OpenAI 声称 GPT-6.1 Terra 在桌面操作、视觉推理、事实准确性和部分编程基准上较 GPT-5.6 Terra 有提升，并强调成本与速度优势；公开文章没有交代样本量、误差范围及完整测试配置，且多个图表的具体分数不可见，因此这些结果适合视为厂商发布的方向性证据，不能单独作为普遍任务表现或独立复现结论。
适合判断的任务：视觉理解与桌面多步骤操作；一般命令行软件工程任务；容易诱发事实错误的提示词；模型间的厂商自报成本和速度比较。
不适合外推的任务：所有真实工作流的成功率、未测试的专业任务、复杂软件工程任务，以及未公开的图表数值和统计显著性。
适用的模型版本：GPT-6.1 Terra；文中对照包括 GPT-5.6 Terra、GPT-6.1 Sol、GPT-6 Astra 和 Claude Opus 5.5。
测试环境或客户端：文章提及 Agents’ Last Exam、MMMU-Pro、OSWorld 2.1、Terminal-Bench 4.0、Terminal-Bench-Science 0.1，以及 OpenAI 内部事实准确性基准；未披露运行环境、工具版本或完整评测配置。
推理档位和参数：明确提到低、中、最高推理强度下的部分结果；未给出温度、采样参数、工具配置或重复次数。
以下均为 OpenAI 对其评测的描述，不是独立复测：
Agents’ Last Exam：专业任务基准，覆盖将建筑图纸转为 3D 模型、逐镜头检查动画并为修复团队生成带时间码记录等任务。文章报告中等与最高推理强度下的部分比较。
MMMU-Pro：用于视觉推理比较。文章只报告相对表现，没有给出正文可读取的分数。
OSWorld 2.1：测试智能体通过桌面应用完成多步骤任务的能力，文中举例为根据技术图纸构建 3D 模型。
事实准确性内部基准：由 OpenAI 称为“易诱发错误的提示词”组成，比较低推理强度及最高推理强度的错误率。文章未公开题目、样本数或评分规则。
Terminal-Bench 4.0：评估编程智能体通过命令行解决问题的能力，文章举例为修复网页加载时的布局偏移。
Terminal-Bench-Science 0.1：评估智能体使用代码执行科研任务的能力，文章举例为追踪延时视频中的细胞分裂。
| 基准或指标 | OpenAI 在文章中报告的结果 | 对照或条件 |
|---|---|---|
| Agents’ Last Exam | 中等推理强度下，GPT-6.1 Terra 高出 15 个百分点；任务成本约为 GPT-5.6 Terra 的三分之一。最高推理强度下，OpenAI 称其 Token 使用效率是 Claude Opus 5.5 的三倍以上，Token 单价为四分之一，因而单项任务成本约为九分之一；完成速度超过 GPT-6 Astra 和 GPT-6.1 Sol 的三倍。 | 页面没有提供可读取的完整分数表或成本计算细节。 |
| MMMU-Pro | GPT-6.1 Terra 在所有推理设置下优于 GPT-5.6 Terra；OpenAI 称其分数接近 GPT-6 Astra 和 GPT-6.1 Sol，成本低得多。 | 没有公开正文可读取的具体分数、档位明细或成本口径。 |
| OSWorld 2.1 | 中等推理强度下，GPT-6.1 Terra 超过 GPT-5.6 Terra 已公布的最佳成绩；每项任务成本仅为后者的一小部分。 | 未给出具体分数和成本数值。 |
| 内部事实准确性基准 | 低推理强度下，错误率由 GPT-5.6 Terra 的 53.6% 降至 GPT-6.1 Terra 的 16.7%；最高推理强度下，错误率降低 18 个百分点至 4.3%。 | OpenAI 称基准由易诱发错误的提示词组成；没有公开题目集、样本量或误差区间。 |
| Terminal-Bench 4.0 | 最高推理强度下解决 50.3% 的任务，是 GPT-5.6 Terra 已公布的 21.5% 的两倍以上。 | OpenAI 同时指出，最复杂的编程任务更适合 GPT-6.1 Sol 或 GPT-6 Astra。 |
| Terminal-Bench-Science 0.1 | 最高推理强度下，GPT-6.1 Terra 超过 GPT-6.1 Sol；与 Opus 5.5 的分差不到五分，估算成本不到其五分之一。 | 未说明分数单位、估算方法及完整分数。 |
文章正文公开的数值：Agents’ Last Exam 中等推理强度差值为 15 个百分点；该基准的任务成本约为 GPT-5.6 Terra 的 1/3。最高推理强度下，OpenAI 报告相对 Opus 5.5 的 Token 效率 超过 3 倍、Token 单价为 1/4、任务成本约为 1/9；速度超过 GPT-6 Astra 与 GPT-6.1 Sol 的 3 倍。
内部事实准确性基准：低推理强度错误率 53.6% → 16.7%；最高推理强度错误率下降 18 个百分点至 4.3%。
Terminal-Bench 4.0：最高推理强度下 50.3%；GPT-5.6 Terra 已公布成绩 21.5%。
Terminal-Bench-Science 0.1：最高推理强度下超过 GPT-6.1 Sol，与 Opus 5.5 的分差不到 5 分，估算成本低于其 1/5。
MMMU-Pro 与 OSWorld 2.1 的正文仅给出相对结果，没有具体分数。网页内嵌图表区域在本次采集时未呈现可读取的数据，因此不补录或估算图表数值。
以上为厂商公开声明的转述，不代表独立验证。文章没有提供样本量、置信区间、误差条、完整提示词、运行次数或成本核算公式。
文章支持的结论限于：OpenAI 报告其内部和公开基准上的若干相对改善，尤其是事实准确性、Terminal-Bench 4.0 和部分桌面操作结果。
厂商将 Terra 定位为速度与成本更优的模型，并明确提示最复杂的软件工程任务仍应考虑 GPT-6.1 Sol 或 GPT-6 Astra。该定位和比较均来自 OpenAI，不能代替针对目标工作流的实测。
各基准测试的是不同任务，分数、成本和速度比较不能混为同一指标；未披露的评测配置也使外部复现受限。
页面未注明发布日期。采集日期不应被当作发布日期；若文章后续更新，当前记录应按新的页面版本复核。
2026-10-27 通过 Tabbit 打开原文，读取页面正文、文章元数据及图表区域。页面没有显示发布日期字段；文章中的基准图表区域未呈现可读取的数值，故只记录正文明确写出的数字与定性比较。未推断样本量、未还原图表数据，也未进行独立跑分。
GPT-6.1 Terra
