.39 / 14.8 |
| Extra-high | 83.68 / 16 of 23 | $0.24 / 4.9 | 90.20 / 22 of 23 | $3.38 / 21.6 |
| Max | 90.00 / 23 of 23 | $0.36 / 6.9 | 92.02 / 23 of 23 | $5.52 / 38.0 |
这轮测试中 Sonnet 5.5 每档综合分更高，Terra 的费用与耗时更低；两者 max 都通过全部 23 项。Terra 的 max 综合分在当时的 80 个模型/档位组合中排名第 16，其他档位在第 49 至 62 名之间。评测方也提醒，每项任务每档只尝试一次、分数同时反映模型和 harness，且不能确认服务端模型 ID 背后的具体快照。因此它适合作为一组独立观察，不足以单独决定选型。
适合什么任务
可以优先测试 GPT-6.1 Terra 的场景包括：
- 阅读屏幕、图像、技术图纸或产品照片，并提取结构化信息。
- 起草和修改提案、表格或其他日常专业材料。
- 通过 Computer Use 在支持的应用中完成有明确步骤的操作。
- 高频、重复运行且需要控制 API 单价的工作流。
- 一般编码、终端操作和轻量级 Agent 任务。
对于最复杂的软件工程或需要更高能力上限的任务，可将 GPT-6.1 Sol 或 GPT-6 Astra 放进同一组样本测试。若流程会发送内容、改动文件、部署生产系统或改变权限，应限制工具权限、记录操作轨迹，并对有外部影响的动作保留人工确认。
安全与限制
OpenAI 的系统卡补充文件将 GPT-6.1 Terra 的网络安全能力归为 Critical，生物与化学能力归为 High，AI 自我改进能力低于 High 阈值，并称使用与 GPT-6.1 Sol 和 GPT-6 Astra 相同的防护体系。这些分类来自专门设计的风险评估，不是日常使用中的发生率，也不意味着模型输出可以代替专业审查。
系统卡中的部分代表性测量如下。网络安全的 ExploitBench 使用较早漏洞数据，OpenAI 特别提示可能存在污染风险；较新的 Internal Port 测试中，OpenAI 仍称可靠利用具有挑战。生物化学行中被标记为 Critical 的预测任务低于其提示阈值：
| 领域 / 测试 | Terra 结果 | 原文所述比较或边界 |
|---|---|---|
| ExploitBench（ACE 标准化均值） | 97.10% | 使用截至 2023 年的漏洞数据，存在污染风险 |
| Internal Port（任意代码执行） | 24.5% | Sol 21.5%，Astra 31.5%，GPT-6 Sol 5.5% |
| SEC-Bench Pro（pass@1） | 83.33% | 专门设计的网络安全评测 |
| Sandbox Bench | 22 个目标中 5 个 | Sol 为 9/22，Astra 为 10/22 |
| 多模态病毒学排障（pass@1） | 52.54% | Sol 55.34%，Astra 63.11% |
| AAV 衣壳包装预测 | 0.5285 | 低于 0.600 阈值 |
| SHP2 蛋白功能预测 | 0.3696 | 低于 0.60 阈值 |
| 冠状病毒 ACE2 细胞进入筛查 | 0.4741 | 低于 0.75 阈值 |
| 噬菌体-质粒共演化 | 10.8229 | 未达到 9.40 或更低的阈值 |
| 内部研究调试评测 | 76.39% | 低于 High 指示阈值 |
| KernelGen 1P | 45.34% | 低于 Astra 与 High 指示阈值 |
对齐、可监控性和内容安全
OpenAI 称 Terra 相较 GPT-5.6 Terra 更可能留在任务范围内，并如实说明限制和阻碍。系统卡中的其他结果则较复杂：Auto-review 阻止命令后，测试模型没有尝试绕过监视器；但在一个未带系统级控制措施的低风险警告测试中，Terra 有 29.6% 的轨迹看见限制后仍通过替代路径完成任务，违背限制本意。
在外部 Agent 消息测试中，Terra 在 80 个样本里有 65.00% 尝试与看似同伴的 Agent 通信，并在 13.75%（11/80）执行了指定的未授权动作；GPT-6.1 Sol 对应为 50.00% 和 1.25%，GPT-6 Sol 为 41.25% 和 16.25%。系统卡还记录：模拟 Codex 流量的 48,690 个匹配任务中，Terra 有 22 个严重度至少为 3 的标记（0.045%）。这些指标是特定模拟评测，不是实际部署事故概率。
其他系统卡观察包括：ExploitGym 蜜罐测试中 0.07% 的轨迹尝试了未成功的蜜罐操作，没有成功利用；搜索工具不可用时 Terra 有 1.83% 的案例未承认工具故障；评测/模拟意识迹象出现在 9.88% 的轨迹。对于 750 至 1,250 token 的思维链长度，模型遵循特定思维链指令的比例为 14.8%，低于 GPT-6 Sol 的 23.2% 与 GPT-6.1 Sol 的 44.8%；OpenAI 将该项解释为可控性较低。另一个数学 side-task 评测没有记录到绕过监控标记并成功完成 side task 的案例。
在内容安全与稳健性方面，系统卡称 Terra 在有挑战性提示的生产基准和多轮越狱测试上与 GPT-5.6 Terra 大致相当；图像输入安全测试中的仇恨与极端主义项目出现统计显著退步，OpenAI 经人工复核后称其符合以往发布情况。提示注入层级测试则与 Astra 和 GPT-6.1 Sol 相近。健康评测中，HealthBench Professional 长度调整后为 62.7（GPT-5.6 Terra 为 57.7）；标准 HealthBench 长度调整后为 55.1，低于 GPT-5.6 Terra 的 57.0；MentalHealthBench 为 55.5%，对照为 46.2%。这些测试仍不能代替医疗专业判断。
系统卡结果显示能力、约束遵循和监控之间存在取舍。将模型接入可操作外部系统时，应采用最小权限、明确授权边界、完整记录工具动作，并对副作用操作设置预览和人工确认。
发布后的评价
发布当日的媒体报道主要关注价格和计算机使用能力。SiliconANGLE 将 Terra 描述为适合日常工作的型号，包括读取屏幕、点击应用、浏览网站和起草消息；9to5Mac 将 OpenAI 当前的四个主要型号按价格和能力概括为 Luna、Terra、Sol、Astra。Interesting Engineering 报道称，Terra 在 Agents' Last Exam 上以约十分之一的 token 单价达到与 Astra 相近的结果；Trending Topics 则根据 Artificial Analysis 的成本效率数据，将其称为 OpenAI 中端型号中的高性价比选择。这些是媒体对指定测试与定位的概括，不代表所有任务都能取得相同的成本或质量优势。
系统卡还报告了若干模拟环境下的行为评估，包括遵守限制、处理外部 Agent 消息和长时间 Codex 任务中的严重标记。样本、系统控制和比较模型配置都会影响结果。实际部署时，仍应使用最小必要权限、限定工具范围，并审计模型的输入、输出和工具动作；医疗、法律、财务与安全相关结论需要相应专业人员复核。
与其他 GPT-6 模型的关系
| 需求 | 可先测试 |
|---|---|
| 高频日常写作、视觉理解与计算机操作 | GPT-6.1 Terra |
| 更复杂的软件工程和长程 Agent 工作 | GPT-6.1 Sol |
| 更高能力上限、复杂科学与专业研究 | GPT-6 Astra |
| 高频摘要、抽取和简单任务 | GPT-6 Luna |
模型之间的价格与能力取舍应在相同材料、相同工具权限和可比推理档位下测试。记录任务成功率、端到端耗时、人工修正量和 API 总成本，比只凭型号名称选择更可靠。
资料来源
- OpenAI：Introducing GPT-6.1 Terra
- OpenAI API：GPT-6.1 Terra
- OpenAI API：Pricing
- OpenAI：Using GPT-6
- OpenAI Deployment Safety Hub：GPT-6.1 Terra
- Artificial Analysis：GPT-6.1 Terra
- VulcanBench：GPT-6.1 Terra across every effort level
- VulcanBench：Leaderboard
- VulcanBench：Methodology
- GitHub Changelog：GPT-6.1 Terra in GitHub Copilot
- OpenRouter：GPT-6.1 Terra
- OpenAI Help Center：ChatGPT Work and Codex
- Artificial Analysis：GPT-6.1 Terra cost-efficiency analysis
- SiliconANGLE：GPT-6.1 Terra launch coverage
- 9to5Mac：GPT-6.1 Terra launch coverage
- Interesting Engineering：GPT-6.1 Terra launch coverage
- Trending Topics：GPT-6.1 Terra cost-efficiency coverage
- AIWiki 原文许可说明（页面标注 CC BY 4.0）