GPT-6.1 Terra实测：低价高速的精度代价

速度更快、价格更低，是否意味着可以直接替代旗舰模型？据The New Stack报道，OpenAI于10月26日发布GPT-6.1 Terra，将其定位为适合高频日常工作的低成本模型。但该媒体通过API进行的三项高推理强度测试显示，节省成本与保持精度并不总能兼得：Terra总耗时258.8秒、估算令牌成本0.61美元，GPT-6 Astra则分别为709.2秒和7.88美元；两者总分分别为121/150与148/150。Terra在故障日志排查中追平旗舰，在SQL推理和完整数据校验上则出现明显差距。对于需要直接采用计算结果的用户，这种差异比单纯比较价格更值得关注。

价格降至十分之一，测试边界也要看清

在GPT-6家族中，Terra属于中等定价产品：每百万输入令牌收费1美元，每百万输出令牌5美元；Astra对应价格为10美元和50美元，均为Terra的10倍。OpenAI还称，Terra在Agents’ Last Exam基准中完成任务的速度超过Astra的3倍。不过，这项计算机操作基准与此次三项测试并不能直接比较。其他早期评测也呈现出优点与局限并存的面貌：Plotly的分析测试中，Terra找出了5个预设模式中的3个，总体通过43道题中的40道；Artificial Analysis发现，在无法回答的问题上，它有38%的情况会猜测答案，而同一基准中的GPT-5.6 Terra为88%；DualEntry的会计基准则给出78.2%的准确率。这些数字来自不同任务与评分口径，不能拼接成一个通用能力结论。

The New Stack作者希望检验的，是宣传之外的速度、令牌成本与答题质量取舍。最终测试通过OpenAI API进行，两款模型的reasoning effort均设为high，每项最终版测试对每个模型只运行一次。作者没有自行设置输出令牌上限，但模型仍有内置输出限制；同为high，也不代表获得相同的推理令牌预算。评分依据是作者自行建立并核验的答案。作者为每项任务开发了三个版本，在简单和中等版本中反复看到两款模型同分，第三次仍出现相同结果后，继续用较弱的GPT-5 Mini检验高难度题目，直到Mini得分很低。因此，最终题目是根据此前结果筛选、加难后的合成任务，并非日常工作的代表性样本，也无法衡量结果能否稳定复现。

成本统计同样需要限定解释：文中“输出令牌”包含推理令牌，括号里的推理数量只是其子集，不能再次计费。所有费用均按报告的用量和标准非缓存输入、输出价格估算，未计入工具费用或账单调整，也不是经过核验的实际发票金额。作者认为，模型竞争让每次发布都倾向于强调优势，容易让用户对实际表现形成过高预期；此次测试的价值，在于展示具体任务中的取舍，而不是复现OpenAI的计算机操作成绩，或给所有应用场景排出统一名次。

SQL推理：价格优势背后是未完成的计算

SQL任务使用一份包含500次软件构建的虚构数据库，要求回答25个问题。数据中混有软删除、重试、三种货币和时区问题，其中两题无法根据已有数据作答，正确处理方式就是明确指出信息不足。每题2分，必须完全正确才能得分，近似答案与其他题目的未作答均计零分。Astra拿到48/50，Terra只有26/50，GPT-5 Mini基线为6/50，是三项任务中两款主力模型差距最大的一项。

Astra能够处理这些构建记录中的复杂条件，但也没有做到全对。它在汇总某个区域151次构建的运行时长时，给出31,022秒，正确值为31,428秒，少了406秒，偏低约1.3%。单看最终答案，无法判断问题出在加法、漏行还是误读数值。Terra则在6道需要跨全部500行汇总费用或时长的题目中没有给出计算结果，而是提供SQL查询，让用户自行运行，并标记为“未计算”。这避免了编造数字，却把最关键的执行与汇总工作交回给用户。此外，Terra还有6题答错，其中4题的计数只差1或2；这些错误答案与正确答案一样表现得很有把握，用户难以据此判断报告中的哪些数字需要复查。

这一轮Terra耗时133.1秒，输入21,060令牌，输出11,554令牌，其中推理令牌10,707，估算费用0.079美元；Astra耗时319.7秒，超过5分钟，输入同为21,060令牌，输出28,806令牌，其中推理令牌27,970，估算费用1.65美元。Terra确实更快、更便宜，但由于没有完成一部分核心计算，这些节省不能直接视为同等工作质量下的效率提升。Astra的成绩更高，其错误总数仍说明，涉及精确数值汇总时，旗舰模型也需要可执行查询或其他确定性方法进行核验。

数据校验：找出的都对，不代表已经找全

第二项任务提供4,950条虚构客户记录，要求按19条规则检查。部分规则必须放在整份文件中判断，例如同一邮政编码最多容纳3名客户、推荐关系不能形成循环。数据中有40条真正违规记录，另有10条看似异常但实际上合规。满分50分，其中40分来自正确找出违规记录并说明违反的规则，另外10分用于衡量对合规记录的处理；每误报一条合规记录就扣1分。Astra取得50/50，Terra取得45/50，GPT-5 Mini为10/50。Terra正确识别35条违规记录，没有误报合规记录，因此本轮召回率为87.5%、精确率为100%。45/50是特定评分规则下的分数，不是对全部4,950条记录的准确率。

Terra在回答前提示，自己无法可靠地按规则检查全部4,950条记录，可能有所遗漏。实际上，报告的输入量处于其上下文窗口内，作者也没有设置输出上限。它漏掉的5条违规记录中，有3条需要跨记录比较才能发现，例如某位客户使用了另一位客户的电话号码。这个结果说明，“被标出的记录都正确”和“所有错误都被找出来”是两件事。原始测试不能解释遗漏的具体原因，也不能因为Terra使用的推理令牌更少，就断言推理不足导致了漏检。

具体用量上，Terra输入234,045令牌，输出2,336令牌，其中推理令牌1,841，耗时31.4秒，估算费用0.25美元；Astra输入同为234,045令牌，输出13,369令牌，其中推理令牌12,831，耗时145.0秒，估算费用3.01美元。Astra找出了全部40条违规记录，代价是耗时超过Terra的4倍，成本约为12倍。这里的耗时是完整响应时间，并没有单独隔离推理时间。对于要求穷尽检查的流程，Terra的漏检意味着仍需额外校验；对于允许后续复核的初筛，它的成本和速度则可能具有实际价值。

故障排查同分，模型选择要按任务拆解

第三项测试包含约7,000行虚构故障日志，涉及超过20个服务。作者故意加入时钟漂移、指向错误服务的报错，以及在真正故障前触发告警的无关变更。50分评分清单要求模型将根因定位到ledger服务的配置变更，找出3台时钟错误的服务器，并排除多条误导线索：已经回滚的fraud服务更新、比真正原因早数秒发生的payments配置变更、数据库切换，以及search服务无关的内存问题。虽然报错信息把责任指向fraud服务，两款模型都没有照单全收，而是追查底层证据，最终均得50/50；GPT-5 Mini为12/50。

这一次，Terra的经济性建立在相同得分之上：它耗时94.3秒，输入251,651令牌，输出7,508令牌，其中推理令牌5,114，估算费用0.29美元；Astra耗时244.5秒，输入同为251,651令牌，输出14,158令牌，其中推理令牌9,742，估算费用3.22美元。Astra成本约为11倍，耗时约为2.6倍；多出的6,650个输出令牌中，有4,628个属于推理令牌，但没有带来更高分数。三项测试合计，Terra、Astra和GPT-5 Mini分别得到121、148和28分，满分150分。Astra总耗时约为Terra的2.74倍，Terra估算成本约为Astra的7.8%。这些结果展示了成本、时间与得分之间的关系，却不能证明OpenAI刻意削减推理来换取速度，也不能证明更多推理必然改善其他任务的成绩。Mini的低分只是参照，并非独立的难度认证。

对后续部署而言，这组测试更适合用来设计验证流程，而不是直接宣布某款模型全面胜出。Terra在早期简单和中等版本中与Astra同分，不等于它在所有同等难度任务上都同样准确；在最终难题中，它更适合作为部分工作负载的低成本候选，例如本次表现良好的日志排查，但仍需核验结果。未经复核的数值汇总与穷尽式数据校验，则应更加谨慎。报道没有披露OpenAI针对这些具体问题的后续修复计划。企业下一步更有价值的工作，是用自身数据进行重复测试，并把人工复核、查询执行和漏检处理的成本一并纳入评估：只有在所需质量得到保障后，较低的令牌账单才真正意味着更低的使用成本。