GPT-6.1 Terra 應用於瀏覽器代理：74.2% 背後的逐步數學

OpenAI 對 GPT-6.1 Terra 的宣傳重點，不是它更聰明，而是它能操作螢幕——填寫表單、閱讀工程圖、在應用程式中點擊操作——而且做得便宜又快速。支持這項說法的基準是 OSWorld 2.1；在最大推理強度下，Terra 得分 74.2%，與處於 xhigh 的 GPT-6.1 Sol 相差 1.7 個百分點以內，與 GPT-6 Astra 相差 1.6 個百分點以內。不過，對代理而言，真正重要的數字不是任務分數，而是該分數所隱含的逐步可靠性，因為代理是逐步失敗，而非逐任務失敗。

本文拆解 74.2% 這個數字：OSWorld 衡量什麼、它在每一步意味著什麼、一個二十步任務的代價是什麼、迴圈在哪裡斷裂，以及哪些護欄能防止一個準確率 74% 的 agent 變成準確率 0% 的事故。

記分板上顯示的內容

• GPT-6.1 Terra — 以最大投入在 OSWorld 2.1 上達到 74.2%。

• GPT-6.1 Sol — 在 xhigh 下達 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%。

有三種解讀值得分開來看。在 GPT-6 系列之內，Terra 與它更昂貴的手足之間只差一個捨入誤差——這段價差在桌面自動化上幾乎買不到任何東西。跨廠商來看，整個系列落後 Anthropic 六到七個百分點。而 Terra 本身那個近似廠商說法的宣稱——在 Agents' Last Exam 上以中等設定大致與 GPT-6 Astra 持平，而每 token 價格僅為十分之一——是一個逐任務的宣稱，OSWorld 的數字大致支持它。

從任務分數到逐步可靠性

OSWorld 任務會在一連串動作後判定通過或失敗。如果一個任務大約需要二十步，而 Terra 端到端完成了 74.2% 的任務，則隱含的每步成功率就是 0.742 的二十次方根——約 98.5%。這是算術示例，而非實測：有些任務較短，有些較長，而且失敗並非彼此獨立。但它正確地設定了尺度。一個看似 74% 的模型，實際上是每步 98.5% 的模型，而這個差距正是代理設計所在。

反向計算一個五十步的工作流程。在相同的單步成功率下，端到端成功率會降至約 47%。到八十步時則是 30%。任務分數不變；變的是工作流程，而這正是為什麼「對代理而言足夠好」完全取決於代理在無人監督下運行多久。

一項任務的成本

假設每一步的輸入為 3,000 個 token——包括一張螢幕截圖、任務狀態與動作歷程——而動作的輸出為 150 個 token，總共二十步。

• 每項任務：60,000 輸入，每百萬 $1，即 $0.06；3,000 輸出，每百萬 $5，即 $0.015。總計 $0.075。

• 以 30% 的重試率計算：每項成功任務約 $0.0975，亦即每千項任務 $98。

• 在 GPT-6.1 Sol 上以 $2/$10 執行相同的工作負載：每項任務 $0.15，每千項 $195。

• 使用 GPT-6 Astra，價格為 $10/$50：每項任務 $0.75，每千項任務 $975。

• 在 Claude Opus 5.5（每百萬 token 輸入 $4／輸出 $20）上：每項任務 $0.30，每一千項 $390。

Token 假設比價格比更重要。截圖主導輸入成本，而截圖尺寸是可以選擇的：完整的 1440×900 PNG 所需 token 遠多於裁切出的感興趣區域。每步只傳送一張裁切截圖、而非整個桌面的流程，可將輸入 token 減半，進而使每項任務成本減半，並改變其與更準確模型的排名比較。

延遲就是產品

Artificial Analysis 在其推理基準測試中測得 Terra 的輸出速度為每秒 90.9 個 token，首個 token 時間為 133.64 秒；相較之下，GPT-6.1 Sol 為每秒 73.5 個 token、284.31 秒。這些延遲數據來自最高強度推理任務，因此會高估代理迴圈中每一步的延遲——但這個略高於 2 倍的比率，仍是判斷各模型在採取行動前思考多久的合適指標。

在代理迴圈中，思考時間會隨每個任務累積放大二十倍。若 Sol 每步花四秒、Terra 花兩秒，二十步的任務會以 40 秒完成，而非 80 秒。OpenAI 員工 Victor E. Nunez 指出，Terra 完成一份網頁表單的速度比 Sol 快兩分鐘以上；這只是軼事，不是基準測試，但這正是使用者不用被告知也會注意到的差異。

迴圈斷裂之處

• 不可逆的操作。提交、傳送、刪除、付款——任何帶有副作用的操作都需要一道核准關卡。再高的基準測試分數也改變不了這一點。

• 模糊的介面。兩個標示為「繼續」的按鈕，足以讓任何價位的模型敗下陣來；解決方法在於提示詞與截圖的衛生管理。

• 長時程。上述的逐步計算，正是在每步 98.5% 的情況下，反對無監督長時程工作的完整論據。

• 過時的螢幕截圖。在版面位移之前擷取的畫面是錯的，而錯誤的畫面會導致一次自信滿滿的錯誤點擊。

• 跨越分頁存續的狀態。以螢幕截圖為基礎的代理一次只能看到一個視窗；多分頁工作流程需要在模型之外進行明確的狀態追蹤。

能讓 74% 成果可交付的護欄

• 為步數設上限，而不只是金額。二十既是預算，也是安全控制；無法終止的迴圈是最昂貴的失敗模式。

• 為副作用設下關卡。任何會改變外部狀態的動作，都必須經過人工或政策檢查。

• 將{{1}}畫面{{/1}}與動作一併記錄。當代理程式做錯事時，唯一有用的依據就是它當時所操作的螢幕截圖。

• 動作結構描述請使用結構化輸出。自由文字的動作，恰好在你最需要確定性的時刻無法解析。

• 以每一步為單位衡量，而非以每項任務為單位。每一步 2% 的效能衰退在任務分數中看不出來，且經過五十步會使失敗率加倍。

• 在困難的步驟上保留第二個模型。例行影格用 Terra，模糊不清的影格用更強大的模型，比用 Terra 加重試來得便宜。

今天跑什麼

GPT-6.1 Terra 在撰寫本文時尚未收錄於 OrcaRouter 目錄中，因此 Terra 這一部分必須直接對 OpenAI 進行測試。比較組合已在我們這邊上線，價格為供應商牌價零加價——GPT-6.1 Sol 為 $2/$10、GPT-6 Astra 為 $10/$50、Claude Opus 5.5 為 $4/$20、Claude Sonnet 5.5 為 $2/$10，以及 Kimi K3.1 Pro 為 $2/$10——全部使用同一把金鑰，並具備自動容錯切換。

值得做的實驗，並不是「哪個模型在 OSWorld 上得分最高」，而是你自己的任務集，逐步評分，並讓截圖政策保持不變。這項測量才能決定，在你實際執行的任務上，Terra 的價格與速度是否值得相較於 Claude Opus 5.5 的那 7.6 分差距——而這是唯一能據以打造代理產品的數字。