GPT-6.1 Terra vs GPT-6.1 Sol : quand la sortie à 5 $ cesse d’être la réponse la moins chère

La comparaison que la plupart des gens établissent entre GPT-6.1 Terra et GPT-6.1 Sol est fausse, et elle est fausse d’une manière qui flatte le modèle le moins cher. Ils règlent les deux sur l’effort de raisonnement maximal, notent que Terra obtient un score légèrement inférieur, notent que Terra coûte moitié moins cher, et concluent que Terra est le choix par défaut raisonnable. Mais personne n’exécute un pipeline de production au niveau d’effort maximal à chaque appel. Le vrai choix est Terra en xhigh face à Sol en low — et sur cette comparaison, des commentateurs sur Hacker News ont fait remarquer, dans les heures qui ont suivi le lancement, que Terra peut coûter plus cher que Sol tout en obtenant un moins bon score. Le modèle que vous choisissez compte moins que le niveau d’effort auquel vous le fixez, et le niveau d’effort est la variable que ni l’une ni l’autre des pages de lancement ne met dans le titre.

Les deux modèles sont de la même génération et du même mois : GPT-6.1 Sol est sorti le 29 septembre 2026, GPT-6.1 Terra le 26 octobre. Ils partagent une fenêtre de contexte de 1,05 M, un plafond de sortie de 128 K, les mêmes trois points de terminaison et la même entrée texte et image. Ce qui les sépare, c’est un écart de quatre points sur l’indice indépendant et un écart de 2× sur la grille tarifaire — et la question de savoir si quatre points valent le double dépend entièrement de ce que votre charge de travail fait des quatre derniers points.

Le même modèle, deux cartes de prix

Spécifications issues de la documentation des modèles d'OpenAI, consultée le 27 octobre 2026.

• Prix — GPT-6.1 Terra : 1 $ en entrée / 5 $ en sortie par million ; GPT-6.1 Sol : 2 $ / 10 $. L'entrée mise en cache de Terra est à 0,05 $, celle de Sol à 0,10 $.

• Contexte — 1 050 000 tokens chacun, 922 000 entrée maximale, 128 000 sortie maximale. Identique.

• Date limite des connaissances — Terra : 1er juin 2026 ; Sol : 30 avril 2026. Le modèle plus récent et moins cher bénéficie de connaissances sur le monde plus fraîches d’environ un mois.

• Effort de raisonnement — Terra propose none, low, medium, high, xhigh, max ; Sol propose de low à max. L’échelon « none » supplémentaire de Terra constitue un véritable plancher de coût que Sol n’a pas.

• Modificateurs — les deux proposent batch et flex à 50 % en dessous du standard, fast à 2×, regional à +10 %, ainsi que le seuil de 272 K en entrée. Sol seul dispose d’un palier Ultrafast à 6× le standard, ce qui, au tarif catalogue, revient à 12 $ en entrée et 60 $ en sortie par million.

• Outils et points de terminaison — ensemble identique. Responses API pour l'appel d'outils, Chat Completions sans outils, Batch pour les deux, pas de fine-tuning sur l'un ou l'autre.

Quatre points, deux fois le prix

Artificial Analysis classe actuellement GPT-6.1 Terra à un Intelligence Index de 48 — 25e sur 221 modèles — et GPT-6.1 Sol à 52, 13e. C'est tout l'écart de capacité indépendant : quatre points, à effort maximal, sur un indice composite. Ce n'est pas rien. Ce n'est pas non plus le fossé que sous-entend le vocabulaire « modèle phare contre milieu de gamme », et les deux modèles partagent une génération, une famille d'architecture et une fenêtre de contexte.

L’écart de coût est plus simple à énoncer : exactement 2× en entrée comme en sortie aux tarifs standards. Terra n’est pas un modèle au rabais ; c’est le prix de Sol réduit de moitié, avec quatre points d’indice en moins.

Coût par tâche terminée, pas par token

Le nombre qui devrait guider la décision est le coût par tâche terminée, car il intègre le nombre de tokens que chaque modèle dépense pour réfléchir. Sur l’Intelligence Index d’Artificial Analysis, GPT-6.1 Terra coûte 0,40 $ par tâche et GPT-6.1 Sol 0,72 $ — soit une économie de 44 % pour Terra, inférieure aux 50 % mis en avant, car Terra consomme légèrement plus de tokens pour accomplir le même travail à effort maximal.

Mettez cela à l’échelle. À un million de tâches par mois, la différence est d’environ 320 000 $. À dix mille tâches, elle est de 3 200 $ — une vraie somme, mais inférieure à une semaine-ingénieur consacrée à reconstruire un harnais d’évaluation. Le seuil à partir duquel l’avantage tarifaire de Terra justifie une migration est une question de volume, pas de qualité, et c’est le premier chiffre à calculer avant de lire le moindre tableau de benchmarks.

Il existe un effet de second ordre en faveur de Terra qui n’apparaît dans aucun des deux prix : la date de coupure des connaissances. L’horizon d’entraînement de Terra au 1er juin est plus récent d’un mois que celui de Sol au 30 avril. Pour les charges de travail qui dépendent d’API récentes, de versions de bibliothèques ou de documentation récentes, ce mois vaut plus de quatre points d’indice, et il coûte deux fois moins cher à obtenir.

Le piège du niveau d’effort, analysé en profondeur

Voici le mode de défaillance en termes concrets. Terra avec un effort xhigh dépense plus de tokens par tâche que Sol avec un effort faible. Si les tokens de Terra coûtent moitié moins cher mais qu’il en utilise plus du double, le modèle le moins cher n’est plus le moins cher — et comme xhigh est un réglage moins performant que le low de Sol sur les tâches les plus difficiles, vous payez plus cher pour une réponse moins bonne. Les commentateurs de Hacker News ont décrit exactement cela sur Terminal-Bench 4.0 dans le jour suivant son lancement.

La solution n'est pas d'éviter Terra. C'est de comparer à budget égal plutôt qu'à réglages égaux. Concrètement : fixez d'abord votre seuil de qualité — le taux de réussite dont votre produit a besoin sur votre propre évaluation — puis trouvez le couple (modèle, effort) le moins coûteux qui le dépasse. Cet espace de recherche comporte douze points pratiques répartis sur ces deux modèles, et non deux, et la réponse n'est généralement pas « Terra au maximum » ou « Sol au maximum ».

Les propres chiffres d'OpenAI illustrent à quel point ce réglage change la donne. Le taux d'erreur de Terra sur l'ensemble interne de cas induisant des erreurs du fournisseur passe de 16,7 % à faible effort à 4,3 % à effort maximal — une variation de 12 points au sein d'un même modèle. L'écart entre Terra et Sol sur l'indice indépendant est de quatre points. Le curseur d'effort est un levier plus puissant que le choix du modèle, et il ne coûte rien de le tourner.

Là où Sol génère encore de la marge

Le positionnement d'OpenAI pour Sol est « des performances proches d'Astra pour les travaux complexes, à un coût inférieur », et les benchmarks fournisseurs sur lesquels il se distingue de Terra vont dans ce sens : le travail agentique à long horizon, le codage le plus difficile et les documents professionnels denses. Ce sont aussi les tâches où une exécution ratée coûte plus cher que les tokens, et c'est précisément là qu'une majoration de prix de 2× est facile à justifier.

Le contre-argument de Terra est plus étroit que ne le suggère le marketing, mais plus tranchant que ne l’implique l’indice. OpenAI indique que Terra se situe à moins de 5 points de Claude Opus 5.5 sur Terminal-Bench-Science 0.1, pour moins d’un cinquième du coût estimé, et à 15 points au-dessus de GPT-5.6 Terra sur Agents’ Last Exam, pour environ un tiers du coût. Ce sont des chiffres produits par le fournisseur sur des tests choisis par le fournisseur ; ils établissent donc une direction plutôt qu’une ampleur — mais la direction est « suffisamment bon sur les tâches liées à la science et agentiques, pour bien moins cher », ce qui constitue une véritable niche.

La répartition honnête est la suivante : Sol est destiné aux tâches où vous remarqueriez une baisse de qualité de quatre points, et Terra aux tâches où vous remarqueriez la facture. Très peu de charges de travail relèvent entièrement de l’un ou de l’autre, ce qui explique pourquoi la question du routage compte davantage que celle du modèle.

La latence pourrait en décider avant la qualité.

Artificial Analysis mesure GPT-6.1 Sol à 65,9 jetons de sortie par seconde, avec 325,58 secondes jusqu’au premier jeton en effort maximal. Ce délai avant le premier jeton n’est pas une coquille, et il est rédhibitoire pour toute utilisation interactive. Terra n’a pas encore de mesure indépendante de débit ; OpenAI le décrit comme nettement plus rapide, et si cela se confirme, l’écart est suffisamment important pour trancher le débat pour les produits de type conversation ou boucle d’agent, indépendamment des scores d’index.

Pour le traitement par lots, le calcul s’inverse : 325 secondes de réflexion n’ont aucune importance si la tâche tourne pendant la nuit, et le plafond plus élevé de Sol vaut qu’on y mette le prix. La latence est une propriété de la charge de travail, pas du modèle, et elle doit peser dans la décision avant le rang au benchmark.

Garder les deux bras sur une seule touche

OrcaRouter propose GPT-6.1 Sol à son prix catalogue de 2 $/10 $ avec 0 % de marge, sur la même clé que plus de 200 autres modèles. GPT-6.1 Terra ne figure pas à notre catalogue au 27 octobre — il a un jour et est disponible via l’API d’OpenAI — donc le schéma pratique aujourd’hui consiste à mesurer la branche Sol de notre côté et à la définir comme cible d’escalade : exécuter Terra là où il gagne, basculer vers Sol lorsqu’une requête nécessite les quatre points supplémentaires ou lorsqu’un fournisseur connaît une mauvaise passe. Les deux sont de la même génération, avec la même fenêtre de contexte et la même forme de point de terminaison, donc la règle de routage est une chaîne de modèle et un réglage d’effort, pas une réécriture.

Le DSL de routage compte ici pour une raison précise. La configuration de production intéressante n’est pas « Terra ou Sol », mais « Terra en mode high, avec escalade vers Sol en mode medium lorsque la confiance est faible » — une composition qui signifierait sinon deux intégrations, deux politiques de nouvelle tentative et deux factures. C’est le type de décision que ce duo invite à prendre, et c’est la raison pour laquelle les deux modèles devraient être évalués comme une échelle plutôt que comme un choix binaire.

La règle de décision

• Fort volume, bien spécifié, sensible à la latence — captures d’écran, formulaires, extraction, automatisation du navigateur, rédaction de routine. Terra, au niveau d’effort le plus bas qui passe votre évaluation. Le déficit de quatre points ne se manifestera pas, tandis que l’économie de 44 % par tâche, elle, se verra.

• Codage difficile, agents à long horizon, documents professionnels denses, tout cas où une exécution échouée coûte plus que les tokens. Sol. C’est la charge de travail pour laquelle la majoration de 2× existe.

• Chat interactif avec un budget strict de temps jusqu'au premier token. Terra, sauf si vous avez mesuré Sol à faible effort et jugé la latence acceptable. Sol à effort maximal est un instrument de traitement par lots affublé d'une interface de chat.

• Travaux sensibles à la fraîcheur — API récentes, versions de bibliothèques, documentation à jour. La date limite de juin de Terra surpasse celle d’avril de Sol, et ce à moitié prix.

• Pas certain. Comparez à budget égal, pas à réglages égaux. Ce seul changement fera basculer plus d'équipes vers Terra que n'importe quel tableau comparatif.

La question ouverte n’est pas de savoir si Terra est assez bon pour remplacer Sol — de toute évidence, non, selon la seule mesure indépendante disponible. C’est de savoir si l’écart de quatre points survit à l’arrivée de GPT-6.1 Astra, qui n’est pas encore sorti et qui fera descendre Sol dans le classement de la même manière que Sol a fait descendre Astra. Lorsque cela se produira, la comparaison intéressante sera Terra face à un Sol dévalué, et le curseur d’effort comptera encore plus qu’aujourd’hui.