GPT-6.1 Terra Pro vs GPT-6.1 Sol: Välj efter arbetet, inte efter prislistan

GPT-6.1 Terra Pro mot GPT-6.1 Sol är jämförelsen som folk söker efter, men bara ena sidan av det namnet är verklig: OpenAI:s modell är GPT-6.1 Terra, och ”Pro” är en etikett för en ChatGPT-plan, inte en variant. Jämförelsen som spelar roll är GPT-6.1 Terra mot GPT-6.1 Sol, två modeller från samma generation med samma kontextfönster på 1,05 miljoner token, samma tak för utdata på 128 000 token och en prisskillnad på två mot en. Den användbara frågan är inte vilken som är bättre. Det är vilken som är bättre på det arbete du är på väg att lämna över till den.

Den inramningen ändrar svaret. På det oberoende indexet ligger Sol fyra poäng före. På pris är Terra hälften så dyr. På snabbhet är Terra mer än tre gånger snabbare enligt OpenAI:s egen mätning. Ingen av dessa tre fakta avgör jämförelsen på egen hand, eftersom var och en motsvarar en annan del av en arbetsbelastning: kvalitet, kostnad och latens. Vilken modell som vinner beror på vilken av dessa din uppgift faktiskt saknar.

Det korta svaret

Om arbetet är en webbläsar- eller skrivbordsagent som klickar sig igenom applikationer, en pipeline för formulärifyllning, en fakturakö, en teknisk ritning som måste bli en modell, eller ett dokument som måste skrivas tydligt utifrån medföljande material, börja med GPT-6.1 Terra. Om arbetet är en lång refaktorering, en funktion som spänner över flera filer, en svår felsökningssession, ett tätt professionellt dokument eller en forskningsuppgift som pågår i timmar, börja med GPT-6.1 Sol. Om du behöver den snabbaste betalda nivån som OpenAI erbjuder är Sol den enda av de två med ett Ultrafast-alternativ.

Det är konturerna av det. Resten av den här texten är bevisen, platserna där formen brister, och inställningarna som kan vända svaret.

Två modeller, två jobb

GPT-6.1 Terras uppdrag är arbetsdagen: visuellt resonemang, datorstyrning och text som låter som om en människa har skrivit den utifrån material som någon har tillhandahållit. OpenAIs tillkännagivande nämner att utforma förslag, tolka tekniska ritningar, fylla i formulär och redigera video. GPT-6.1 Sols uppdrag är det svårare, längre arbetet: kodning nära Astra-nivå och professionella dokument, där OpenAI rekommenderar Sol eller Astra för de mest komplexa kodningsuppgifterna även i lanseringsinlägget för Terra.

Ted Sanders på OpenAI, citerad i rapporteringen från lanseringsdagen, uttryckte avvägningen mer rakt på sak: Terra är bättre än Astra och Sol på teknisk kommunikation, likvärdig när det gäller bildförståelse och datoranvändning men mycket snabbare, och något sämre på de flesta andra saker. Det är en leverantörsbeskrivning snarare än ett oberoende rön, och den är användbar eftersom den namnger avvägningen i stället för att dölja den.

Båda modellerna delar samma stomme: 1,05 miljoner tokens i kontext, 922 000 maximal indata, 128 000 maximal utdata, text- och bildindata, slutpunkterna Chat Completions och Responses samt ingen finjustering. Skillnaderna är kunskapsgränsen (Terra 1 juni 2026; Sol 30 april 2026), resonemangsgolvet (Terra accepterar inget; Sol börjar på låg), hastighetsnivån (Sol har Ultrafast; Terra har inte) och priskortet.

Där benchmarkarna skiljer sig åt

Artificial Analysis är den tydligaste oberoende bedömningen: 48 för Terra vid maximal ansträngning mot 52 för Sol, rang 25 och 13 av 221, och $0,40 mot $0,72 per indexuppgift. Fyra indexpoäng är en verklig lucka, men det är den typ av lucka som en uppgiftsspecifik utvärdering kan radera i ena eller andra riktningen.

• {{1}}Övergripande index{{/1}} — Terra 48 vs Sol 52 ({{2}}Artificial Analysis{{/2}}).

• Coding Agent Index v2.0 — Terra 48 mot Sol 54, med GPT-6 Luna på 31 (Artificial Analysis).

• Terminal-Bench 4.0 — Terra 50,3 % vid maximal ansträngning; OpenAI publicerade ingen siffra för Sol i samband med lanseringen av Terra (leverantörsrapporterat).

• Terminal-Bench-Science 0.1 — OpenAI säger att Terra vid maximal insats överträffar Sol till lägre kostnad och ligger inom fem poäng från Claude Opus 5.5 till under en femtedel av den uppskattade kostnaden (enligt leverantören, och det mest överraskande påståendet i lanseringen).

• Plotly-dataanalysprov — Terra 40/43, Sol 43/43, Luna 38/43, till $1,31 jämfört med $2,61 för provet; Terra var den snabbaste modellen att nå 40 eller fler, på cirka 15 sekunder per fråga (tredjepartsutvärdering).

• {{1}}OSWorld 2.1{{/1}} — OpenAI säger att {{2}}Terra med medelinsats{{/2}} slår {{3}}GPT-5.6 Terras bästa poäng{{/3}} till en bråkdel av kostnaden, men publicerade inget direkt jämförande {{4}}Sol{{/4}}-resultat, så det påstående om datoranvändning som betyder mest för Terras positionering är det med minst direkta bevis.

Läs den listan som en karta över var de fyra punkterna ligger. Sols fördel är koncentrerad till kodning och långsiktigt resonemang. Terras fördel är hastighet, pris och den färskare kunskapsgränsen. På det enda benchmark där OpenAI valde att publicera direkt mot Sol, Terminal-Bench-Science 0.1, vinner Terra till lägre kostnad, vilket antingen är en genuin skräll eller en effekt av benchmarkurval. Ingen utanför OpenAI har reproducerat det.

Ansträngningsreglaget avgör mer än vad modellen gör.

Båda modellerna exponerar resonemangsansträngning, och inställningen kan kosta mer än modellvalet. Terras lägsta nivå är none, vilket gör den ovanligt billig för extrahering och klassificering; Sols lägsta nivå är low, så ett Sol-anrop betalar alltid för viss resonemang. I toppen kan Terra på xhigh förbruka fler tokens och kosta mer än Sol på low samtidigt som den presterar sämre på samma uppgift, en observation som Hacker News-kommentatorer gjorde inom timmar efter lanseringen. Vi har inte mätt det själva, och det är aritmetiskt rimligt: ansträngning ändrar tokenantalet multiplikativt, medan prisskillnaden bara är 2×.

Den praktiska regeln är att förankra ansträngningsnivån genom utvärdering, inte av vana. Kör femtio verkliga uppgifter genom båda modellerna på två ansträngningsnivåer, sätt en kvalitetsribba och välj det billigaste paret som klarar den. Att jämföra Terra och Sol vid samma nominella ansträngning är det vanligaste misstaget i den här matchningen och det som mest sannolikt leder till ett felaktigt svar.

Vad en slutförd uppgift kostar

• Indata — Terra $1,00 per miljon tokens jämfört med Sol $2,00.

• Cachad indata — 0,05 USD vs 0,10 USD.

• Utdata – 5,00 $ vs 10,00 $.

Cache-skrivningar – $1.25 med 30 minuters lagringstid eller $2.50 med 12 timmars lagringstid för Terra; $2.50 för Sol.

• Långa prompter – över 272 000 indatatokens debiteras både dubbelt indata- och cachepris samt 1,5 gånger utdatapriset för hela begäran.

Uppmätt kostnad per indextask – 0,40 USD för Terra jämfört med 0,72 USD för Sol, en besparing på 44 % i stället för de 50 % som prislistan antyder, eftersom Terra kan förbruka fler tokens vid maximal ansträngning.

Ett genomräknat exempel med rena antaganden: 2 000 indatatoken och 500 utdatatoken per dokument, utan cache. Terra kostar $0,002 för indata plus $0,0025 för utdata, eller $0,0045 per dokument. Sol kostar $0,009. En miljon dokument kostar $4 500 mot $9 000. Om hälften av indata cachas halveras Terras indatakostnad också; Sols sjunker med samma andel, så förhållandet består. Gapet ökar bara där Terras inställning none är användbar, och minskar där Sol slutför uppgiften med färre tokens.

Åtkomst är en del av jämförelsen

Terra finns i API:et och i ChatGPT Work och Codex på planerna Plus, Pro, Enterprise och Edu; OpenAI:s tillkännagivande listar inte huvudväljaren i Chat. Sol finns i API:et och i ChatGPT, och det är den enda av de två med ett Ultrafast-läge; båda erbjuder Fast till dubbla standardpriset. På en Pro 500-plan förbrukar Ultrafast inkluderad användning till åtta gånger standardtaxan och köpta krediter till sex gånger, så "snabbare" är lika mycket ett faktureringsbeslut som ett latensbeslut.

På routing-sidan är asymmetrin enkel. GPT-6.1 Sol finns i OrcaRouter-katalogen till listpris, $2 för indata och $10 för utdata, utan påslag, så en leverantörsprisändring går igenom på samma villkor. GPT-6.1 Terra finns ännu inte i katalogen per den 27 oktober, så Terra-anrop måste gå till OpenAI:s eget API; det är ett faktum om dagens katalog, inte en permanent position. Automatisk failover över de modeller vi faktiskt har är anledningen till att ha en andra arm konfigurerad även när en modell är tydligt billigare.

En urvalsregel du kan köra den här veckan

• Klassificera uppgiften efter vad den behöver: skärmstyrning och dokumentproduktion pekar på Terra; kod, långt resonemang och omfattande forskning pekar på Sol.

• Sätt en kvalitetsribba för dina egna data innan du tittar på priskortet. Fyra indexpoäng är ingen kvalitetsribba; din utvärdering är det.

• Testa på två ansträngningsnivåer, inte en. Terra på ingen mot Sol på låg är en annan jämförelse än Terra på max mot Sol på max.

• Prissätt den slutförda uppgiften, inklusive omförsök och verktygsanrop. Per-token-beräkning underskattar modellen som behöver fler turer.

• Behåll förloraren som en failover-arm. Den billigaste modellen som är hastighetsbegränsad är inte billig.

Om du dirigerar via OrcaRouter är det sista steget konfiguration snarare än kod: en nyckel, en routningsregel per uppgiftsklass och failover när en leverantör försämras. De två modellerna kan ligga bakom samma slutpunkt när Terra väl finns med; i dag finns bara Sol där.

Vad skulle ändra svaret

Tre saker. En oberoende kodutvärdering som placerar Terra nära Sol skulle rasera det främsta skälet att betala dubbelt. En publicerad direkt jämförelse i OSWorld 2.1 skulle avgöra det datoranvändningspåstående som OpenAI lämnade implicit. Och en Terra-listning på routrarna skulle göra failover-berättelsen verklig i stället för aspirerande. Fram till dess är det försvarbara standardvalet Terra för volym och skärmarbete, Sol för kod och långt resonemang, och en utvärdering däremellan i stället för en slogan.