GPT-6.1 Terra 的基准测试，逐一排序：48 在何处与 52 持平，又在何处并非如此

GPT-6.1 Terra 的综合分数是 48。GPT-6.1 Sol 是 52，GPT-6 Astra 是 53，GPT-5.6 Terra 是 42，GPT-6 Luna 是 38。如果你只看 Artificial Analysis Intelligence Index 的最上面一行，这就是全部信息——一个中端模型，比前代高 6 分，比更贵的同门低 4 分。这也是解读此次发布最没用的方式，因为同一指数还掩盖了它与 Astra 之间 29 分的编程差距、与 Claude Opus 5.5 之间 7.6 分的计算机使用差距，以及一项比此次发布中所有智能提升总和还要大的幻觉改进。

以下内容区分三类数字：来自 Artificial Analysis 的独立测量结果、OpenAI 自行报告且外部无人复现的结果，以及推导出的数字——即把前两类中的任意一类转化为成本或比率的算术运算。这些区别很重要，因为发布报道已经开始把它们混为一谈。

所有人都会引用的三项分数

Artificial Analysis 在其 Intelligence Index 上将 GPT-6.1 Terra 列为 48，在 221 个模型中排名第 25，每个索引任务费用为 $0.40。GPT-6.1 Sol 为 52，排名第 13，每个任务费用为 $0.72。当前旗舰模型 GPT-6 Astra 为 53。GPT-5.6 Terra 为 42，排名第 53，每个任务费用为 $1.40。GPT-6 Luna 为 38。

若按阶梯来看，Terra 是真正的升级：以不到三分之一的单任务完成成本换来六分提升，并且比预算档高出十分。若与 Sol 对比，情况恰好符合定价卡所暗示的——弱四分，token 价格约为一半。综合评分中没有任何内容与 OpenAI 的定位相矛盾。

综合评分还会抹平本不应抹平的差异。Terra 与 Sol 之间相差 4 个指数点，占该量表范围的 8%；而在 Coding Agent Index 上，Terra 与 Astra 之间相差 29 个指数点，占该量表范围的 60%。单一数字无法同时承载这两者，而只引用前者的发布报道，已悄然略去了后者。

差距扩大之处：编程

在 Artificial Analysis 的 Coding Agent Index v2.0 上，GPT-6.1 Terra 得分为 48，GPT-6.1 Sol 得分为 54，GPT-6 Luna 得分为 31。这意味着相较 Sol 落后 6 分，相较 Luna 领先 17 分——与智能指数呈现出相同的形态，只是与家族顶端的差距在相对意义上更大。

厂商数据讲出的故事更漂亮，而这些正是厂商自己的数据。OpenAI 报告称，在最大努力模式下，Terminal-Bench 4.0 的解决率为 50.3%，而 GPT-5.6 Terra 为 21.5%。这超过了两倍，并且是本次发布中代际提升最大的一次。这也是一个终端任务基准，而不是广泛的编程智能体衡量指标：Terra 在简短、范围明确的 shell 工作上可能接近 Sol，但在更广泛的指数上仍可能落后六分，而这两件事同时成立。

实际解读是，Terra 的编码能力提升集中在任务边界明确的地方。“运行这套测试，读取失败信息，修补文件”正是 Terra 擅长的形态。“在四十个步骤中始终把涉及十五个文件的重构记在脑子里”则不是，而且 OpenAI 自己的建议仍将复杂编程工作指向 Sol 或 Astra。

差距小于指数所示之处：计算机使用

在标准桌面自动化基准 OSWorld 2.1 上，GPT-6.1 Terra 在最高推理强度下得分为 74.2%。GPT-6.1 Sol 在 xhigh 下得分为 75.9%。GPT-6 Astra 得分为 75.8%。在我们可比较的模型中，Claude Opus 5.5 以 81.8% 领先，Claude Fable 5.1 为 80.7%，Claude Sonnet 5.5 为 80.1%，Kimi K3.1 Pro 为 79.6%。

由此可得两点。第一，Terra 在其专为设计的任务上与 Sol 的差距在 1.7 分以内，而 token 价格只有一半——这比四点智能差距所暗示的要划算得多。第二，整个 GPT-6 系列在桌面自动化方面落后 Anthropic 六到七分，而 Terra 并未缩小这一差距。如果你的产品是浏览器智能体，值得关注的比较不是 Terra 对 Sol，而是 Terra 对 Claude Sonnet 5.5——后者每 token 成本比 Sol 更低，并且在 OSWorld 上得分高出 5.9 分。

供应商自己的智能体数据也指向同一结论。在 Agents' Last Exam v1 上，OpenAI 报告 Terra 在中等投入下为 57.6%，而 GPT-5.6 Terra 在最高投入下为 50.7%。与之相伴的说法——在每 token 价格约为其十分之一的情况下，可与中等投入的 GPT-6 Astra 相媲美——是一个按任务计算的声明，也是此次发布中最具经济意义的一句话。

实际发生变动的数字：幻觉

Artificial Analysis 衡量了一项 Omniscience 幻觉率：模型在不知道时进行猜测的频率。GPT-5.6 Terra 得分为 88%。GPT-6.1 Terra 得分为 38%。同期准确率上升了两个百分点。

猜测率下降 50 个百分点，比本次发布中任何智能水平的提升幅度都更大，而且正是这个数字改变了模型可以安全用于哪些用途。一个在不确定时有 88% 的概率凭空编造答案的模型，若不对每一条输出做人工核查，就不能放心用于发票提取或表单填写。降到 38% 时，它仍有超过三分之一的时间在猜测——这是改进，而非解决方案——但失效模式已从“假定它是错的”转变为“抽样并验证”。

这会带来直接的成本影响。验证是每个廉价模型部署中隐藏的成本项：如果你必须检查 88% 的答案，人工成本就会远远超过节省下来的 token 费用。而在 38% 时，抽查就变得可行，每项任务 0.40 美元这个数字也开始看起来是真实成本，而不是其中可见的一半。

供应商声明，以及其中缺失的内容

OpenAI 公布的结果，全部由厂商自行开展，截至本文撰写时无一经过独立复现：

• Terminal-Bench 4.0 —— 在最大努力程度下达到 50.3%，而 GPT-5.6 Terra 为 21.5%。

• Agents' Last Exam — 在中等努力程度下比 GPT-5.6 Terra 高 15 分，成本约为其三分之一。

• MMMU-Pro — 在每一档推理强度下均领先于 GPT-5.6 Terra，正在逼近 Astra 和 Sol，但未公布绝对分数。

• Terminal-Bench-Science 0.1 — 与 Claude Opus 5.5 相差不到 5 分，而预估成本不到其五分之一。

• 诱导错误的提示——在一项公司尚未公布的内部测试中，低努力下为 16.7%，相比之下为 53.6%，最高努力下为 4.3%。

那份清单中的模式值得点明。最强的两项主张——MMMU-Pro 和错误率测试——恰恰是两项没有附带绝对数字的主张。“接近 Astra”和“接近 Sol”属于比较性陈述，没有背后的数字就无法核实。带有硬性数字的主张才是第三方可以复现的，而 Artificial Analysis 已经复现了成本方面：每项任务 0.40 美元，前代产品为 1.40 美元。

速度是不在索引中的独立数字。

Artificial Analysis 在其推理基准上测得 GPT-6.1 Terra 为每秒 90.9 个输出 token，首 token 时间为 133.64 秒。GPT-6.1 Sol 测得每秒 73.5 个 token，首 token 时间为 284.31 秒。这大约高出 24% 的吞吐量，首 token 时间优势则略高于两倍——这是独立测量，而非厂商声明，也是整个发布中支持 Terra 的最有力客观依据。

对于聊天产品来说，吞吐量几乎无关紧要；但对于每个任务需要执行二十步的计算机使用循环而言，它决定了任务是40秒完成还是90秒完成。该指数并不对延迟定价，这就是为什么一个排名第25的模型，对于一个质量排名第13的智能体来说，可能是正确的选择。

如何解读指数而不被误导

• 将综合指标当作筛选器，而非排名。它告诉你哪些模型在讨论范围内，但不会告诉你哪个模型能赢得你的任务。

• 分别看编程和计算机使用这两项子分数。Terra 的分布形态异常宽泛：在桌面自动化上接近 Sol，在编程上落后六分，总体落后四分。

• 对照单一日期重新核对绝对数值。该指数会定期重新归一化，而不同周次的文章会为同一模型引用不同的数字。

• 如果你的工作负载存在验证成本，那么对幻觉率的重视程度应与智能评分一样高。50 分的提升改变的是运营模式，而不仅仅是评分。

• 衡量你自己的任务。Artificial Analysis 的每任务成本数据是基于其提示词构建的代理指标；你的提示词会在 token 价格与尝试次数之间产生不同的比率。

这些都无损于 GPT-6.1 Terra 作为一个模型的价值。它只是让它变得很具体：一个快速、便宜、幻觉少得多的模型，在屏幕任务上接近其更昂贵的同门，在代码上则远不及旗舰。综合分显示 48。子项分数说明了你买到的究竟是哪一个 48。