专题 · FULL STORY

GPT-6.1 Terra：低价发布与多榜实测

OpenAI 发布 GPT-6.1 Terra，定价仅为 GPT-5.6 的一半并主打 computer use。发布前后，MazeBench、Agent Arena 等榜单与用户实测陆续出炉，空间推理仍逊于 Astra，低成本与褒贬不一的表现引发热议。

2026-10-27 ~ 2026-10-29 · 4 集 · 27 条

第 1 集 · GPT-6.1 Terra 追近 Sol 但空间推理仍难撼动 Astra(2026-10-27,3 条)

MazeBench 排行榜显示，GPT-6.1 Terra 在 maze 基准上取得 8%，几乎追平 GPT-6.1 Sol 的 9%，而成本只有其一半，较前代（相当于现 Luna 水平）大幅进步。但在空间推理任务上，GPT-6 Astra 仍保持 SOTA，20K+ 步后可收集约 16 个 Gems，GPT-6.1 系列在 3D 探索中仍显吃力。

第 2 集 · GPT-6.1 Terra 低价高速实测：便宜而非更好(2026-10-28,11 条)

OpenAI 发布 GPT-6.1 Terra（max 档主打 computer use），定价输入 $1/M、输出 $5/M，为 GPT-5.6 的一半，官方宣称「每任务便宜 9 倍」。发布后社区实测密集涌现，共识是其速度与成本优势明显，能力上限则不及 Opus 档，「便宜而非更好」成为主流判断。

已确认

  • 定价：输入 $1/M、输出 $5/M，为 GPT-5.6 的一半；@aigenerator2077 拆解「9 倍便宜」的说法，认为由 token 效率等因素构成，但算账对不上（m11 转述）。
  • 多项独立实测显示成本与速度优势：同一彩虹果冻熊任务中 Terra 花费 $4.15、25 分钟，Opus 5.5 花费 $13.16、40 分钟，Terra 胜出（m3）；@VraserX 称同一编码任务比 Opus 5.5 快 3 倍、成本约九分之一，表现已接近 Opus，再打磨一轮可能持平（m5）；@robocurve 实测称 Terra 控制真机器人胜过 Opus 5.5，较三月前提升 3.7 倍（m1 转述）。
  • Artificial Analysis「智能指数 vs 每任务成本」散点图（覆盖 78 个模型）显示 GPT-6.1 Terra medium/high 位于帕累托前沿与最具吸引力象限，且前沿几乎全被 OpenAI 模型占据，从约 $0.006/任务的入门模型到 $1$1 以上区间（m4、m6）。
  • 速度数据：Terra 大幅领先 Sol（91 vs 61-81 tokens/s，@haider1 转述 m7）；@chongdashu 编码实测称能力明确不及 Sol/Astra/Opus 档，但速度极快，多次想切会话时回头发现任务已完成（m9）。
  • 负面评价：Reddit 用户 bofors14 称 terra 编码全面拉胯，作子 agent（中低档）相比 luna max 只增加消耗无收益，作主 agent 也不理想（m8）；Towards AI 的 ToneBench 写作评测（10 个 YouTube 脚本任务 × 5 稿、4 个 LLM 盲评）中 Terra 排名 #23，结论是「更便宜，而非更好」（m10）。

尚未确认

  • 各项成本与性能数字均为个人或第三方自建评测，非官方基准，场景依赖性强；@IamNotGorbachev 指出社区评价两极（「无用」「糟糕」「强大」并存），好坏高度取决于使用场景，失望者多是知道 Sol 6.1 略落后于 Opus 5.5、指望 Terra 缩小差距的人（m2）。
  • @robocurve 的机器人控制数据为转发引用，原始细节无法核实。

为什么重要

Terra 代表 OpenAI 以低价高速模型抢占企业级 agent/computer use 市场的策略：在智能-成本曲线上，OpenAI 几乎独占帕累托前沿，直接冲击竞品的性价比叙事。但对开发者而言，需自行权衡「够用且便宜」与「顶配能力」——它适合高频、成本敏感的任务，不替代 Opus 档的复杂工作。

第 3 集 · Cognition FrontierCode 2.0 榜单发布，隐藏模型 Obsidian 3 成最大悬念(2026-10-28,11 条)

Cognition 的 FrontierCode 2.0 编码评测榜单在 Artificial Analysis 上线：Anthropic 的 Claude Opus 5.5 以 46.4% 居首，前 20 名几乎被 OpenAI 与 Anthropic 模型包揽，中国模型排名垫底。评测数据中疑似意外泄露的隐藏模型 Obsidian 3 得分 46.8% 反超榜首，身份疑为未发布的 Fable 5.5，成为本榜单最大悬念。

已确认

  • Artificial Analysis 上线了 Cognition 的 FrontierCode 2.0 榜单。据 @bookwormengr 介绍，该基准包含 132 个真实开源仓库任务，以维护者是否愿意合并为评分标准，任务不公开以防污染。
  • 头部成绩：Claude Opus 5.5 以 46.4% 居首；Kimi 与 DeepSeek 紧咬第一梯队（@bookwormengr）。@brandongalang 与 @YashasGunderia 引用的配图榜单显示 Opus 5.5 max 得分为 45.5%。
  • 据 @scaling01，前 20 名几乎全被 OpenAI 与 Anthropic 模型包揽，仅 Grok 4.7 xhigh 以 28.6% 排在第 20，中国模型垫底。
  • OpenAI 的 GPT-6.1 Terra 在该基准上排名靠前且价格便宜：输入 $1/百万 token、输出 $5、缓存输入 $0.05（@bookwormengr）。
  • Opus 5.5 high 档得分 34.5%，单次 rollout 成本 $2.42（@teortaxesTex 引用的评测数据）。
  • 效率维度上，@bookwormengr 转述 1337hero 的观察：Anthropic 模型在此类前沿任务上消耗的 token 比对手多 200%-300%，耗时约 2 倍，成本高出 10-50 倍；@teortaxesTex 转发的讨论也提到类似结论。

尚未确认

  • 评测数据截图中出现的隐藏模型 Obsidian 3：据 @kimmonismus、@danielmac8 与 @YashasGunderia 转述，其在 high effort 档得分 46.8%，超过 Opus 5.5 的 max 档 45.5%；@teortaxesTex 据同一数据分析，其高分背后的成本约为 Opus 5.5 的 3.6 倍。多方猜测其可能为尚未发布的 Fable 5.5；@danielmac8 进一步称其价格反而更便宜，与成本更高的说法存在出入。@YashasGunderia 还提到，该模型运行在 Claude 系模型专用基础设施上。模型身份、成本细节及数据真实性均未获官方确认。

为什么重要

  • 该基准以真实仓库维护者的合并意愿为评分标准且任务不公开，抗污染性强，被视为衡量 agentic 编码能力的较可信参考，头部厂商格局在此一览无余。
  • @brandongalang 认为该榜单是反驳「中国开源模型威胁 Anthropic/OpenAI 生存」论调的最清晰信号——头部位置仍由两家美国厂商把持。不过 1337hero 的 token 与成本观察也提示，头部智力并不等于效率领先，Anthropic 模型在成本维度的劣势相当明显。
  • 价格维度上 GPT-6.1 Terra 展现出突出的性价比，而疑似隐藏的 Obsidian 3 若属实，说明有未发布模型已达到或超过当前最强水平，只是围绕其成本高低尚有相互矛盾的说法，待官方确认。

第 4 集 · GPT-6.1 Terra 登 Agent Arena 第 8，单任务中位成本仅 $0.62(2026-10-29,2 条)

LMArena 旗下 Agent Arena 基于全球用户近 9000 次真实 agentic 会话发布排名：OpenAI 的 GPT-6.1 Terra（Max）位列第 8，净改进 +10，单任务中位成本仅 0.62 美元，刷新了智能体任务的性价比前沿。