GPT-6.1 Terra para agentes de navegador: las matemáticas paso a paso detrás del 74,2%

La propuesta de OpenAI para GPT-6.1 Terra no es que sea más inteligente. Es que puede operar una pantalla —rellenar un formulario, leer un plano técnico, hacer clics en una aplicación— y hacerlo de forma económica y rápida. El benchmark que respalda esta afirmación es OSWorld 2.1, donde Terra obtiene un 74,2 % con el máximo esfuerzo de razonamiento, a 1,7 puntos de GPT-6.1 Sol en xhigh y a 1,6 puntos de GPT-6 Astra. Sin embargo, la cifra que importa para un agente no es la puntuación de la tarea. Es la fiabilidad por paso implícita en esa puntuación, porque los agentes fallan paso a paso, no tarea a tarea.

Esta pieza desglosa ese 74,2 %: qué mide OSWorld, qué implica en cada paso, cuánto cuesta una tarea de veinte pasos, dónde se rompe el bucle y qué salvaguardas impiden que un agente con un 74 % de precisión se convierta en un incidente con un 0 % de precisión.

Lo que dice el marcador

• GPT-6.1 Terra — 74,2 % en OSWorld 2.1 con esfuerzo máximo.

• GPT-6.1 Sol — 75.9% en xhigh.

• GPT-6 Astra — 75,8%.

• Claude Opus 5.5 — 81,8 %.

• Claude Sonnet 5.5 — 80,1 %.

• Kimi K3.1 Pro — 79,6 %.

Hay tres lecturas que conviene separar. Dentro de la familia GPT-6, Terra está a un error de redondeo de sus hermanos más caros: la diferencia de precio no compra casi nada en automatización de escritorio. Entre proveedores, toda la familia está seis o siete puntos por detrás de Anthropic. Y la propia afirmación de Terra, cercana a la del proveedor —más o menos a la par de GPT-6 Astra en nivel medio en Agents’ Last Exam, a una décima parte del precio por token— es una afirmación por tarea que la cifra de OSWorld respalda en gran medida.

De la puntuación de la tarea a la fiabilidad por paso

Las tareas de OSWorld se califican como aprobadas o fallidas tras una secuencia de acciones. Si una tarea requiere aproximadamente veinte pasos y Terra completa el 74,2 % de las tareas de principio a fin, la tasa de éxito implícita por paso es la raíz vigésima de 0,742, es decir, alrededor del 98,5 %. Se trata de una ilustración aritmética, no de una medición: algunas tareas son más cortas, otras más largas, y los fallos no son independientes. Pero establece la escala correctamente. Un modelo que parece un modelo del 74 % es en realidad un modelo del 98,5 % por paso, y esa brecha es donde reside el diseño de agentes.

Haz el cálculo a la inversa para un flujo de trabajo de cincuenta pasos. Con la misma tasa por paso, el éxito de extremo a extremo cae a alrededor del 47 %. A los ochenta pasos, es del 30 %. La puntuación de la tarea no cambia; el flujo de trabajo sí, y por eso “suficientemente bueno para un agente” depende por completo de cuánto tiempo se ejecuta el agente sin supervisión.

Cuánto cuesta una tarea

Supón 3.000 tokens de entrada por paso —una captura de pantalla más el estado de la tarea más el historial de acciones— y 150 tokens de salida para la acción, a lo largo de veinte pasos.

• Por tarea: 60.000 de entrada a $1 por millón son $0,06; 3.000 de salida a $5 por millón son $0,015. Total: $0,075.

• Con una tasa de reintentos del 30 %: alrededor de $0,0975 por tarea exitosa, o $98 por mil tareas.

• La misma carga de trabajo en GPT-6.1 Sol a $2/$10: $0.15 por tarea, $195 por mil.

• En GPT-6 Astra a $10/$50: $0,75 por tarea, $975 por cada mil.

• En Claude Opus 5.5 a $4/$20: $0.30 por tarea, $390 por cada mil.

Los supuestos sobre los tokens importan más que la relación de precios. Las capturas de pantalla dominan el costo de entrada, y el tamaño de la captura es una elección: un PNG completo de 1440×900 cuesta muchos más tokens que una región de interés recortada. Un pipeline que envía una captura recortada por paso en lugar de todo el escritorio puede reducir a la mitad los tokens de entrada, lo que reduce a la mitad el costo por tarea y cambia la clasificación frente a los modelos más precisos.

La latencia es el producto

Artificial Analysis mide a Terra en 90,9 tokens de salida por segundo y 133,64 segundos hasta el primer token en su benchmark de razonamiento, frente a 73,5 tokens por segundo y 284,31 segundos de GPT-6.1 Sol. Esas cifras de latencia provienen de una tarea de razonamiento de esfuerzo máximo, por lo que exageran el retraso por paso en un bucle de agente, pero la proporción, un poco más de 2×, es el indicador correcto de cuánto piensa cada modelo antes de actuar.

En un bucle de agente, el tiempo de pensamiento se multiplica por veinte en cada tarea. Si Sol tarda cuatro segundos por paso y Terra dos, una tarea de veinte pasos termina en 40 segundos en lugar de 80. El empleado de OpenAI Victor E. Nunez informó que Terra completó un formulario web más de dos minutos más rápido que Sol; eso es una anécdota, no un benchmark, pero es el tipo de diferencia que los usuarios notan sin que se les diga.

Donde se rompe el bucle

• Acciones irreversibles. Presentar, enviar, eliminar, pagar — cualquier acción con un efecto secundario necesita una compuerta de aprobación. Ninguna puntuación de benchmark cambia eso.

• Interfaces ambiguas. Dos botones etiquetados «Continuar» derrotan a cualquier modelo, sea cual sea su precio; la solución es una buena higiene de prompts y capturas de pantalla.

• Horizontes largos. La aritmética por paso anterior constituye todo el argumento en contra del trabajo de horizonte largo sin supervisión al 98.5% por paso.

• Capturas de pantalla obsoletas. Un fotograma capturado antes de un cambio de diseño es incorrecto, y un fotograma incorrecto produce un clic incorrecto con total confianza.

• Estado que vive entre pestañas. Los agentes basados en capturas de pantalla ven una ventana a la vez; los flujos de trabajo con múltiples pestañas necesitan un seguimiento explícito del estado fuera del modelo.

Barreras de seguridad que hacen que el 74 % sea entregable

• Pon un límite a los pasos, no solo a los dólares. Veinte es a la vez un presupuesto y un control de seguridad; un bucle que no puede terminar es el modo de falla más costoso.

• Condicionar los efectos secundarios. Toda acción que modifique el estado externo debe pasar por una persona o por una verificación de políticas.

• Registra el fotograma junto con la acción. Cuando el agente hace algo mal, el único artefacto útil es la captura de pantalla sobre la que actuó.

• Usa salidas estructuradas para el esquema de acciones. Una acción en texto libre no se puede analizar justo en el momento en que necesitas certeza.

• Mide por paso, no por tarea. Una regresión del 2 % por paso es invisible en las puntuaciones de tarea y duplica la tasa de fallos a lo largo de cincuenta pasos.

• Mantén un segundo modelo para los pasos difíciles. Terra para los frames rutinarios y un modelo más potente para los ambiguos sale más barato que Terra con reintentos.

Qué correr hoy

GPT-6.1 Terra no está en el catálogo de OrcaRouter en el momento de escribir esto, así que la variante Terra tiene que probarse directamente contra OpenAI. El conjunto de comparación ya está activo de nuestra parte con 0% de recargo sobre el precio de lista del proveedor — GPT-6.1 Sol a $2/$10, GPT-6 Astra a $10/$50, Claude Opus 5.5 a $4/$20, Claude Sonnet 5.5 a $2/$10 y Kimi K3.1 Pro a $2/$10 — todos con una sola clave y conmutación automática en caso de fallo.

El experimento que vale la pena ejecutar no es “qué modelo obtiene la puntuación más alta en OSWorld”. Es tu propio conjunto de tareas, puntuado paso a paso, con la política de capturas de pantalla mantenida constante. Esa medición decide si el precio y la velocidad de Terra justifican la brecha de 7,6 puntos frente a Claude Opus 5.5 en las tareas que realmente ejecutas — y es el único número sobre el que se puede construir un producto de agentes.