GPT-6.1 Terra 对比 Gemini 4 Argon：一个更便宜，一个更常答对

在2026年10月26日发布的DualEntry会计基准测试中，Gemini 4 Argon得分91.1%，而GPT-6.1 Terra得分78.2%——并且Terra以16.1秒、4.2美分的成绩完成了测试，是那组22个模型中所有OpenAI模型里最快、最便宜的一次运行。这一行数据就是这场对决的缩影。Google的旗舰是更好的判断引擎；OpenAI新的中端产品是更好的吞吐引擎；而这两项工作之间的差距，才是钱真正流向的地方。仅凭标价在两者之间做选择，两个方向都会选错。

规格参数并排对比，因为细节比 headline 数字更能决定一切：

• 价格 — GPT-6.1 Terra 每 100 万输入 token 为 1.00 美元，每 100 万输出 token 为 5.00 美元；当单次请求的输入超过 272K token 时，价格升至 2.00/7.50 美元；Gemini 4 Argon 在 2026 年 11 月 30 日前为推广价 2.00/10.00 美元，之后为 4.00/20.00 美元。

• 背景——Terra 支持 1.05M tokens，输出上限为 128K；Argon 的输入约为 1M（Google 未公布具体数字；追踪机构列出的是 1M），并且通过其 Long Decode Continuation 功能，单次输出最高可达 1M tokens。

• 输入 — Terra 接受文本和图像；Artificial Analysis 为 Argon 列出了相同的两种模态，而 Google 的公告及其长视频基准测试表明它还支持视频输入。

• 推理控制——Terra 提供六档强度；Argon 提供三档。

• 知识截止日期 — Terra 2026 年 6 月；Argon 2026 年 3 月。

• 独立智能指数 — 按 Artificial Analysis 当前量表，Terra 48，Argon 53。

大家普遍引用的那个价差是错误的。

发布报道将其描述为两倍价差：1美元/5美元 对 2美元/10美元。这仅在 Argon 的推广窗口期内成立，而且仅按 token 计价时才成立。11月30日之后，输出价格相对 Terra 是四倍，而不是两倍。况且，没有人是按 token 来为智能体工作付费的。

Artificial Analysis 估算，Terra 每项 Intelligence Index 任务约 0.40 美元，Argon 为 1.62 美元——这是四倍差距，而不是两倍。原因主要在于费率表，而不是失控的冗长：在同一评估中，Argon 生成了 1.1 亿个输出 token，而 Terra 为 1.3 亿个，所以 Terra 实际上是两者中更啰嗦的那个，却仍以四分之一的成本完成。Terra 换来的是更便宜的 token 和更快的回答，而不是更短的回答。

还有第二个临界点，发布报道大多忽略了它。Terra 的 {{1}}$1.00{{/1}} 输入价格仅适用于请求的前 272K 个 token。超过之后，输入价格跃升至 {{2}}$2.00{{/2}}，输出价格升至 $7.50。对于聊天和代码审查，这从来都不重要。对于 60 万 token 的合同审查或长周期仓库扫描，Terra 的有效价格会在请求中途翻倍，与 Argon 的差距急剧缩小。请按你实际发送的请求规模做预算，而不是按定价表第一行里的规模。

Argon 的领先之处真实可信，而非营销噱头

Argon 的优势集中在那些错误答案的代价高于预防它所需 token 成本的工作上。DualEntry 的结果是最清晰的公开例证：总体为 91.1%，而 Terra 为 78.2%；单项差距最大的是应付账款，Argon 得分 84.6%，Terra 为 53.8%。在该基准测试的 22 个模型中，Terra 并列第 18 名。它同时也是最快的，这说明了它是什么样的模型：为快速清空队列而优化，而不是作为最后一道防线。

同样的模式在其他地方也出现了。在 Vals Index 上，Argon 以 68.9% 位居该领域榜首，在约 41 个模型中排名第一。在 Artificial Analysis 的 Intelligence Index 上，它得分 53，而 Terra 为 48。在 AA-Omniscience 上，它的幻觉率约为 15%——这是前沿模型中测得的最低值——而最常被拿来与它比较的模型 GPT-6 Astra 则接近 51%。与上一代相比，Terra 自身的猜测率从 88% 降至 38%，这是真正的改进，但这两个数字并非同一指标，不应相互相减。诚实的解读是，Argon 是更谨慎的模型，而 Terra 是大幅改进但仍更具推测性的那个。

Argon 的输入面在其中一个维度上更宽：视频。Artificial Analysis 的技术面板只列出了文本和图像，但 Google 的公告描述了扩展的多模态能力，并在 LVBench 上评测长视频理解——只有当视频输入被支持时，这才说得通。如果你的流水线需要接收录制的通话或屏幕录制内容，在围绕这些格式构建集成之前，请先对照 Google 的文档核实确切的格式——在文档所支持的范围内，这是一种能力差异，Terra 的价格优势无法弥补。

在 Terra 成为理性默认选择的情况下

Terra 的理由不在于它更聪明，而在于大多数生产流量并不需要最聪明的模型，而 Terra 在“足够好且便宜”这件事上异常出色。

它的快，是那种会改变系统设计的快：在 Artificial Analysis 的测量中，输出速度为每秒 90.9 个 token，而 Argon 为 80.9；OpenAI 声称其任务完成速度约为自家旗舰模型的三倍。一个每月运行一百万次的客服分流队列、日志摘要器、首轮代码审查器或文档分类器，并不能从 Argon 的判断力优势中获益。它获益于一个能在数秒内返回结果、每项任务 0.40 美元而非每项任务数美元的模型。

Terra 也是两者中更可控的那一个。六个推理等级对比 Argon 的三个等级，意味着在最影响成本与延迟的那一个调节维度上具备更细的粒度。将简单请求分配给低投入、将困难请求分配给最大投入的团队，往往能以大模型一小部分的成本，达到与其准确率仅差几个百分点的水平。Argon 留给这种取舍的空间则更小。

而 Terra 更新的知识截止时间——2026 年 6 月，对比 2026 年 3 月——对于那些需要推理近期事件、库版本或今夏发生变动的价格的任务来说，这一点很重要。这是一个微小的优势，但它是免费的。

决策规则

不要只选一个。证据支持一种分裂，而且这种分裂异常清晰：

• 将 GPT-6.1 Terra 用于高吞吐量、短输出且有监督的工作，即错误答案会在下游被发现的任务：分类、提取、路由、初稿生成、日志与告警分诊、批量代码审查。

• 将 Gemini 4 Argon 用于低业务量、长周期、错误代价高的工作：财务与会计对账、法律与合规审查、在无人监督下操作工具的多步骤智能体，以及任何需要视频、音频或 PDF 输入的任务。

• 使用 Terra 做第一遍处理，并用 Argon 对尾部案例进行升级处理。会计工作上 78.2 对 91.1 的差距，正是那种廉价初筛加昂贵复核胜过任一模型单独使用的边际。

• 11月30日之后重新计算。Argon 从 $2/$10 调整为 $4/$20 会大幅改变临界点，因此在促销窗口期内撰写的任何比较都会过时。

如何运行其中任意一个

可用性差异比基准测试所显示的更大。Terra 于 10 月 26 日通过 OpenAI 的 API、ChatGPT 和 Codex 发布，且未开放权重。Argon 自 9 月 30 日发布公告以来一直在分阶段推出——首先通过 Google 的 Fairwind 计划提供给经过审查的网络防御人员，然后提供给 AI Ultra 订阅者和付费 API 客户——而 Google 尚未承诺进行广泛的免费发布。

截至10月27日，这两款模型均未出现在 OrcaRouter 的模型目录中，因此这并不是那种我们可以为二者提供一个统一端点的情况。我们能告诉你的是，周边技术栈通常如何搭建：团队会把一个低成本执行器和一个高成本检查器放在同一个 API 后面，而已经接入路由的模型——Claude Opus 5.5、GPT-6.1 Sol、Grok 4.7，以及另外 200 多款模型——都位于同一个密钥之后，按服务商目录价格原样计费、零加价，并在某家服务商性能下降时自动故障转移。如果 Terra 或 Argon 进入目录，它会接入同一个密钥，而不是变成第二套集成。在那之前，请分别通过各自的供应商进行测试，并把路由决策留在任务层面——那才是它该在的位置。

值得关注的不是又一张基准测试图表，而是 Argon 的促销后价格，以及 Terra 首次独立运行 Terminal-Bench 的结果——目前这一结果依据的是 OpenAI 自己声称的 50.3%，对照 Argon 的 57% 以上。如果 Terra 能以 Argon 每任务成本的四分之一保持接近这一数字，那么上述分工就会成为许多团队的默认架构。如果它出现漂移，廉价首轮策略就会变得比表面看起来更昂贵。