GPT-6.1 Terra：BenchLM 公开基准账本与比较口径

一句话结论

这份 2026-10-26 快照把 GPT-6.1 Terra 的公开成绩、来源标签和覆盖缺口放在同一档案中。分项结果标为厂商原值；总分与总排名标为估算，页面明确警告证据尚不足以形成已验证的总体位置。

适用场景

• 适合判断的任务：查看 BenchLM 截止 2026-10-26 收录的 Terra 基准分项、类别位置、公开覆盖率及总排名证据状态。

• 不适合外推的任务：把平台总分视作独立实测、把排名当作确定的模型质量顺序，或据此推断未列出的任务表现。

• 适用的模型版本：GPT-6.1 Terra（档案标注 OpenAI，发布日期为 2026-10-26）。

• 测试环境或客户端：BenchLM 模型档案与基准账本；不是统一的独立测试运行环境。

• 推理档位和参数：档案注记称规范账本行采用 Max effort；分项表未为每条结果展示运行参数。其余推理档位、提示词、工具、重复次数均未注明。

测评方法

• 档案日期为 2026-10-26；数据接口标注 BenchAlign 方法版本 bench-align-v5.8-2026-09-30。

• 页面将原始分数与平台聚合排名分开呈现。12 条可展示的基准行均标为 Provider exact，并指向 OpenAI 发布页或 Terra 系统卡补充页；这表示来源精确，不代表 BenchLM 独立运行了这些测试。

• 档案称 Terra 有 12/768 个跟踪基准槽位具备可展示证据。Agentic 类别有 4 行、Multimodal 有 1 行、Knowledge 有 5 行；另有 2 行外部信号。

• 页面按类别展示分数、排名、分位、权重、行数和证据状态。Agentic、Multimodal、Knowledge 显示类别名次；Coding、Reasoning、Multilingual、Instruction Following、Math 显示未测量。

• 方法页称总体分数以独立外部榜单家族为基础，按不确定性校准后组合；直接基准证据最多修正 3 分。缺乏独立外部来源时，总体位置为 Estimated。估算器会用模型信号、校准基准估值、谱系先验、旧政策估值及合格同类模型；缺失基准保持空白，不补造分数。

• 方法页同时披露，2026-09-30 回顾验证中若干 95 分位误差检查恶化；这些估算区间不代表名次置信度或整个榜单排序的确定性。

关键结果

• 总榜：75.87/100，#10/229，证据状态 Estimated。档案同时提示公开排名尚未获得足够来源覆盖以成为已验证位置。

• 类别：Agentic 72.4，#8/133；Multimodal 91.6，#4/58；Knowledge 74.9，#12/188。Coding、Reasoning、Multilingual、Instruction Following、Math 均未测量。

• Agentic 分项：Terminal-Bench 4.0 为 50.30%；Agents' Last Exam 为 60.0%；Terminal-Bench-Science 0.1 为 58.3%；OSWorld 2.1 Offline 为 74.2%，该行注明是 82 项任务的离线子集。

• Multimodal 分项：MMMU-Pro 为 85.5%。

• Knowledge 分项：HealthBench raw 51.1%；length-adjusted 55.1%；HealthBench Professional 62.7%；Professional raw 64.2%；HealthBench Hard 31.4%。

• 外部信号分项：ExploitBench 为 97.1%；SEC-Bench Pro 为 83.33%。这两项在档案中列为 display-only，不应计作该页综合排名的直接排名基准。

• 速度：未测量。页面没有独立运行速度或首 Token 延迟数据。

原始数据

档案页还显示输入/输出 API 价格为每百万 Token 1/5 美元，缓存输入为 0.05 美元；混合价标为 3 美元/百万 Token。这是价格比较信息，不是测评结果。

结论与边界

• 该档案提供的是公开基准的索引、比较和证据状态快照。它没有说明 BenchLM 为 Terra 自行执行统一评测，也没有披露逐项运行日志、提示词、样本数或完整工具配置。

• 12 条记录的分项数据来自 OpenAI，而非独立跑分；档案的独特价值在于集中展示分数、来源、覆盖度、同类位置及估算排名的限制。

• 总分与名次不能按分项百分比简单复算。BenchLM 的估算方法依赖当前输入、校准估值与模型谱系等因素；方法页明确说明估算位置的不确定性。

• 同名基准可能因版本、子集、工具或评测配置不同而不可直接比较。尤其 OSWorld 这一行是 OSWorld 2.1 Offline 的 82 项离线子集，不能当作完整 OSWorld 评测成绩。

• 该动态档案反映 2026-10-26 的一次快照；榜单、来源覆盖和估值可能更新。

复现说明

2026-10-27 通过 Tabbit 检查模型档案、其公开基准数据接口及 BenchLM 方法页。核对了数据刷新日、BenchAlign 版本、12 条分项、来源标签、类别汇总和方法限制。未进行模型推理或独立复测；页面未披露完整底层运行配置。