GPT-6.1 Terra 用于浏览器智能体：74.2% 背后的逐步数学解析

OpenAI 对 GPT-6.1 Terra 的宣传卖点并不是它更聪明，而是它能操作屏幕——填写表单、读取技术图纸、在应用程序中点击操作——并且做得又便宜又快。支撑这一说法的基准是 OSWorld 2.1：Terra 在最大推理强度下得分为 74.2%，与 xhigh 模式下的 GPT-6.1 Sol 相差 1.7 个百分点，与 GPT-6 Astra 相差 1.6 个百分点。然而，对智能体而言，真正重要的数字不是任务得分，而是该得分所隐含的每一步可靠性，因为智能体是一步步失败，而不是一个个任务失败。

本文拆解了这 74.2%：OSWorld 衡量了什么，每一步意味着什么，一个二十步的任务代价如何，循环在哪里断裂，以及哪些护栏能防止一个准确率 74% 的智能体变成一起准确率 0% 的事故。

记分牌上写着什么

• GPT-6.1 Terra — 在最大努力下，在 OSWorld 2.1 上达到 74.2%。

• GPT-6.1 Sol — 在 xhigh 下达到 75.9%。

• GPT-6 Astra — 75.8%。

• Claude Opus 5.5 — 81.8%。

• Claude Sonnet 5.5 — 80.1%。

• Kimi K3.1 Pro — 79.6%。

有三种解读值得分开来看。在 GPT-6 家族内部，Terra 与其更昂贵的同门相差仅一个舍入误差——在桌面自动化方面，这点价格差距几乎换不来什么。跨厂商来看，整个家族落后 Anthropic 六到七分。而 Terra 自身那个与厂商相关的说法——在 Agents’ Last Exam 中等难度下与 GPT-6 Astra 大致持平，而每 token 价格仅为其十分之一——是一项按任务的说法，OSWorld 的数据在很大程度上支持它。

从任务得分到每步可靠性

OSWorld 任务在一系列操作之后按通过或失败评分。如果一项任务大约需要二十步，而 Terra 端到端完成了 74.2% 的任务，那么隐含的单步成功率就是 0.742 的二十次方根——约为 98.5%。这是一个算术示例，而非测量：有些任务更短，有些更长，而且失败并非相互独立。但它正确地设定了尺度。一个看起来像 74% 模型的模型，实际上是一个单步成功率 98.5% 的模型，而这个差距正是智能体设计所在。

反过来算一下五十步的工作流。在相同的单步成功率下，端到端成功率会降到约47%。到八十步时则是30%。任务分数并没有变化；变化的是工作流，这就是为什么“对智能体来说足够好”完全取决于智能体在无人监督下运行多久。

一项任务的成本

假设每一步有 3,000 个输入 token——一张截图加上任务状态再加上操作历史——以及用于该操作的 150 个输出 token，共二十步。

• 每项任务：60,000 输入按每百万 $1 计算为 $0.06；3,000 输出按每百万 $5 计算为 $0.015。总计 $0.075。

• 在 30% 的重试率下：每个成功任务约 $0.0975，即每千个任务 $98。

相同工作量在 GPT-6.1 Sol 上按 $2/$10 计费：每项任务 $0.15，每千项 $195。

• 在 GPT-6 Astra 上（$10/$50）：每任务 $0.75，每千次 $975。

• 在 Claude Opus 5.5 上（按 $4/$20 定价）：每项任务 $0.30，每千项任务 $390。

token 假设比价格比率更重要。截图在输入成本中占主导地位，而截图大小是可以选择的：一张完整的 1440×900 PNG 所消耗的 token 远多于裁剪出的感兴趣区域。如果一条流水线在每一步只发送一张裁剪后的截图，而不是整个桌面，就能将输入 token 减半，从而使每个任务的成本减半，并改变其与更准确模型之间的排名对比。

延迟就是产品

Artificial Analysis 在其推理基准上测得 Terra 的输出速度为每秒 90.9 个 token，首个 token 耗时 133.64 秒；相比之下，GPT-6.1 Sol 为每秒 73.5 个 token，首个 token 耗时 284.31 秒。这些延迟数据来自最高强度推理任务，因此会高估智能体循环中每一步的延迟——但略高于 2 倍的比值，仍是衡量每个模型在行动前思考多久的合适指标。

在智能体循环中，思考时间会在一个任务的二十个步骤中不断累积。如果 Sol 每步耗时四秒，而 Terra 耗时两秒，那么一个二十步的任务只需 40 秒即可完成，而不是 80 秒。OpenAI 员工 Victor E. Nunez 报告称，Terra 完成一份网页表单比 Sol 快了两分多钟；这只是轶事，并非基准测试，但这是那种用户无需别人提醒就能注意到的差异。

循环断裂之处

• 不可逆操作。提交、发送、删除、付款——任何带有副作用的操作都需要一道审批关卡。任何基准测试分数都改变不了这一点。

• 有歧义的界面。两个都标着“Continue”的按钮，足以让任何价位的模型都束手无策；解决办法在于提示词和截图的规范性。

• 长时程。上述按步计算的数学，就是在每步成功率为 98.5% 时反对无监督长时程工作的全部论据。

• 过时的截图。在布局发生变化之前捕获的帧是错误的，而错误的帧会导致笃定却错误的点击。

• 跨标签页存在的状态。基于截图的智能体一次只能看到一个窗口；多标签页工作流需要在模型之外进行显式的状态跟踪。

让 74% 可交付的护栏

• 限制步数，而不只是限制金额。二十步既是一项预算，也是一项安全控制；无法终止的循环是最昂贵的故障模式。

• 把控副作用。任何会改变外部状态的操作，都应经过人工或策略检查。

• 将帧与操作一起记录。当智能体做错事时，唯一有用的产物是它所操作的那张截图。

• 为 action schema 使用结构化输出。自由文本形式的 action 恰恰会在你最需要确定性的那一刻变得无法解析。

• 逐步衡量，而不是按任务衡量。每步 2% 的退化在任务得分中看不出来，但在五十步内会让失败率翻倍。

• 在困难步骤上保留第二个模型。常规帧用 Terra，模糊的帧用更强的模型，比用 Terra 反复重试更划算。

今天跑什么

GPT-6.1 Terra 在撰写本文时尚未收录于 OrcaRouter 的目录中，因此 Terra 这一支只能直接针对 OpenAI 进行试用。对比组已在我们这边上线，价格为零加价、即按服务商标价提供——GPT-6.1 Sol 为 $2/$10，GPT-6 Astra 为 $10/$50，Claude Opus 5.5 为 $4/$20，Claude Sonnet 5.5 为 $2/$10，Kimi K3.1 Pro 为 $2/$10——全部使用同一把密钥，并支持自动故障转移。

值得做的实验并不是“哪个模型在 OSWorld 上得分最高”，而是用你自己的任务集，按步骤计分，并保持截图策略不变。这项测量才能决定，在你实际运行的任务上，Terra 的价格和速度是否值得相较 Claude Opus 5.5 那 7.6 分的差距——而这也是一个 agent 产品唯一能赖以构建的数字。