GPT-6.1 Terra Pro vs. GPT-6.1 Sol: Nach der Aufgabe wählen, nicht nach der Preiskarte

GPT-6.1 Terra Pro versus GPT-6.1 Sol ist die Paarung, nach der gesucht wird, aber nur eine Seite dieses Namens existiert tatsächlich: OpenAIs Modell ist GPT-6.1 Terra, und „Pro“ ist eine ChatGPT-Tarifbezeichnung, keine Variante. Der Vergleich, auf den es ankommt, ist GPT-6.1 Terra gegen GPT-6.1 Sol, zwei Modelle derselben Generation mit demselben Kontextfenster von 1,05 Millionen Token, derselben Ausgabegrenze von 128.000 Token und einem Preisunterschied von zwei zu eins. Die nützliche Frage ist nicht, welches besser ist. Sie lautet, welches bei der Arbeit besser ist, die Sie ihm gleich übergeben werden.

Diese Einordnung verändert die Antwort. Beim unabhängigen Index liegt Sol vier Punkte vorn. Beim Preis ist Terra halb so teuer. Bei der Geschwindigkeit ist Terra nach OpenAIs eigener Messung mehr als dreimal so schnell. Keine dieser drei Tatsachen entscheidet den Vergleich für sich allein, weil jede auf einen anderen Teil einer Arbeitslast abbildet: Qualität, Kosten und Latenz. Welches Modell gewinnt, hängt davon ab, an welchem dieser Punkte es Ihrer Aufgabe tatsächlich mangelt.

Die kurze Antwort

Wenn es sich bei der Arbeit um einen Browser- oder Desktop-Agenten handelt, der Anwendungen durchklickt, eine Pipeline zum Ausfüllen von Formularen, eine Rechnungswarteschlange, eine technische Zeichnung, aus der ein Modell werden muss, oder ein Dokument, das aus bereitgestelltem Material klar geschrieben werden muss, beginnen Sie mit GPT-6.1 Terra. Wenn es sich um ein langes Refactoring, ein Feature über mehrere Dateien, eine schwierige Debugging-Sitzung, ein dichtes professionelles Dokument oder eine Forschungsaufgabe handelt, die stundenlang läuft, beginnen Sie mit GPT-6.1 Sol. Wenn Sie die schnellste kostenpflichtige Stufe benötigen, die OpenAI anbietet, ist Sol der einzige der beiden mit einer Ultrafast-Option.

Das ist die Gestalt davon. Der Rest dieses Beitrags sind die Belege, die Stellen, an denen die Gestalt bricht, und die Einstellungen, die die Antwort kippen können.

Zwei Modelle, zwei Aufgaben.

Das Aufgabengebiet von GPT-6.1 Terra ist der Arbeitsalltag: visuelles Schlussfolgern, Computersteuerung und Texte, die sich lesen, als hätte ein Mensch sie auf Grundlage von bereitgestelltem Material verfasst. In OpenAIs Ankündigung werden das Entwerfen von Angeboten, das Interpretieren technischer Zeichnungen, das Ausfüllen von Formularen und die Videobearbeitung genannt. Das Aufgabengebiet von GPT-6.1 Sol ist die schwierigere, langwierigere Arbeit: Coding nahe Astra-Niveau und professionelle Dokumente, wobei OpenAI selbst im Terra-Launch-Beitrag Sol oder Astra für die komplexesten Coding-Aufgaben empfiehlt.

Ted Sanders von OpenAI, in der Berichterstattung zum Marktstart mehrfach zitiert, brachte den Trade-off deutlicher auf den Punkt: Terra sei bei technischer Kommunikation besser als Astra und Sol, bei Vision und Computer Use ähnlich, aber viel schneller, und bei den meisten anderen Dingen etwas schlechter. Das ist eine Beschreibung des Anbieters und keine unabhängige Erkenntnis, und sie ist nützlich, weil sie den Trade-off benennt, statt ihn zu verbergen.

Beide Modelle teilen dasselbe Grundgerüst: 1,05 Millionen Tokens Kontext, 922.000 maximaler Input, 128.000 maximaler Output, Text- und Bildeingabe, die Endpunkte Chat Completions und Responses sowie kein Fine-Tuning. Die Unterschiede liegen beim Wissensstand (Terra: 1. Juni 2026; Sol: 30. April 2026), bei der Reasoning-Untergrenze (Terra akzeptiert keine; Sol beginnt bei niedrig), bei der Geschwindigkeitsstufe (Sol bietet Ultrafast; Terra nicht) und bei der Preiskarte.

Wo sich die Benchmarks trennen

Artificial Analysis ist die sauberste unabhängige Einschätzung: 48 für Terra bei maximalem Aufwand gegenüber 52 für Sol, Ränge 25 und 13 von 221 sowie 0,40 $ gegenüber 0,72 $ pro Index-Aufgabe. Vier Indexpunkte sind eine echte Lücke, aber es ist die Art von Lücke, die eine aufgabenspezifische Evaluation in die eine oder andere Richtung auslöschen kann.

• Gesamtindex — Terra 48 vs. Sol 52 (Artificial Analysis).

• Coding Agent Index v2.0 — Terra 48 vs. Sol 54, mit GPT-6 Luna bei 31 (Artificial Analysis).

• Terminal-Bench 4.0 — Terra 50,3 % bei maximalem Aufwand; OpenAI veröffentlichte zur Einführung von Terra keine Sol-Zahlen (Anbieterangabe).

• Terminal-Bench-Science 0.1 — OpenAI sagt, Terra übertreffe bei maximalem Aufwand Sol zu geringeren Kosten und komme bis auf fünf Punkte an Claude Opus 5.5 heran – bei weniger als einem Fünftel der geschätzten Kosten (vom Anbieter angegeben und die überraschendste Behauptung der Markteinführung).

• Plotly-Prüfung zur Datenanalyse — Terra 40/43, Sol 43/43, Luna 38/43, bei 1,31 $ gegenüber 2,61 $ für die Prüfung; Terra war das schnellste Modell, das 40 oder mehr erreichte, mit etwa 15 Sekunden pro Frage (Bewertung durch Dritte).

• OSWorld 2.1 — OpenAI sagt, Terra übertreffe mit mittlerem Aufwand den Bestwert von GPT-5.6 Terra zu einem Bruchteil der Kosten, veröffentlichte aber keine direkte Vergleichszahl zu Sol; daher ist die Computer-Use-Behauptung, die für die Positionierung von Terra am wichtigsten ist, diejenige mit den wenigsten direkten Belegen.

Lies diese Liste als Karte dessen, wo die vier Punkte liegen. Sol’s Vorteil konzentriert sich auf Coding und langfristiges Reasoning. Terra’s Vorteil sind Geschwindigkeit, Preis und der frischere Cutoff. Bei dem einen Benchmark, den OpenAI gewählt hat, um ihn direkt gegen Sol zu veröffentlichen, Terminal-Bench-Science 0.1, gewinnt Terra zu geringeren Kosten, was entweder eine echte Überraschung oder ein Effekt der Benchmark-Auswahl ist. Niemand außerhalb von OpenAI hat es reproduziert.

Der Aufwandsregler entscheidet mehr als das Modell.

Beide Modelle bieten Reasoning-Effort, und die Einstellung kann mehr kosten als die Modellwahl. Teras Untergrenze ist none, was es für Extraktion und Klassifizierung ungewöhnlich günstig macht; Sols Untergrenze ist low, daher bezahlt ein Sol-Aufruf immer für etwas Reasoning. Am oberen Ende kann Terra mit xhigh mehr Tokens verbrauchen und mehr kosten als Sol mit low, während es bei derselben Aufgabe schlechter abschneidet – eine Beobachtung, die Hacker-News-Kommentatoren innerhalb von Stunden nach dem Launch machten. Wir haben es nicht selbst gemessen, und es ist arithmetisch plausibel: Der Aufwand verändert die Token-Anzahl multiplikativ, während die Preisdifferenz nur 2× beträgt.

Die praktische Regel lautet: Den Aufwand durch Evaluierung festlegen, nicht aus Gewohnheit. Lassen Sie fünfzig reale Aufgaben mit zwei Aufwandsstufen durch beide Modelle laufen, legen Sie eine Qualitätslatte fest und wählen Sie das günstigste Paar, das sie erfüllt. Terra und Sol bei gleichem nominellem Aufwand zu vergleichen, ist der häufigste Fehler in diesem Duell und derjenige, der am wahrscheinlichsten zu einer falschen Antwort führt.

Was eine erledigte Aufgabe kostet

• Eingabe — Terra 1,00 $ pro Million Token vs. Sol 2,00 $.

• Zwischengespeicherte Eingabe — 0,05 $ vs. 0,10 $.

• Ausgabe — 5,00 $ vs. 10,00 $.

• Cache-Schreibvorgänge — 1,25 $ bei 30-minütiger Aufbewahrung oder 2,50 $ bei 12-stündiger Aufbewahrung für Terra; 2,50 $ für Sol.

• Lange Prompts – über 272.000 Eingabe-Tokens werden sowohl die Eingabe- als auch die Cache-Rate doppelt und die Ausgaberate mit dem 1,5-Fachen für die gesamte Anfrage berechnet.

• Gemessene Kosten pro Indexierungsaufgabe — 0,40 $ für Terra gegenüber 0,72 $ für Sol, eine Ersparnis von 44 % statt der 50 %, die die Preisliste impliziert, weil Terra bei maximalem Aufwand mehr Tokens verbrauchen kann.

Ein durchgerechnetes Beispiel mit sauberen Annahmen: 2.000 Input-Tokens und 500 Output-Tokens pro Dokument, ohne Cache. Terra kostet 0,002 US-Dollar für Input plus 0,0025 US-Dollar für Output, also 0,0045 US-Dollar pro Dokument. Sol kostet 0,009 US-Dollar. Eine Million Dokumente kostet 4.500 US-Dollar gegenüber 9.000 US-Dollar. Wenn die Hälfte des Inputs im Cache liegt, halbieren sich Terras Input-Kosten erneut; Sols Kosten sinken im gleichen Verhältnis, sodass das Verhältnis bestehen bleibt. Die Lücke vergrößert sich nur dort, wo Terras none-Einstellung nutzbar ist, und verkleinert sich dort, wo Sol die Aufgabe mit weniger Tokens erledigt.

Der Zugriff ist Teil des Vergleichs.

Terra ist in der API sowie in ChatGPT Work und Codex für die Tarife Plus, Pro, Enterprise und Edu verfügbar; in der Ankündigung von OpenAI wird die Haupt-Chat-Auswahl nicht aufgeführt. Sol ist in der API und in ChatGPT verfügbar und ist von den beiden das einzige mit einem Ultrafast-Modus; beide bieten Fast zum doppelten Standardpreis an. In einem Pro-500-Tarif verbraucht Ultrafast inkludierte Nutzung zum achtfachen Standardtarif und gekaufte Credits zum sechsfachen, sodass „schneller“ ebenso eine Abrechnungsentscheidung ist wie eine Frage der Latenz.

Auf der Routing-Seite ist die Asymmetrie einfach. GPT-6.1 Sol steht im OrcaRouter-Katalog zum Listenpreis, 2 $ Eingabe und 10 $ Ausgabe, ohne Aufschlag, sodass eine Preisänderung des Anbieters zu denselben Bedingungen durchgereicht wird. GPT-6.1 Terra ist Stand 27. Oktober noch nicht im Katalog, daher müssen Terra-Aufrufe an OpenAIs eigene API gehen; das ist eine Tatsache über den heutigen Katalog, keine dauerhafte Position. Automatisches Failover über die Modelle, die wir führen, ist der Grund, einen zweiten Arm konfiguriert zu halten, selbst wenn ein Modell eindeutig günstiger ist.

Eine Auswahlregel, die Sie diese Woche anwenden können

• Ordne die Aufgabe danach ein, was sie benötigt: Bildschirmsteuerung und Dokumenterstellung deuten auf Terra hin; Code, langes Schlussfolgern und intensive Recherche deuten auf Sol hin.

• Legen Sie einen Qualitätsmaßstab für Ihre eigenen Daten fest, bevor Sie sich die Preiskarte ansehen. Vier Indexpunkte sind kein Qualitätsmaßstab; Ihre Evaluierung ist der Maßstab.

• Testen Sie auf zwei Aufwandsstufen, nicht nur auf einer. Terra mit none gegen Sol mit low ist ein anderer Vergleich als Terra mit max gegen Sol mit max.

• Bepreise die erledigte Aufgabe, einschließlich Wiederholungen und Tool-Aufrufen. Die Berechnung pro Token unterschätzt das Modell, das mehr Turns benötigt.

Behalte den Verlierer als Failover-Arm. Das günstigste Modell, das im Rate-Limit hängt, ist nicht günstig.

Wenn Sie über OrcaRouter routen, ist der letzte Schritt Konfiguration statt Code: ein Schlüssel, eine Routing-Regel pro Aufgabenklasse und Failover, wenn ein Anbieter schlechter wird. Die beiden Modelle können hinter demselben Endpoint liegen, sobald Terra eingebunden ist; heute ist es nur Sol.

Was würde die Antwort ändern

Drei Dinge. Eine unabhängige Coding-Bewertung, die Terra nahe an Sol rückt, würde den Hauptgrund für den doppelten Preis hinfällig machen. Ein veröffentlichter Direktvergleich bei OSWorld 2.1 würde die Computer-Use-Behauptung klären, die OpenAI implizit gelassen hat. Und ein Terra-Eintrag bei den Routern würde die Failover-Story real statt bloß erstrebenswert machen. Bis dahin ist die vertretbare Standardwahl Terra für Volumen- und Bildschirmarbeit, Sol für Code und langes Reasoning und eine Bewertung dazwischen statt eines Slogans.