GPT-6.1 Terra для браузерных агентов: математика каждого шага, стоящая за 74,2%

Ключевой тезис OpenAI в пользу GPT-6.1 Terra — не в том, что она умнее. А в том, что она умеет работать с экраном — заполнять форму, читать технический чертёж, прокликивать приложение — и делать это дёшево и быстро. Бенчмарк, подтверждающий это утверждение, — OSWorld 2.1, где Terra набирает 74,2% при максимальном уровне усилий на рассуждение, всего на 1,7 балла меньше, чем у GPT-6.1 Sol в режиме xhigh, и на 1,6 балла меньше, чем у GPT-6 Astra. Однако для агента важна не оценка за задачу, а надёжность на каждом шаге, которую эта оценка подразумевает, потому что агенты дают сбои шаг за шагом, а не задача за задачей.

В этом материале мы разбираем 74,2% по частям: что измеряет OSWorld, что это означает на каждом шаге, во что обходится задача из двадцати шагов, где ломается цикл и какие защитные механизмы не дают агенту с точностью 74% превратиться в инцидент с точностью 0%.

Что показывает табло

• GPT-6.1 Terra — 74,2% на OSWorld 2.1 при максимальном усилии.

• GPT-6.1 Sol — 75,9% при xhigh.

• GPT-6 Astra — 75,8%.

• Claude Opus 5.5 — 81,8%.

• Claude Sonnet 5.5 — 80,1%.

• Kimi K3.1 Pro — 79,6%.

Стоит разделять три трактовки. Внутри семейства GPT-6 Terra находится на расстоянии ошибки округления от своих более дорогих собратьев — разрыв в цене почти ничего не даёт при автоматизации настольных задач. В разрезе вендоров всё семейство отстаёт от Anthropic на шесть–семь пунктов. А собственное «околовендорское» утверждение Terra — примерно на одном уровне с GPT-6 Astra в режиме medium на Agents’ Last Exam при одной десятой цены за токен — это утверждение в расчёте на одну задачу, которое показатель OSWorld во многом подтверждает.

От оценки задачи к пошаговой надёжности

Задачи OSWorld оцениваются как успешные или неуспешные после последовательности действий. Если задача занимает примерно двадцать шагов, а Terra выполняет 74,2% задач от начала до конца, то подразумеваемая вероятность успеха на одном шаге — корень двадцатой степени из 0,742, то есть около 98,5%. Это арифметическая иллюстрация, а не измерение: одни задачи короче, другие длиннее, а неудачи не независимы. Но она задаёт правильный масштаб. Модель, которая выглядит как модель с 74%, на самом деле является моделью с 98,5% на шаг, и именно в этом разрыве и живёт проектирование агента.

Прокрутите расчёты в обратную сторону для рабочего процесса из пятидесяти шагов. При той же вероятности успеха на каждом шаге сквозная успешность падает примерно до 47%. На восьмидесяти шагах она составляет 30%. Оценка задачи не меняется; меняется сам рабочий процесс, и именно поэтому «достаточно хорошо для агента» полностью зависит от того, как долго агент работает без надзора.

Сколько стоит задача

Предположим, 3000 входных токенов на шаг — скриншот плюс состояние задачи плюс история действий — и 150 выходных токенов на действие, на протяжении двадцати шагов.

• На одну задачу: 60 000 входных токенов по $1 за миллион — это $0.06; 3 000 выходных токенов по $5 за миллион — $0.015. Итого $0.075.

• При 30% повторных попыток: около $0,0975 за успешно выполненную задачу, или $98 за тысячу задач.

• Та же нагрузка на GPT-6.1 Sol по цене $2/$10: $0,15 за задачу, $195 за тысячу.

• На GPT-6 Astra при $10/$50: $0,75 за задачу, $975 за тысячу.

• На Claude Opus 5.5 при $4/$20: $0.30 за задачу, $390 за тысячу.

Допущения о токенах важнее соотношения цен. Скриншоты доминируют в стоимости входных данных, а размер скриншота — это выбор: полный PNG 1440×900 стоит гораздо больше токенов, чем обрезанная область интереса. Пайплайн, который отправляет один обрезанный скриншот на каждом шаге вместо всего рабочего стола, может сократить входные токены вдвое, что вдвое уменьшает стоимость каждой задачи и меняет расстановку сил по сравнению с более точными моделями.

Задержка — это продукт

Artificial Analysis фиксирует для Terra 90,9 выходных токенов в секунду и 133,64 секунды до первого токена на своём бенчмарке рассуждений — против 73,5 токена в секунду и 284,31 секунды у GPT-6.1 Sol. Эти показатели задержки получены в задаче рассуждения с максимальным уровнем усилий, поэтому они завышают задержку на каждом шаге в цикле агента, — но соотношение, чуть больше 2×, является правильным индикатором того, сколько времени каждая модель размышляет перед действием.

В цикле агента время на размышление умножается на двадцать в расчёте на задачу. Если Sol тратит четыре секунды на шаг, а Terra — две, задача из двадцати шагов завершится за 40 секунд вместо 80. Сотрудник OpenAI Виктор Э. Нунес сообщил, что Terra заполнила веб-форму более чем на две минуты быстрее, чем Sol; это единичный случай, а не бенчмарк, но именно такие различия пользователи замечают без подсказок.

Где цикл прерывается

• Необратимые действия. Подача, отправка, удаление, оплата — любое действие с побочным эффектом требует подтверждения. Никакие изменения результатов бенчмарков этого не изменят.

• Неоднозначные интерфейсы. Две кнопки с надписью «Продолжить» сбивают с толку модель любого уровня; решение — аккуратность в промптах и скриншотах.

• Длинные горизонты. Приведённый выше расчёт на один шаг — это и есть весь аргумент против работы без надзора на длинных горизонтах при 98,5% на шаг.

• Устаревшие скриншоты. Кадр, снятый до сдвига макета, неверен, а неверный кадр приводит к уверенному, но ошибочному клику.

• Состояние, которое сохраняется между вкладками. Агенты, работающие на основе скриншотов, видят только одно окно за раз; для рабочих процессов с несколькими вкладками требуется явное отслеживание состояния вне модели.

Защитные механизмы, которые делают 74% готовыми к выпуску

• Ограничивайте число шагов, а не только долларовые расходы. Двадцать — это одновременно бюджет и средство контроля безопасности; цикл, который не может завершиться, — самый дорогой сценарий отказа.

• Контролируйте побочные эффекты. Направляйте любое действие, изменяющее внешнее состояние, через проверку человеком или политикой.

• Логируйте кадр вместе с действием. Когда агент делает что-то не так, единственный полезный артефакт — это скриншот, на котором он действовал.

• Используйте структурированный вывод для схемы действий. Действие, заданное свободным текстом, не поддаётся разбору именно в тот момент, когда нужна определённость.

• Измеряйте на каждом шаге, а не на уровне задачи. Регрессия в 2% на шаг незаметна в оценках задачи и удваивает частоту отказов на протяжении пятидесяти шагов.

• Держите вторую модель для сложных шагов. Terra для рутинных кадров, более сильная модель для неоднозначных — дешевле, чем Terra с повторными попытками.

Что сегодня пробежать

GPT-6.1 Terra на момент написания отсутствует в каталоге OrcaRouter, поэтому вариант Terra приходится тестировать напрямую против OpenAI. Сравнительный набор уже доступен у нас с наценкой 0% к прайс-листу провайдера — GPT-6.1 Sol за $2/$10, GPT-6 Astra за $10/$50, Claude Opus 5.5 за $4/$20, Claude Sonnet 5.5 за $2/$10 и Kimi K3.1 Pro за $2/$10 — всё на одном ключе с автоматическим переключением при сбое.

Эксперимент, который стоит провести, — это не «какая модель набирает больше всего баллов на OSWorld». Это ваш собственный набор задач с оценкой по шагам и неизменной политикой работы со скриншотами. Именно это измерение решает, стоят ли цена и скорость Terra разрыва в 7,6 балла с Claude Opus 5.5 на задачах, которые вы действительно выполняете, — и это единственное число, на котором можно строить агентный продукт.