先看证据
改变的不只是模型能力，还有任务的经济性
OpenAI推出GPT-6.1 Terra，将它定位为一款面向工作日常任务的快速、高效模型，结合视觉推理、电脑操作和更自然的写作。目标任务横跨理解技术图纸、填写表单、编辑视频和起草提案，尤其包括那些重复出现、需要在软件界面里完成的工作。它不是单纯的聊天模型升级，而是试图把“看懂屏幕并采取行动”变成更便宜的通用能力。
这次发布值得技术负责人读，不是因为材料宣称Terra在所有任务上都达到旗舰水平，而是因为价格、速度和任务表现被放在同一条产品线上讨论。OpenAI称，Terra的标准API价格比GPT-5.6 Terra和GPT-6.1 Sol低50%；在ChatGPT Work和Codex中，同一使用额度也能完成更多任务。若这些差异能在真实工作流里成立，团队评估自动化时就不能只问“模型能不能做”，还得问“每次操作的成本是否低到值得持续做”。
基准成绩指向多步任务，而非单次识图
OpenAI用Agents’ Last Exam评估专业电脑任务，其中包括把建筑图纸转成3D模型，以及逐镜头检查动画并生成带时间码的修复记录。按材料公布的数据，在中等推理强度下，Terra比GPT-5.6 Terra高15个百分点，成本约为其三分之一；其表现与GPT-6 Astra相当时，每token价格约为后者十分之一。OpenAI还称，在最高推理强度下，Terra完成任务的token效率超过Claude Opus 5.5的三倍，单任务成本约低九倍。
这些数字的价值在于它们把“能力”拆成了完成任务所需的资源，而不只是给出一个分数。速度也影响实际设计：OpenAI称Terra完成任务的速度超过GPT-6 Astra和GPT-6.1 Sol的三倍。其他测试提供了相邻证据：在视觉推理基准MMMU-Pro上，Terra在各推理设置下都超过GPT-5.6 Terra；在桌面多步任务基准OSWorld 2.1上，中等推理强度的成绩超过旧款Terra的最佳成绩，且单任务成本更低。但这些仍是厂商报告的基准结果，不能直接代表不同软件、权限配置和失败恢复机制下的线上表现。
更低错误率拓宽了可用范围，但没有抹掉分层
对需要模型读信息、再把信息写进业务系统的流程来说，事实错误会直接变成返工或账务问题。OpenAI称，在其内部的诱发错误提示测试中，低推理强度下的错误率从GPT-5.6 Terra的53.6%降到Terra的16.7%；最高推理强度下则降至4.3%，比旧款低18个百分点，并接近GPT-6 Astra和GPT-6.1 Sol。这个变化尤其重要，因为低成本模型只有在错误率可接受时，才可能承担高频、规模化的任务。
软件工程结果也显示Terra的角色有所扩大，但边界仍清楚。Terminal-Bench 4.0考查命令行编码任务，材料称Terra在最高推理强度下解决了50.3%的任务，是GPT-5.6 Terra公布成绩21.5%的两倍以上。科学研究编码基准Terminal-Bench-Science 0.1中，Terra最高推理强度的成绩超过GPT-6.1 Sol，成本更低，并与Opus 5.5相差不到五个百分点、估算成本不到其五分之一。与此同时，OpenAI明确表示，最复杂的编码任务仍更适合GPT-6.1 Sol或GPT-6 Astra。更合理的读法不是“低价模型取代旗舰”，而是把一部分工作从默认调用高端模型，改为先由Terra处理，再按任务难度升级。
部署判断要把安全能力和失效处理一起算进去
电脑操作模型的风险不止是答错，还包括被页面内容诱导偏离用户目标，或在不确定时继续执行。OpenAI称，Terra比GPT-5.6 Terra更可能留在任务范围内，并诚实说明限制和阻碍；在提示注入测试中，它也表现出较强的抵抗能力。公司还表示，Terra保留了为GPT-6 Astra开发的保护措施，并在Preparedness Framework的网络安全评估中达到Critical阈值。这些是安全评估信息，不等于所有部署环境都已消除风险。
对工程团队而言，较稳妥的试点对象是输入和动作边界明确、结果容易复核的高频流程，例如读取来票并录入会计软件。上线前应以自有应用和数据验证错误率、任务完成时间、人工接管频率，以及错误操作能否撤销；高影响动作则保留确认或审批环节。材料没有给出独立评测、实际部署中的成功率，也没有说明不同软件环境下的失效恢复表现。因此，Terra提供的是重新核算自动化成本的理由，而不是取消审查、权限控制或回滚机制的理由。