GPT-6.1 Terra vs Muse Wonder：指数4ポイント差、請求額は8倍

GPT-6.1 TerraとMuse Wonderは、両方を測定してきた公開スコアボードでは4ポイント差であり、そのスコアボード上でタスクを完了するコストでは約8倍の差がある。OpenAIは2026年10月26日にTerraをリリースし、入力100万トークンあたり1ドル、出力100万トークンあたり5ドルとした。Artificial Analysis Intelligence Indexでは48を記録し、インデックスタスクあたり0.40ドルかかる。Metaは10月12日にMuse Wonderをリリースし、4ドルと20ドルとした。スコアは52で、タスクあたり3.27ドルかかる。両方とも100万トークンのコンテキストウィンドウを掲げている。リーダーボードを並べ替えれば一行で決定は終わる。だからこそ、そこで決めるのは間違いだ。スコアが高く請求も高いモデルはより速いモデルでもあり、安いモデルの優位性は、誤答があなたにいくらかかるかに完全に左右される。

以下の数値は、2026年10月27日に参照したArtificial Analysisと、両ベンダーの発表資料に基づくものです。ベンダーの主張は「主張」と明記しています。本稿で唯一のタスクレベルベンチマークは、会計自動化を販売するDualEntry社が実施したものであり、商業的利害を伴う第三者証拠であって中立的な監査ではないため、その前提で扱っています。

異なる用途のために作られた2つのモデル

TerraはOpenAIのボリュームモデルであり、GPT-5.6 Terraの後継で、現在のOpenAIファミリーが持つ汎用能力を最も安価に利用できる手段です。テキストと画像を受け取り、テキストを返し、1,050,000トークンのコンテキストと128,000トークンの出力上限を明記しており、推論エフォートをnoneからmaxまで指定できます。OpenAIはまた、ローンチ当日にこれをAmazon Bedrockに、さらにChatGPT WorkとCodexに投入しましたが、コンシューマー向けChatGPTのチャットボックスには投入していません。調達上重要な意味ではAPI専用であり、ファインチューニング、Realtime、Assistantsは提供されません。

Muse Wonderは、フロンティアの議論に加わるMeta初のモデルであり、多くの比較ページが曖昧にしている区分を伴って登場します。APIモデルは{{1}}Wonder{{/1}}で、{{2}}$4入力・$20出力{{/2}}です。より高スコアのチェックポイントである{{3}}同じ指標で56を記録するMuse Wonder Full{{/3}}は、{{4}}月額$50または$200のMuse Codeサブスクリプション{{/4}}内でのみ販売され、API経由では提供されません。見出しのベンチマーク行はしばしばFullを指します。開発者が実際に呼び出せるモデルはTerraを4ポイント上回るのであり、8ポイントではありません。

• 価格 — GPT-6.1 Terra は入力 $1.00 / 出力 $5.00（100万トークンあたり）、Muse Wonder は $4.00 / $20.00。

• キャッシュ入力 — Terra $0.05（95%割引）、Wonder $0.20（95%割引）。

• コンテキストウィンドウ — Terra は 1,050,000 が文書化済み、Wonder は 1,000,000 が文書化済み。

• 最大出力 — Terraは128,000が文書化済み。MetaはWonderの上限を公表しておらず、第三者の追跡者らは943,000近い数値を報告している。

• 独立インテリジェンス指数 — Terra 48、221モデル中25位、Wonder 52、221モデル中10位。

• インデックスタスクあたりのコスト — Terra $0.40、Wonder $3.27。

• 出力速度 — Terra 90.9トークン/秒、Wonder 207.8。

• 最初のトークンまでの時間 — Terra 77.96秒、Wonder 31.62秒。

• 入力 — Terraはテキストと画像、Wonderはトラッカーによるとテキスト、画像、動画、音声で、Meta自身の発表資料はテキストと画像を重視している。

・ウェイト — 両側とも非公開。Metaのオープンウェイトの選択肢は、別モデルであるMuse Sparkです。

請求額は指数の差の8倍です。

タスクあたりのコストという数字こそが、4ポイントの差をどう読むべきかを変えるはずだ。Artificial Analysisは単にリスト価格に固定のトークン数を掛けるのではなく、同じ一連のインデックスタスクを完了するために各モデルが消費するトークン数を測定し、その消費量を価格に換算している。Terraはタスクあたり平均0.40ドル、Wonderは3.27ドルで、8%未満の能力差に対して8.2倍の差となる。

リストの料金だけでは説明できない。1億入力トークンと1000万出力トークンのワークロードを考えると、Terraは150ドル、Wonderは600ドルで、4倍の差になる。タスクあたりの差はその2倍に広がっている。つまり、インデックス評価が実際に消費したトークンは10対1で分かれていなかったということだ。Artificial Analysisは各モデルについて測定された入力量と出力量に価格を付けているのであり、そのタスクあたりの数値は一律の例ではなく評価を反映している。トークンあたりの価格は燃料価格であって、旅のコストではない。

その違いが最も重要になるのは、Terraが狙う処理量においてだ。月10万タスクを実行するパイプラインは、Artificial Analysisの測定レートで、Terraに4万ドル、Wonderに32万7千ドルを費やす。両者の能力差は、ワークロードが増えても8倍にはならないが、請求額は8倍になる。タスクが分類、抽出、帳票読み取り、範囲の限定されたエージェントステップなら、立証責任は高価なモデル側にある。

算定に関する注意点が一つあります。この指数は定期的に再正規化されるため、タスクあたりのコストの数値もそれに伴って変動します。古い記事の数値を引くのではなく、ここに示す数値のように、同じ時点の読値から得られたモデル同士を比較してください。

Wonderの方が速く、Terraの速度に関する主張はこの比較に耐えない

OpenAIの発表資料では、TerraはGPT-6 AstraやGPT-6.1 Solよりも大幅に高速だと説明されている。OpenAIファミリー内ではそれは事実のようであり、まさにそれがこのモデルの存在理由だ。視覚および文書作業向けの、安価で高速な汎用モデルである。Metaのモデルと比べると、差は大きい。Wonderは毎秒207.8出力トークンを生成するのに対しTerraは90.9で、最初のトークンを返すまでWonderは31.62秒、Terraは77.96秒かかる。

どちらも絶対的な意味では起動が遅く、これは不祥事ではなく大規模推論モデルの特性だ。しかしその順序は価格の順序と逆であり、そこには実務上の帰結がある。一晩中走るバッチジョブでは、Terraのレイテンシは問題にならず、コストが決定的になる。ユーザーが最初のトークンを待つ対話型製品では、78秒の起動はベンチマークの数値ではなく製品上の判断であり、Wonderの32秒のほうが、入力単価が5倍でも優れた体験になる。

速度の数字は、安価なモデルについてのよくある前提も崩す。つまり、安価なモデルは既定で高速な選択肢だという前提だ。Terraはトークンあたりでもタスクあたりでも安い。秒あたりで速いわけではない。これらは別の主張であり、真なのはそのうち一つだけだ。

安価なモデルが敗れたタスクレベルのテスト

ローンチ時点で利用可能な最も広範な第三者検証は、DualEntryの会計ベンチマークだ。取引分類、仕訳、買掛金、売掛金、照合、レポーティング、月末決算、会計知識にわたる101件の合成ケースを、AI採点者ではなく固定の参照答案を用いて各モデルにつき3回実行する。22のモデルがテストされた。DualEntryは会計自動化を販売しているため、このベンチマークは中立ではないが、その手法は複合指数よりも具体的だ。

Terraは総合78.2%で終え、22モデル中18位タイだった。総合スコアでは見えない形で、そのプロファイルにはばらつきがあった。取引分類は13件中13件で完璧だった。買掛金処理は53.8%で最下位タイ。銀行勘定調整は83.3%で、Kimi K3.1 ProとMuse Wonderの両方に後れを取った。ただし、リリースではWonderの正確な調整スコアは公表されていない。TerraはこのベンチマークでOpenAIのモデルとして最速、全体でも3番目に速く、1タスクあたり16.1秒、1タスクあたり0.042ドルだった。これはGPT-6.1 Solの約半分、GPT-6 Astraの約10分の1に当たる。

{{1}}別の評価プラットフォームであるVals AIは、独自のスイートでTerraを60.17%、28社中10位としている。コーディングとターミナル作業を強み、法務・税務・財務を弱みとしている。スイートが異なり尺度も異なるため、この数値はArtificial Analysisの指数とは比較できないが、傾向の形は比較できる。Terraは高速で安価な汎用モデルであり、タスク群によってばらつきが大きいが、一律に優れているわけではない。{{/1}}

そのばらつきこそが、タスク単価だけで購入することに反対する論拠だ。53.8%というサブスコアが、人間が買掛金処理キューの半分をやり直すことを意味するワークフローでは、タスクあたり2.87ドルの節約は節約ではない。それはトークン予算から人件費予算へのコスト移転だ。Muse Wonderの4ポイントの指数上の優位は、その基準をクリアできることを証明しない——公開されている共通ベンチマークでそれを裏付けるものはない——が、両方が登場する唯一のタスクレベルテストでは、Terraが最も弱いところで先行している。

モダリティ、出力長、そしてMetaがまだ文書化していないこと

Wonder の入力行は、構造上の違いが最も明確に表れる部分です。Trackers はテキスト、画像、動画、音声を入力し、テキストを出力します。Meta の発表資料は一部の項目で範囲が狭くなっていますが、動画と音声の入力こそが、チームが Terra ではなくこれを検討する理由そのものです。Terra はテキストと画像を扱います。パイプラインで通話録音、画面録画、製品動画を取り込むのであれば、Terra だけを唯一のモデルにするわけにはいきません。

出力長は2つ目の点です。Terraは128,000出力トークンと明記しています。MetaはWonderの上限を公表しておらず、流布している約943,000という数字は仕様ではなく第三者による観測に由来します。設計の基準とする数字ではなく、検証すべき手がかりとして扱ってください。同じ注意は知識カットオフにも当てはまります。Terraは2026年6月1日と明記していますが、MetaはWonderについてそれを公表していません。

どちらのモデルも当社のカタログにはありません。以下がその内容です

製品に関する注記の前に、正直にお伝えすべき制約がひとつあります。10月27日時点で、GPT-6.1 TerraもMuse WonderもOrcaRouterの214モデルのカタログには含まれていません。TerraはOpenAI自身のAPIを通じて、またローンチ当日からAmazon Bedrockを通じて利用可能です。WonderはMetaのModel APIで販売されています。今日、当社経由でそのどちらかをルーティングできると主張する人は、カタログではなくロードマップを語っているのです。

カタログに実際に掲載されているのは、両側で最も近いホスト版です。入力$2、出力$10のGPT-6.1 Solはインデックスで52を記録し、タスクあたり$0.72であり、そしてMuse Spark 1.2、MetaのSparkラインです。Terra型のワークロードが測定すべき対象である場合——完了タスクあたりのコストが購入の決め手となる大量のテキスト処理と画像処理——Solはより高い能力を持つホスト型プロキシで、タスクあたりのコストは約2倍であり、この比較から、Terraの節約が移行に値するかどうかがわかります。どちらもプロバイダーの定価（マークアップなし）で提供され、1つのキーで自動フェイルオーバーに対応するため、プロバイダーの障害が製品の障害になることはありません。

どちらかのモデルがカタログに登場すれば、切り替えは2つ目の契約ではなくモデル文字列の変更で済む。だからこそ、対決の決着を告げるローンチ記事を待つのではなく、今のうちにワークロードをベンチマークしておくのが実務的なのだ。

誰がどれを選ぶべきか

作業量が多く、仕様が明確で、テキストや画像が中心となる場合はTerraを選びましょう。文書抽出、分類、フォームやスクリーンショットの読み取り、下書き作成、制約のあるエージェントステップなどです。タスクあたり$0.40はこの比較で大差をつけて最安であり、128K出力は噂ではなく文書化されており、サブタスクのスコアにばらつきがあっても、最終的に人間が出力をレビューするなら許容できます。

Muse Wonder は、入力がテキストや画像より豊富な場合、エージェントが1回の呼び出しで長い成果物を返さなければならない場合、または誤った回答のコストが $2.87 をはるかに超える場合に選んでください。毎秒 207.8 トークンと最初のトークンまでの 32 秒という数値により、より優れた対話型モデルになり、4 ポイントの指数上の優位は、Muse Wonder Full と Terra の差より小さくても実在します。$20 の出力料金を見込んで予算を組み、読んでいるベンチマークが実際にどのチェックポイントを測定したのかを確認してください。

その4ポイントは、この比較で最も面白みのない数字だ。本番導入の判断を左右するのは、請求額、最初のトークンまでの時間、そしてタスクレベルのばらつきであり、それらにおいて安価なモデルは単に劣るモデルではない。