GPT-6.1 Terra 解析：US$0.40 評測成本，離可靠電腦代理還有多遠？（2026）

2026 年 10 月 26 日，Artificial Analysis 在官網發布〈GPT-6.1 Terra pushes the cost efficiency frontier〉，為 OpenAI 同日推出的 GPT-6.1 Terra 提供一組外部評測：最高推理強度下，綜合指數增加六分，每題評測成本從 US$1.40 降至 US$0.40。這值得注意；更值得問的是，省下的錢，能否換成可靠交件？

下面先把原文的四項發現講清楚，再對照官方規格與測試，最後回到實際選型：什麼工作值得試 Terra，什麼證據還需要自己補上？封面為 AlphaLab 原創編輯插畫，以成本與成果檢查呈現本文問題，並非產品介面。

GPT-6.1 Terra 的核心變化：便宜模型，也開始交出更好的考卷

At max effort, GPT-6.1 Terra gains 6 points in the Artificial Analysis Intelligence Index over GPT-5.6 Terra

中文：在最高推理強度下，GPT-6.1 Terra 的 Artificial Analysis Intelligence Index 比 GPT-5.6 Terra 增加六分。

Artificial Analysis，2026 年 10 月 26 日

這裡的六分是指數分數差，不能讀成所有任務都提高六個百分點。原圖列出新 Terra 為 48、舊 Terra 為 42。更關鍵的是同一評測帳上的成本：US$0.40 ÷ US$1.40 ≈ 28.6%，也就是約下降 71.4%。這個降幅描述 AA 的 Intelligence Index 每題成本，並非你的每張發票或每次桌面操作都只要四角美元。

原文還指出，綜合指數的成本效率前緣落在 Terra 的 low、medium 設定；編碼代理指數則是 low、xhigh。所謂前緣，是在該比較集合裡，再省成本與再加分之間出現取捨的那些點。max 分數較高，不等於 max 是最適合你的花費方式。

原文其餘三個發現：編碼、少亂猜，以及提升並不平均

• 編碼代理：AA Coding Agent Index v2.0 給 Terra 48 分，低於 GPT-6.1 Sol 的 54，高於 GPT-6 Luna 的 31。這張成績單與同樣寫著 48 的綜合指數是不同指標。
• 知識題的猜答：AA-Omniscience 報告，模型不知道答案時仍猜答的比率，由舊 Terra 的 88% 降至新 Terra 的 38%；同時準確率增加兩分。38% 的分母是這項評測中不知道答案的情況，不能改寫成「所有回答有 38% 是錯的」。
• 進步的分布：Terminal-Bench 4.0 的改善約二十分，其他測試的增幅較小，例如 GDP.pdf 約五分。平均上升，仍可能主要由特定能力拉動。

原文真正支持的結論，是在它測過的工作組合裡，能力與花費的交換條件變好了。這與「全面取代更高階模型」之間，還隔著你自己的任務分布。偶爾寫一段程式的人，和每天處理大量固定格式文件的人，可能會對同一張榜單做出不同選擇。

對照官方：GPT-6.1 Terra 的價格與使用入口要分開看

截至 2026 年 10 月 27 日查閱，官方模型文件列出標準 API 每百萬 token 的價格：輸入 US$1、快取讀取 US$0.05、輸出 US$5。API 模型名稱是 gpt-6.1-terra。原文所列的舊 Terra US$2／US$12，是 AA 用來比較的舊版價格；讀到「價格減半」時，也應分清輸入與輸出項目。

標準價有明確邊界：官方文件列明，輸入超過 272K token 的請求，整個請求的輸入與快取費率乘二、輸出費率乘 1.5；Fast mode 則採標準價兩倍。快取讀取價也不是快取寫入價。因此做預算時，應記錄真正使用的服務模式、快取項目與輸入長度，別只把單一 US$1 貼進試算表。

產品入口則是另一件事。ChatGPT 當週官方更新說明 Terra 已進入 ChatGPT Work 與 Codex 的付費方案；企業工作區仍涉及管理員控制與工具存取條件。API 的 token 費率，不能直接當成訂閱方案可完成幾件工作的承諾。開發者文件另外明列，工具呼叫需使用 Responses API。

兩份 Terminal-Bench 成績不同，恰好提醒我們先看測法

AA 原圖的 Terminal-Bench 4.0 數字是 55.6% 與 35.4%。OpenAI 發布文則報告新 Terra 在最高推理強度下為 50.3%，並拿舊 Terra 已公布的 21.5% 作比較。兩者都指向改善，卻不是同一組分數；不能拿其中一份的新模型成績，配另一份的舊模型成績，算出更漂亮的升幅。

模型只是 Agent 的一部分。工具、提示、任務版本、執行環境與重試規則，都可能影響結果；這裡不臆測哪一項造成了兩份報告的差距。讀者真正該要求的是可比較的完整配置。模型外面如何接工具與驗收，可先看 Agent Harness 白話解析。

For the most complex coding tasks, GPT-6.1 Sol and GPT-6 Astra remain the better choice.

中文：對最複雜的編碼任務，GPT-6.1 Sol 與 GPT-6 Astra 仍是較好的選擇。

OpenAI，GPT-6.1 Terra 發布文

這句官方保留很有價值：Terra 的定位可以是把一部分既有工作做得更划算，同時保留升級處理難題的路徑。採用新模型，不必變成把所有任務押在同一個模型上。

最容易跨太遠的一步：把英文綜合指數當成桌面可靠性

AA 的評測方法寫得很清楚：Intelligence Index v4.3.2 結合十項評測，以文字與英文為主；影像、語音與多語能力另行評估。這使它適合做選型的起點，卻不足以替繁中畫面辨識、跨軟體點擊，或一整個企業流程簽收。

OpenAI 發布文另以 Agents’ Last Exam、MMMU-Pro 與 OSWorld 2.1 描述專業軟體操作和視覺能力。這些是公司報告的能力證據，不是 AA 那組 US$0.40 指標所獨立證明的桌面成功率。兩條證據可以並讀，不能互相借用分母。

想像讓助手把訂單輸入庫存系統：讀對金額、點對欄位、儲存成功、重新打開仍正確，是四道不同交接。某一步變強，整條鏈仍可能在下一步中斷。先前的 Computer Use 點擊排錯案例，正好示範為何截圖、輸入事件與最終狀態要分開驗收。

AlphaLab 的判讀：值得試，但要算「合格成果」的成本

一、我同意把更便宜視為能力進展的一部分

若相同預算能處理更多候選文件、跑更多回歸案例，較低的推論成本就有實際價值。它甚至可能讓團隊願意多做一輪成果檢查。這是 Terra 最有說服力的方向：把原本嫌貴而做得太少的檢查，變成做得起的日常步驟。

二、我存疑用「每題更便宜」代替完整成本

建議把帳改成：每份合格成果成本＝（模型與工具費＋重試費＋人工檢查及修復成本）÷ 通過驗收的成果數。這是工作流程的算帳方式，不是 AA 的指標定義。若便宜模型讓返工增加，token 帳單降低也未必讓整份工作便宜；若返工與檢查需求都維持可接受水準，降價才會留下來。

三、少猜答案是進展，動作邊界仍須獨立驗收

知識題願意承認不知道，和操作時能否停在授權範圍，是不同能力。OpenAI 的 Terra 系統卡一方面報告防護改善，也記錄相對 GPT-6.1 Sol、GPT-6 Astra，在部分類型的越界或資料外送行為上有較高的測試旗標率。這些是特定模擬中的觀察，不是產品事故率；它們足以提醒我們，不能用一個總分代表所有安全面向。

實務上可把「資料可讀到哪裡」「可以寫回哪裡」「何時必須停止」寫成各自的驗收條件。環境限制與模型行為如何搭配，可延伸閱讀 OpenAI 訓練隔離報告解析；長任務交接的停止問題，則可看 任務動量與摘要實驗。

四、推理強度應由錯誤的代價決定

原文已顯示，不同指數的效率前緣落在不同 effort。可以先用 medium 處理範圍清楚的任務，讓一組固定案例決定是否提高強度、改用高階模型，或直接交回人工。不要因為 max 看起來最認真，就把它設為每一件小工作的預設。

下一步：用一批可回查的小任務，決定是否換模型

• 先固定工作：選二十件你有權使用、已知正確結果的低風險任務，例如把假訂單填入測試表單。這是試跑建議，不是本文的實測樣本。
• 只改一項：先固定環境、工具、提示、重試上限與推理強度，比較舊模型和 Terra；之後再單獨比較 medium 與較高強度。
• 收四張帳：記錄花費、完成時間、重試及人工介入，並重新打開儲存結果檢查。成功條件要在試跑前寫好。
• 加一個停止案例：放入格式含糊的文件或超出授權範圍的要求，看它會不會停下、如實回報；只測正常流程會漏掉這種代價。

GPT-6.1 Terra 的新意，是把更高能力帶到更低成本的區間。我的結論是值得納入對照測試，尚不該由榜單替整個流程放行。當你能指出它省下哪筆費用、保住哪些合格成果、遇到什麼情況會停，這次降價才真正變成你的生產力。