GPT-6.1 Terra vs. GPT-6.1 Sol: Wo die 5-$-Ausgabe nicht mehr die günstigere Antwort ist

Der Vergleich, den die meisten Leute zwischen GPT-6.1 Terra und GPT-6.1 Solanstellen, ist falsch – und zwar auf eine Weise, die dem günstigeren Modell schmeichelt. Sie stellen beide auf maximalen Reasoning-Aufwand, stellen fest, dass Terra etwas schlechter abschneidet, stellen fest, dass Terra nur halb so viel kostet, und schließen daraus, dass Terra die vernünftige Standardwahl ist. Aber niemand betreibt eine Produktions-Pipeline bei jedem Aufruf mit maximalem Aufwand. Die eigentliche Wahl lautet Terra auf xhigh gegen Sol auf low – und bei diesem Vergleich kann Terra, wie Kommentatoren auf Hacker News innerhalb von Stunden nach dem Launch anmerkten, mehr als Sol kosten und dabei schlechter abschneiden. Welches Modell man wählt, ist weniger wichtig als die Aufwandsstufe, auf die man es festlegt, und die Aufwandsstufe ist die Variable, die keine der beiden Produktseiten in die Schlagzeile packt.

Beide Modelle stammen aus derselben Generation und demselben Monat: GPT-6.1 Sol erschien am 29. September 2026, GPT-6.1 Terra am 26. Oktober. Sie teilen sich ein Kontextfenster von 1,05 Mio., eine Ausgabegrenze von 128K, dieselben drei Endpunkte und dieselbe Text-und-Bild-Eingabe. Was sie unterscheidet, ist ein Vier-Punkte-Abstand auf dem unabhängigen Index und ein 2×-Abstand auf der Preiskarte — und die Frage, ob vier Punkte doppelt so viel wert sind, hängt ganz davon ab, was Ihre Arbeitslast mit den letzten vier Punkten macht.

Dasselbe Modell, zwei Preiskarten

Spezifikationen aus der Modelldokumentation von OpenAI, gelesen am 27. Oktober 2026.

• Preis — GPT-6.1 Terra 1 $ Eingabe / 5 $ Ausgabe pro Million; GPT-6.1 Sol 2 $ / 10 $. Die zwischengespeicherte Eingabe von Terra kostet 0,05 $, die von Sol 0,10 $.

• Kontext — jeweils 1.050.000 Token, maximal 922.000 Eingabe, maximal 128.000 Ausgabe. Identisch.

• Wissensstand — Terra 1. Juni 2026; Sol 30. April 2026. Das günstigere, neuere Modell verfügt über ein um etwa einen Monat aktuelleres Weltwissen.

• Reasoning-Aufwand — Terra bietet none, low, medium, high, xhigh, max; Sol bietet low bis max. Terras zusätzliche „none“-Stufe ist eine echte Kostenuntergrenze, die Sol nicht hat.

• Modifikatoren — beide bieten Batch und Flex 50 % unter dem Standard, Fast zum 2-Fachen, Regional mit +10 % und die 272K-Eingabe-Schwelle. Nur Sol hat eine Ultrafast-Stufe zum 6-Fachen des Standards, was zum Listenpreis $12 Eingabe und $60 Ausgabe pro Million ergibt.

• Tools und Endpunkte — identisches Set. Responses API für Tool-Aufrufe, Chat Completions ohne Tools, Batch für beides, kein Fine-Tuning bei beiden.

Vier Punkte, doppelter Preis

Artificial Analysis führt GPT-6.1 Terra derzeit mit einem Intelligence Index von 48 – Platz 25 von 221 Modellen – und GPT-6.1 Sol mit 52, Platz 13. Das ist die gesamte unabhängige Leistungslücke: vier Punkte, bei maximalem Aufwand, auf einem zusammengesetzten Index. Das ist nicht nichts. Es ist auch nicht die Kluft, die die Formulierung „Flaggschiff versus Mittelklasse“ impliziert, und die beiden Modelle teilen eine Generation, eine Architekturfamilie und ein Kontextfenster.

Die Kostendifferenz lässt sich einfacher benennen: genau 2× bei Eingabe und Ausgabe zu Standardtarifen. Terra ist kein Billigmodell; es ist Sols halbierter Preis mit vier abgezogenen Indexpunkten.

Kosten pro abgeschlossener Aufgabe, nicht pro Token

Die entscheidende Zahl sollten die Kosten pro abgeschlossener Aufgabe sein, denn sie schließen ein, wie viele Tokens jedes Modell fürs Nachdenken verbraucht. Im Intelligence Index von Artificial Analysis kostet GPT-6.1 Terra $0.40 pro Aufgabe und GPT-6.1 Sol $0.72 — eine Ersparnis von 44 % für Terra, kleiner als die 50 % aus der Schlagzeile, weil Terra bei maximalem Aufwand etwas mehr Tokens verbraucht, um dieselbe Arbeit zu erledigen.

Rechnen Sie das hoch. Bei einer Million Aufgaben pro Monat beträgt der Unterschied rund 320.000 $. Bei zehntausend Aufgaben sind es 3.200 $ — echtes Geld, aber weniger als eine Ingenieurwoche, die man für den Neuaufbau einer Eval-Harness aufwendet. Die Schwelle, ab der Terras Preisvorteil eine Migration rechtfertigt, ist eine Frage des Volumens, nicht der Qualität, und sie ist die erste Zahl, die man berechnen sollte, bevor man eine Benchmark-Tabelle liest.

Es gibt einen Effekt zweiter Ordnung zugunsten von Terra, der sich in keinem der beiden Preise niederschlägt: den Wissens-Cutoff. Terras Trainingshorizont vom 1. Juni ist einen Monat aktueller als Sols 30. April. Für Workloads, die auf aktuelle APIs, Bibliotheksversionen oder Dokumentation angewiesen sind, ist dieser Monat mehr als vier Indexpunkte wert, und man bekommt ihn zum halben Preis.

Die Falle des Aufwandsniveaus, durchgearbeitet

Terra verbraucht mit xhigh-Aufwand mehr Tokens pro Aufgabe als Sol mit geringem Aufwand. Wenn Terras Tokens halb so viel kosten, es aber mehr als doppelt so viele davon verbraucht, ist das günstigere Modell nicht länger günstiger – und weil xhigh bei den schwierigsten Aufgaben eine schwächere Einstellung als Sols low ist, zahlen Sie mehr für eine schlechtere Antwort. Kommentatoren auf Hacker News beschrieben genau das bei Terminal-Bench 4.0 innerhalb eines Tages nach dem Launch.

Die Lösung besteht nicht darin, Terra zu meiden. Sondern bei gleichem Budget statt bei gleichen Einstellungen zu vergleichen. Konkret: Legen Sie zuerst Ihre Qualitätsschwelle fest – die Bestehensrate, die Ihr Produkt in Ihrer eigenen Evaluation benötigt – und suchen Sie dann das günstigste (Modell, Aufwand)-Paar, das sie erfüllt. Dieser Suchraum umfasst zwölf praktische Punkte über diese beiden Modelle hinweg, nicht zwei, und die Antwort ist normalerweise nicht „Terra auf Maximum“ oder „Sol auf Maximum“.

OpenAIs eigene Zahlen zeigen, wie stark diese Einstellung wirkt. Terras Fehlerrate auf dem internen fehlerauslösenden Datensatz des Anbieters fällt von 16,7 % bei geringem Aufwand auf 4,3 % bei maximalem Aufwand – ein Unterschied von 12 Punkten innerhalb eines Modells. Der Abstand zwischen Terra und Sol auf dem unabhängigen Index beträgt vier Punkte. Der Aufwandsregler ist ein größerer Hebel als die Modellwahl, und er lässt sich kostenlos drehen.

Wo Sol noch den Aufschlag verdient

Die Positionierung von OpenAI für Sol lautet „nahezu Astra-Leistung für komplexe Arbeit zu niedrigeren Kosten“, und die Anbieter-Benchmarks, bei denen es sich von Terra abhebt, passen dazu: agentische Arbeit mit langem Horizont, das anspruchsvollste Coding und dichte professionelle Dokumente. Das sind auch die Aufgaben, bei denen ein fehlgeschlagener Lauf mehr kostet als die Tokens – genau dann lässt sich ein 2×-Preisaufschlag leicht rechtfertigen.

Teras Gegenargument ist enger, als das Marketing nahelegt, aber schärfer, als der Index impliziert. OpenAI berichtet, dass Terra auf Terminal-Bench-Science 0.1 innerhalb von 5 Punkten von Claude Opus 5.5 liegt – bei weniger als einem Fünftel der geschätzten Kosten – und auf Agents' Last Exam 15 Punkte über GPT-5.6 Terra bei etwa einem Drittel der Kosten. Das sind vom Anbieter erhobene Zahlen auf vom Anbieter ausgewählten Tests, daher belegen sie eine Richtung statt einer Größenordnung – aber die Richtung ist „gut genug bei wissenschaftsnahen und agentischen Aufgaben, deutlich günstiger“, was eine echte Nische ist.

Die ehrliche Aufteilung ist diese: Sol ist für die Aufgaben, bei denen man einen Qualitätsabfall um vier Punkte bemerken würde, und Terra ist für die Aufgaben, bei denen man die Rechnung bemerken würde. Nur sehr wenige Workloads sind ganz das eine oder das andere, weshalb die Routing-Frage wichtiger ist als die Modell-Frage.

Die Latenz könnte darüber entscheiden, bevor es die Qualität tut.

Artificial Analysis misst GPT-6.1 Sol bei maximalem Aufwand mit 65,9 Ausgabe-Tokens pro Sekunde und 325,58 Sekunden bis zum ersten Token. Diese Time-to-First-Token-Zahl ist kein Tippfehler, und sie disqualifiziert alles Interaktive. Für Terra gibt es noch keine unabhängige Durchsatzmessung; OpenAI beschreibt es als deutlich schneller, und wenn das zutrifft, ist der Abstand groß genug, um die Debatte für chatförmige Produkte oder Agent-Loop-Produkte unabhängig von Indexwerten zu entscheiden.

Für Batch-Arbeit kehrt sich das Kalkül um: 325 Sekunden Denkzeit sind irrelevant, wenn der Job über Nacht läuft, und Sols höhere Obergrenze ist es wert, dafür zu zahlen. Latenz ist eine Eigenschaft der Arbeitslast, nicht des Modells, und sie gehört in die Entscheidung, bevor der Benchmark-Rang hineingehört.

Beide Arme auf einer Taste halten

OrcaRouter führt GPT-6.1 Sol zu seinem Listenpreis von $2/$10 ohne Aufschlag (0 %) mit demselben Schlüssel wie über 200 andere Modelle. GPT-6.1 Terra ist Stand 27. Oktober nicht in unserem Katalog — es ist einen Tag alt und über die API von OpenAI verfügbar — daher ist das praktische Muster heute, den Sol-Zweig auf unserer Seite zu messen und ihn als Eskalationsziel festzulegen: Terra dort laufen zu lassen, wo es gewinnt, und auf Sol auszuweichen, wenn eine Anfrage die zusätzlichen vier Punkte benötigt oder ein Anbieter eine schlechte Stunde hat. Beide gehören derselben Generation an, haben dasselbe Kontextfenster und dieselbe Endpoint-Form, daher ist die Routing-Regel ein Modell-String und eine Effort-Einstellung, kein Umschreiben.

Die Routing-DSL ist hier aus einem bestimmten Grund wichtig. Die interessante Produktionskonfiguration ist nicht „Terra oder Sol“, sondern „Terra bei high, mit Eskalation zu Sol bei medium, wenn die Konfidenz niedrig ist“ – eine Zusammensetzung, die ansonsten zwei Integrationen, zwei Retry-Richtlinien und zwei Rechnungen bedeuten würde. Das ist die Art von Entscheidung, zu der dieses Paar einlädt, und der Grund, warum die beiden Modelle als Leiter statt als Entweder-oder bewertet werden sollten.

Die Entscheidungsregel

• Hohes Volumen, gut spezifiziert, latenzsensitiv — Screenshots, Formulare, Extraktion, Browser-Automatisierung, Routinetexte. Terra, mit dem geringsten Aufwand, der deine Evaluierung besteht. Das Vier-Punkte-Defizit wird nicht auffallen, die 44 % Ersparnis pro Aufgabe schon.

• Anspruchsvolles Programmieren, Agenten mit langem Zeithorizont, dichte Fachdokumente, alles, bei dem ein fehlgeschlagener Lauf mehr kostet als die Tokens. Sol. Das ist die Arbeitslast, für die es den 2×-Aufpreis gibt.

• Interaktiver Chat mit einem strikten Time-to-First-Token-Budget. Terra, es sei denn, du hast Sol bei geringem Aufwand gemessen und die Latenz als akzeptabel befunden. Sol mit maximalem Aufwand ist ein Batch-Instrument, das eine Chat-Oberfläche trägt.

• Aktualitätssensible Arbeit — neueste APIs, Bibliotheksversionen, aktuelle Dokumentation. Terras Juni-Stichtag schlägt Sols April-Stichtag – und das zum halben Preis.

• Unklar. Benchmarken Sie bei gleichem Budget, nicht bei gleichen Einstellungen. Diese eine Änderung wird mehr Teams zu Terra bringen als jede Benchmark-Tabelle.

Die offene Frage ist nicht, ob Terra gut genug ist, um Sol zu ersetzen – das ist es eindeutig nicht, gemessen an der einzigen verfügbaren unabhängigen Kennzahl. Sie ist, ob die Vier-Punkte-Lücke die Ankunft von GPT-6.1 Astra übersteht, das noch nicht ausgeliefert wurde und Sol die Rangliste hinunterdrücken wird, so wie Sol Astra hinuntergedrückt hat. Wenn das geschieht, wird der interessante Vergleich Terra gegen ein abgewertetes Sol sein, und der Aufwandsregler wird noch wichtiger sein als heute.