GPT-6.1 Terra 对比 Muse Wonder：四个指数点，八倍账单

GPT-6.1 Terra 和 Muse Wonder在同时评测了两者的公开榜单上相差四分，而在该榜单上完成一项任务的成本却相差约八倍。OpenAI 于 2026 年 10 月 26 日发布 Terra，定价为每百万输入 token 1 美元、每百万输出 token 5 美元；它在 Artificial Analysis Intelligence Index 上得分 48，每项指数任务成本为 0.40 美元。Meta 于 10 月 12 日发布 Muse Wonder，定价为 4 美元和 20 美元；它得分 52，每项任务成本为 3.27 美元。两者都标称 100 万 token 上下文窗口。按榜单排序，一行就能结束决策，这正是榜单不适合作为最终决策依据的原因：分数更高、账单也更高的模型同时更快，而便宜模型的优势完全取决于一次错误答案会让你付出什么代价。

以下数据来自 Artificial Analysis（读取于 2026 年 10 月 27 日），以及两家厂商的发布文档。厂商的说法均标注为“主张”。本文中唯一一项任务级基准测试由 DualEntry 运行；该公司销售会计自动化产品，因此这属于带有商业利益的第三方证据，而非中立审计；本文也按此对待。

为不同任务打造的两款模型

Terra 是 OpenAI 的主力走量模型，用于替代 GPT-5.6 Terra，也是获取当前 OpenAI 系列通用能力的最便宜方式。它接受文本和图像输入，返回文本，具备 1,050,000 token 的上下文窗口和 128,000 token 的输出上限，并支持从 none 到 max 的推理强度设置。OpenAI 还在发布当天将其上线至 Amazon Bedrock，并引入 ChatGPT Work 和 Codex，但未引入面向消费者的 ChatGPT 聊天框。就对采购而言的关键意义来说，它仅提供 API：不支持微调，不支持 Realtime，也不支持 Assistants。

Muse Wonder 是 Meta 首个跻身前沿讨论的模型，但它带着一个大多数对比页面都会模糊掉的分裂：API 模型是 Wonder，输入 4 美元、输出 20 美元。得分更高的检查点 Muse Wonder Full 在同一指数上得 56 分，仅在 Muse Code 订阅中出售，月费 50 或 200 美元，且不通过 API 提供。头条基准测试行通常描述的是 Full。开发者实际能调用的模型比 Terra 高四分，而不是八分。

• 价格 — GPT-6.1 Terra 每百万输入 $1.00 / 输出 $5.00；Muse Wonder $4.00 / $20.00。

• 缓存输入 — Terra $0.05，享 95% 折扣；Wonder $0.20，享 95% 折扣。

• 上下文窗口 — Terra 有文档记录为 1,050,000；Wonder 有文档记录为 1,000,000。

最大输出——Terra 有记录的为 128,000；Meta 尚未公布 Wonder 的上限，第三方追踪机构报告的数字接近 943,000。

• 独立智能指数 — Terra 48，在 221 个中排名第 25；Wonder 52，在 221 个中排名第 10。

• 每个索引任务的成本 — Terra $0.40；Wonder $3.27。

• 输出速度 — Terra 90.9 个 token/秒；Wonder 207.8。

• 首个 token 时间 — Terra 77.96 秒；Wonder 31.62 秒。

• 输入 — Terra 的文本和图像；{{1}}Wonder{{/1}} 的文本、图像、视频和音频（依据追踪器），而 Meta 自己的发布材料强调文本和图像。

• 权重——两侧均封闭。Meta 的开放权重选项是 Muse Spark，一款不同的模型。

该法案是指数差距的八倍。

每任务成本这一数字才应该改变人们解读这四个百分点差距的方式。Artificial Analysis 并不只是把标价乘以固定的 token 数量；它会测量每个模型完成同一组指数任务要消耗多少 token，再按这一消耗量计价。Terra 平均每任务 $0.40，Wonder 为 $3.27，在不到 8% 的能力差距上却相差 8.2 倍。

仅凭标价并不能解释这一点。以 1 亿输入 token 和 1000 万输出 token 的工作负载为例：Terra 计费 150 美元，Wonder 计费 600 美元，相差 4 倍。而每任务差距扩大了一倍，这意味着索引评估实际消耗的 token 并非按 10 比 1 分配；Artificial Analysis 对每个模型实测的输入和输出量进行定价，这个每任务数字反映的是评估结果，而不是一个固定示例。每 token 价格是燃料价格，而非旅程成本。

这种区别在 Terra 所瞄准的业务量下最为重要。一条每月运行 100,000 个任务的流水线，按 Artificial Analysis 测得的费率，在 Terra 上花费 40,000 美元，在 Wonder 上花费 327,000 美元。工作负载变化时，它们之间的能力差距并不会变成八倍；账单却会。如果你的任务是分类、提取、表单读取或有边界的智能体步骤，那么举证责任在昂贵模型一方。

关于计算有一点需要注意：该指数会定期重新归一化，每任务成本数据也会随之变化。请比较来自同一次读取的模型（这些数字正是如此），而不是从较早的文章中减去一个数字。

Wonder 更快，而 Terra 的速度宣称在对比中站不住脚。

OpenAI 的发布材料称，Terra 的速度远快于 GPT-6 Astra 和 GPT-6.1 Sol。在 OpenAI 家族内部，这似乎属实，而这正是该模型存在的原因：一个用于视觉和文档工作的廉价、快速的通用模型。与 Meta 的模型相比，它差距明显。Wonder 每秒产生 207.8 个输出 token，而 Terra 为 90.9 个；其首个 token 返回用时 31.62 秒，而 Terra 为 77.96 秒。

就绝对数值而言，两者起步都慢，这是大型推理模型的固有特性，而非什么丑闻。但它们的先后顺序与价格顺序正好相反，这就带来了实际后果。对于需要整夜运行的批处理任务，Terra 的延迟无关紧要，成本才是决定性的。而对于用户要等待首个 token 的交互式产品，78 秒的启动时间是一项产品决策，而不只是基准测试里的一行数字；即便输入价格贵五倍，Wonder 的 32 秒也能带来更好的体验。

速度数据也动摇了人们对廉价模型的一个常见假设：它们默认就是更快的那类选择。Terra 的每 token 成本低，每任务成本也低。但它并不是每秒速度快。这是两种不同的说法，而其中只有一种成立。

一场任务级测试中，廉价模型落败了

发布时可用的最广泛第三方检查是 DualEntry 的会计基准测试：101 个合成案例，涵盖交易分类、日记账分录、应付账款、应收账款、对账、报告、月末结账和会计知识，每个模型运行三次，使用固定参考答案而非 AI 评分器。共测试了 22 个模型。DualEntry 销售会计自动化产品，因此该基准测试并不中立，但其方法比综合指数更具体。

Terra 总体得分为 78.2%，在 22 款模型中并列第 18 名。它的各项表现并不均衡，而综合得分掩盖了这一点。交易分类表现完美，13 项全部正确。应付账款为 53.8%，并列垫底。银行对账为 83.3%，落后于 Kimi K3.1 Pro 和 Muse Wonder，不过该发布并未公布 Wonder 的确切对账得分。Terra 是该基准测试中速度最快的 OpenAI 模型，总体速度排名第三，每项任务耗时 16.1 秒，每项任务成本为 0.042 美元——约为 GPT-6.1 Sol 的一半，GPT-6 Astra 的十分之一。

另一家独立评估平台 Vals AI 在其自有测试套件中将 Terra 评为 60.17%，在 28 个模型中排名第 10；其优势在于编程和终端任务，劣势在于法律、税务和金融。不同的套件、不同的量表，因此这个数字无法与 Artificial Analysis 指数直接比较；但分布形态可以比较。Terra 是一个快速、廉价的通用型模型，在不同任务类别之间差异很大，并非在各个类别上都均匀优秀。

这种差异正是反对仅按每项任务成本来采购的理由。在一个 53.8% 的子项得分意味着人工要返工一半应付账款队列的工作流中，每项任务节省的 2.87 美元并不是节省；它是把成本从 token 预算转移到工资预算。Muse Wonder 的四分指数优势并不能证明它能越过这一门槛——公开可获得的共享基准并不能证实这一点——但在两者共同出现的唯一一项任务级测试中，它恰好在 Terra 最弱的方面领先。

模态、输出长度，以及 Meta 尚未文档化的内容

Wonder 的输入行是最明显的结构差异。Trackers 列出的输入包括文本、图像、视频和音频，输出为文本；Meta 的发布材料在某些方面范围更窄，但视频和音频输入正是团队会考虑它而非 Terra 的原因。Terra 接受文本和图像。如果你的流水线要摄入录制的通话、屏幕录制或产品视频，Terra 就不能是其中唯一的模型。

输出长度是第二点。Terra 文档记载为 128,000 个输出 token。Meta 尚未公布 Wonder 的上限，流传的约 943,000 这一数字来自第三方观察，而非官方规格。应将其视为待验证的线索，而不是用来做设计依据的数字。同样的谨慎也适用于知识截止日期：Terra 文档记载为 2026 年 6 月 1 日；Meta 尚未公布 Wonder 的知识截止日期。

这两款型号都不在我们的产品目录中。以下是

在谈任何产品说明之前，先说一个必须诚实说明的限制：截至10月27日，GPT-6.1 Terra 和 Muse Wonder 都不在 OrcaRouter 的 214 个模型目录中。Terra 可通过 OpenAI 自有 API 使用，并且自发布日起也可通过 Amazon Bedrock 使用。Wonder 在 Meta 的 Model API 上销售。任何声称今天能通过我们将这两者中的任何一个进行路由的人，描述的都是路线图，而不是目录。

目录确实提供的是两侧最接近的托管方案：GPT-6.1 Sol 为 $2 输入、$10 输出，在指数上得分 52，每任务成本 $0.72；以及 Muse Spark 1.2，即 Meta 的 Spark 系列。如果你需要衡量的是 Terra 形态的工作负载——大批量文本和图像工作，其中每完成一项任务的成本决定采购——那么 Sol 是能力更强、每任务成本约两倍的托管参照，而这一比较能告诉你 Terra 节省的成本是否值得迁移。两者均按提供商标价提供，无加价，使用一个密钥并支持自动故障转移，因此提供商宕机不会变成产品宕机。

当其中任一模型进入目录后，切换不过是改一个模型字符串，而不是再签一份合同。这正是现在就对该工作负载做基准测试、而不是等那篇一锤定音的发布文章的实际理由。

谁应该选哪个

当任务量大、规格明确且以文本或图像为主时，选择 Terra：文档提取、分类、表单与截图读取、起草、有边界的智能体步骤。每任务 $0.40 的价格在本对比中是最低的，且差距悬殊；128K 输出有文档记载，而非道听途说；而既然输出最终会由人工审核，那么参差不齐的子任务得分也是可以接受的。

当输入不只是文本和图像、当智能体需要在一次调用中返回很长的产物，或者当错误答案的代价远超 2.87 美元时，选择 Muse Wonder。207.8 tokens/秒的吞吐和 32 秒的首 token 时间使它成为更好的交互式模型；即便四点指数优势小于 Muse Wonder Full 与 Terra 之间的差距，这一优势也是真实的。按每百万输出 token 20 美元的价格做预算，并确认你正在阅读的基准测试实际测量的是哪个检查点。

这四分是这场对比中最没意思的数字。真正决定生产决策的，是账单、首个 token 的耗时以及任务级方差——而在这些方面，更便宜的模型并不只是更差的那一个。