GPT-6.1 Terra für Browser-Agenten: Die Mathematik pro Schritt hinter 74,2 %

OpenAIs Verkaufsargument für GPT-6.1 Terra ist nicht, dass es intelligenter ist. Sondern dass es einen Bildschirm bedienen kann – ein Formular ausfüllen, eine technische Zeichnung lesen, eine Anwendung durchklicken – und das günstig und schnell. Der Benchmark, der diese Behauptung stützt, ist OSWorld 2.1, wo Terra bei maximalem Reasoning-Aufwand 74,2 % erzielt – nur 1,7 Punkte von GPT-6.1 Sol bei xhigh und 1,6 Punkte von GPT-6 Astra entfernt. Die Zahl, die für einen Agenten zählt, ist jedoch nicht die Task-Punktzahl. Es ist die Zuverlässigkeit pro Schritt, die diese Punktzahl impliziert, denn Agenten scheitern Schritt für Schritt, nicht Aufgabe für Aufgabe.

Dieser Beitrag seziert die 74,2 %: was OSWorld misst, was das pro Schritt bedeutet, was eine Aufgabe mit zwanzig Schritten kostet, wo die Schleife bricht und welche Leitplanken verhindern, dass aus einem zu 74 % genauen Agenten ein Vorfall mit 0 % Genauigkeit wird.

Was auf der Anzeigetafel steht

• GPT-6.1 Terra — 74,2 % bei OSWorld 2.1 mit maximalem Aufwand.

• GPT-6.1 Sol — 75,9 % bei xhigh.

• GPT-6 Astra — 75,8 %.

• Claude Opus 5.5 — 81,8 %.

• Claude Sonnet 5.5 — 80,1 %.

Kimi K3.1 Pro — 79,6 %.

Drei Lesarten sollten getrennt werden. Innerhalb der GPT-6-Familie ist Terra nur einen Rundungsfehler von seinen teureren Geschwistern entfernt – der Preisunterschied bringt bei der Desktop-Automatisierung so gut wie nichts. Herstellerübergreifend liegt die ganze Familie sechs bis sieben Punkte hinter Anthropic. Und Terras eigene, herstellernahe Behauptung – ungefähr auf Augenhöhe mit GPT-6 Astra bei mittlerer Einstellung in Agents’ Last Exam, bei einem Zehntel des Preises pro Token – ist eine Behauptung pro Aufgabe, die die OSWorld-Zahl weitgehend stützt.

Von der Aufgabenbewertung zur Zuverlässigkeit pro Schritt

OSWorld-Aufgaben werden nach einer Abfolge von Aktionen als bestanden oder nicht bestanden bewertet. Wenn eine Aufgabe etwa zwanzig Schritte umfasst und Terra 74,2 % der Aufgaben durchgängig abschließt, beträgt die implizierte Erfolgsquote pro Schritt die zwanzigste Wurzel aus 0,742 – etwa 98,5 %. Das ist eine arithmetische Veranschaulichung, keine Messung: Manche Aufgaben sind kürzer, manche länger, und Fehlschläge sind nicht unabhängig. Aber sie setzt den Maßstab richtig. Ein Modell, das wie ein Modell mit 74 % aussieht, ist in Wirklichkeit ein Modell mit 98,5 % pro Schritt, und in dieser Lücke liegt der Kern des Agentendesigns.

Rechnen Sie die Mathematik für einen Workflow mit fünfzig Schritten einmal andersherum. Bei derselben Rate pro Schritt sinkt der End-to-End-Erfolg auf etwa 47 %. Bei achtzig Schritten beträgt er 30 %. Der Task-Score ändert sich nicht; der Workflow ändert sich, und deshalb hängt „gut genug für einen Agenten“ vollständig davon ab, wie lange der Agent unbeaufsichtigt läuft.

Was eine Aufgabe kostet

{{1}}Gehen Sie von 3.000 Eingabe-Token pro Schritt aus{{/1}} — {{2}}einem Screenshot plus Aufgabenstatus plus Aktionsverlauf{{/2}} — {{3}}und 150 Ausgabe-Token für die Aktion{{/3}}, {{4}}über zwanzig Schritte{{/4}}.

• Pro Aufgabe: 60.000 Eingabe zu 1 $ pro Million sind 0,06 $; 3.000 Ausgabe zu 5 $ pro Million sind 0,015 $. Gesamt: 0,075 $.

• Bei einer Wiederholungsrate von 30 %: etwa 0,0975 $ pro erfolgreicher Aufgabe oder 98 $ pro 1.000 Aufgaben.

Die gleiche Arbeitslast auf GPT-6.1 Sol zu 2 $/10 $: 0,15 $ pro Aufgabe, 195 $ pro Tausend.

• Bei GPT-6 Astra zu $10/$50: $0.75 pro Aufgabe, $975 pro Tausend.

• Bei Claude Opus 5.5 zu $4/$20: $0,30 pro Aufgabe, $390 pro Tausend.

Die Token-Annahmen sind wichtiger als das Preisverhältnis. Screenshots dominieren die Eingabekosten, und die Screenshot-Größe ist eine Entscheidung: Ein vollständiges 1440×900-PNG kostet weit mehr Tokens als ein zugeschnittener Bereich von Interesse. Eine Pipeline, die pro Schritt einen zugeschnittenen Screenshot statt des gesamten Desktops sendet, kann die Eingabe-Tokens halbieren, was die Kosten pro Aufgabe halbiert und die Rangfolge gegenüber den genaueren Modellen verändert.

Latenz ist das Produkt.

Artificial Analysis misst Terra mit 90,9 Output-Tokens pro Sekunde und 133,64 Sekunden bis zum ersten Token in seinem Reasoning-Benchmark, gegenüber 73,5 Tokens pro Sekunde und 284,31 Sekunden bei GPT-6.1 Sol. Diese Latenzwerte stammen aus einer Reasoning-Aufgabe mit maximalem Aufwand, daher überzeichnen sie die Verzögerung pro Schritt in einer Agentenschleife – doch das Verhältnis von etwas über 2× ist der richtige Indikator dafür, wie lange jedes Modell denkt, bevor es handelt.

In einer Agentenschleife vervielfacht sich die Denkzeit pro Aufgabe auf das Zwanzigfache. Wenn Sol vier Sekunden pro Schritt benötigt und Terra zwei, ist eine Aufgabe mit zwanzig Schritten in 40 statt 80 Sekunden abgeschlossen. Der OpenAI-Mitarbeiter Victor E. Nunez berichtete, dass Terra ein Webformular mehr als zwei Minuten schneller ausfüllte als Sol; das ist eine Anekdote, kein Benchmark, aber es ist die Art von Unterschied, die Nutzer bemerken, ohne dass man es ihnen sagt.

Wo die Schleife abbricht

• Unumkehrbare Aktionen. Absenden, Senden, Löschen, Bezahlen – jede Aktion mit Nebenwirkung braucht ein Freigabe-Gate. Kein Benchmark-Score ändert das.

• Mehrdeutige Oberflächen. Zwei Schaltflächen mit der Beschriftung „Weiter“ überfordern jedes Modell, egal wie teuer; die Lösung sind Prompt- und Screenshot-Hygiene.

• Lange Horizonte. Die obige Pro-Schritt-Rechnung ist das ganze Argument gegen unbeaufsichtigte Langhorizont-Arbeit bei 98,5 % pro Schritt.

{{1}}Veraltete Screenshots{{/1}}. Ein Frame, der vor einer Layout-Verschiebung aufgenommen wurde, ist falsch, und ein falscher Frame erzeugt einen selbstsicheren falschen Klick.

• Zustand, der über Tabs hinweg besteht. Screenshot-basierte Agenten sehen jeweils nur ein Fenster; Multi-Tab-Workflows erfordern eine explizite Zustandsverfolgung außerhalb des Modells.

Leitplanken, die 74 % auslieferbar machen

• Schritte begrenzen, nicht nur Dollar. Zwanzig ist zugleich Budget und Sicherheitskontrolle; eine Schleife, die nicht terminieren kann, ist der teuerste Fehlermodus.

• Seiteneffekte kontrollieren. Jede Aktion, die externen Zustand verändert, durch eine menschliche Prüfung oder eine Richtlinienprüfung leiten.

• Protokolliere den Frame zusammen mit der Aktion. Wenn der Agent etwas falsch macht, ist das einzige nützliche Artefakt der Screenshot, auf dessen Grundlage er gehandelt hat.

• Verwenden Sie strukturierte Ausgaben für das Aktionsschema. Eine Freitext-Aktion lässt sich genau in dem Moment nicht parsen, in dem Sie Gewissheit benötigen.

• Pro Schritt messen, nicht pro Aufgabe. Eine Regression von 2 % pro Schritt bleibt in den Aufgabenwerten unsichtbar und verdoppelt über fünfzig Schritte die Ausfallrate.

• Halten Sie ein zweites Modell für die schwierigen Schritte bereit. Terra für Routine-Frames und ein stärkeres Modell für die uneindeutigen ist günstiger als Terra mit Wiederholungsversuchen.

Was soll heute laufen?

GPT-6.1 Terra ist zum Zeitpunkt des Verfassens nicht im OrcaRouter-Katalog, daher muss die Terra-Variante direkt gegen OpenAI getestet werden. Das Vergleichsset ist bei uns live – mit 0 % Aufschlag auf den Anbieterlistenpreis: GPT-6.1 Sol zu $2/$10, GPT-6 Astra zu $10/$50, Claude Opus 5.5 zu $4/$20, Claude Sonnet 5.5 zu $2/$10 und Kimi K3.1 Pro zu $2/$10 – alle unter einem Schlüssel mit automatischem Failover.

Das Experiment, das sich zu machen lohnt, ist nicht „welches Modell auf OSWorld am höchsten punktet“. Es ist dein eigener Aufgabenkatalog, pro Schritt bewertet, mit konstant gehaltener Screenshot-Richtlinie. Diese Messung entscheidet, ob Terras Preis und Geschwindigkeit den 7,6-Punkte-Abstand zu Claude Opus 5.5 bei den Aufgaben wert sind, die du tatsächlich ausführst — und sie ist die einzige Zahl, auf der ein Agentenprodukt aufgebaut werden kann.