GPT-6.1 Terra 上線，OpenAI 補齊中階模型缺口

重點摘要

• OpenAI 於 2026 年 10 月 26 日發布 GPT-6.1 Terra，輸入 token 定價 $1、輸出 token 定價 $5，標準 API 價格約為 GPT-5.6 Terra 與 GPT-6.1 Sol 的一半。
• Terra 在 Agents' Last Exam 基準測試上顯著優於前代 GPT-5.6 Terra，平均任務完成速度比 GPT-6 Astra 與 GPT-6.1 Sol 快三倍以上，並支援 reasoning.effort:"none" 參數。
• OpenAI 的 Ted Sanders 將 Terra 定位為「中階選項」，認為其對訂閱者並非突破性發布，主要價值在於突破用量限制與加速電腦操作任務。

OpenAI 在 2026 年 10 月 26 日推出 GPT-6.1 Terra，這款模型主打視覺推理、精確的電腦操作以及更自然的寫作能力。官方將其描述為「快速且高效的模型」，強調其在溝通與電腦基礎工作上表現出色，涵蓋撰寫提案、解讀技術圖面、填寫表單與影片編輯等場景。這次發布不只是擴充產品線，也帶出了一個根本問題：當旗艦模型不斷追求頂規效能時，中階模型要怎麼在保留關鍵能力的同時，把成本壓到能規模化部署的範圍？

GPT-6.1 Terra 的發布標誌著 OpenAI 對中階模型的戰術重塑：透過精準放棄極致智力、鎖定電腦操作與高併發場景，以速度與成本優勢建立不可替代的規模化部署價值。

Terra 給出的第一個答案是定價。Datasette 與 LLM 開源工具作者 Simon Willison 在部落格中記錄，GPT-6.1 Terra 的輸入 token 每百萬 $1，輸出 token 每百萬 $5，大約是 GPT-5.6 Terra 和 GPT-6.1 Sol 的一半。OpenAI 開發者社群的貼文進一步指出，Terra 的單 token 成本僅為 GPT-6 Astra 的十分之一，但約為 GPT-6 Luna 的十倍。在 OpenAI 目前由 GPT-6 Astra、GPT-6.1 Sol、GPT-6.1 Terra 和 GPT-6 Luna 組成的前沿模型陣列中，Terra 穩居第三層級，這個定價讓它成為高頻率 API 呼叫場景下最具性價比的選擇。

效能與速度的取捨

光是便宜，不足以撐起中階模型的位置。OpenAI 開發者社群指出，Terra 在 Agents' Last Exam 基準測試上表現大幅超越前代 GPT-5.6 Terra，而且完成任務的平均速度比 GPT-6 Astra 和 GPT-6.1 Sol 快三倍以上。對需要即時回應或高併發處理的應用而言，速度優勢比盲目調高模型智力更具實用價值。

OpenAI 的 Ted Sanders 在 Hacker News 上說得清楚：Terra 在技術溝通方面可能優於 Astra 和 Sol，在視覺與電腦操作方面表現相近但速度遠快，在大多數其他任務上則稍遜一籌。他甚至直接給出了一個使用情境：「如果你想找比 Sol 便宜，但比 Luna 聰明很多的模型（特別是視覺、電腦操作與溝通方面），它是很好的選擇。」這等於承認，Terra 不是全能型旗艦，而是針對特定工作負載最佳化的工具。

中階模型的結構性困境

Sanders 畫出了邊界，但中間這塊地盤並不好守。Willison 指出，Terra 在 OpenAI 產品線中的位置，與 Anthropic 的 Sonnet 模型結構相似：既非最便宜，也非最昂貴。這種「夾心」位置帶來一個實際問題：當模型之間的差異不再體現在「能不能做」，而是「做得多好」或「多快」時，中階模型的選擇依據就變得模糊。

不過 Willison 也提出了支持 Terra 存在的論點。電腦操作（computer use）任務特別適合低成本模型，因為這類任務通常涉及自動化與重複性工作，極致智力的邊際效益遞減，成本與速度的邊際效益反而遞增。他以具體測試為例：Terra 在最大推理層級下生成一張「騎腳踏車的鵜鶘」圖片，成本 11.3161 美分，耗時 4 分 11 秒。即使用最昂貴的推理模式，單次呼叫的成本仍在兩毛美元以內，讓自動化流水線的預算估算有了直觀的錨點。

訂閱者視角下的「非革命性」發布

對 API 開發者而言，定價是核心考量；ChatGPT 付費訂閱者對 Terra 的期待，卻是另一回事。Sanders 直言，對訂閱者來說 Terra 不是重大突破，用途也有限：「如果你正碰到用量限制，也許它能讓你多走一點點。」這話點出了 OpenAI 的策略取向，Terra 對訂閱者的價值在於「解鎖更多用量」，而非「體驗更強 AI」。

Terra 已開放給所有 Plus、Pro、Enterprise 和 Edu 使用者，透過 ChatGPT Work 和 Codex 使用，開發者則可透過 API 以 gpt-6.1-terra 的模型 ID 存取。技術層面有一項差異：與 GPT-6.1 Sol 不同，Terra 支援 reasoning.effort:"none" 參數，並允許使用 temperature 和 top_p 採樣參數。這些在 Sol 上不可用的參數，讓開發者能更精細地控制 Terra 的輸出行為，強化其「可控工具」的定位。

Terra 填補了 OpenAI 產品線中的空缺，也暴露了中階模型面臨的結構性挑戰：在旗艦與輕量模型之間，清晰的價值主張並不容易建立。目前看來，OpenAI 的答案是速度與特定任務最佳化。Terra 在電腦操作場景下的成本與速度優勢能不能成為足夠的差異化基礎，還是會被下一代輕量模型快速追上，要看開發者在真實工作負載下跑出來的結果。那個結果，正是中階模型能否在規模化部署中站穩腳跟的最終驗證。