GPT-6.1 Terra 发布:主打 Computer Use,API 价格下调
OpenAI 于 10 月 26 日发布 GPT-6.1 Terra,定位中端模型,主打视觉推理与 Computer Use,API 输入价格落到每百万 token 1 美元级别。本文拆开它的模型定位、看屏动手的能力环节、调用骨架与成本量级,并结合「一张电车照片做 3D 模型」的实测说说能力边界与选型建议。
文章目录
10 月 26 日,OpenAI 发布 GPT-6.1 Terra。这次发布的看点不在跑分,而在两件事:它把「视觉推理 + Computer Use」放进了中端价位,以及API 定价落到了每百万 token 输入 1 美元级别。
Terra 的定位很清楚——它夹在更贵的 Sol、Astra 和更便宜的 Luna 之间,专门瞄准日常工作里的高频场景:看屏幕、认界面、填表单、整理资料、跨应用把信息录进去。旗舰模型负责难而少见的任务,Terra 负责一天要跑几百遍的那种活。
1、先看位置:Terra 不是最强,却很可能是最常被调用的那一档
1、先看位置:Terra 不是最强,却很可能是最常被调用的那一档 · AI 生成示意图
OpenAI 这一轮把模型分成了三档,价格和能力一起往上叠。Terra 在中间,下面按相对关系看:
| 档位 | 相对价格 | 定位 | 典型场景 |
|---|---|---|---|
| Sol / Astra | 更贵 | 旗舰档 | 极难推理、需要最强能力的复杂流程 |
| Terra | 中端,输入每百万 token 1 美元级别 | 日常高频档 | 看屏操作、表单填报、资料整理、跨应用录入 |
| Luna | 更便宜 | 轻量档 | 分类、摘要、批量小任务 |
需要说明的是,表格里除「每百万 token 输入 1 美元级别」这一条,只给相对关系;输出 token、缓存命中、批处理等其余计费项,本文不列具体数字,以官方定价页为准。
这条中间线为什么值得单独写一篇?因为旗舰档贵起来的代价,在高频调用下会被放大成账单里的大头。一个每天跑几千次的「截图 → 填表 → 归档」流程,每次输入都带着几十 K token 的画面,用旗舰去扛,成本曲线会非常陡。把会看屏幕、能动手的模型放到这个价位,等于把「看屏幕干活」从少数人的实验变成了日常用量。
2、主打什么:先看懂屏幕,再动手
2、主打什么:先看懂屏幕,再动手 · AI 生成示意图
Computer Use 这个词被讲烂了,但 Terra 的官方描述其实非常具体:它能识别屏幕上的按钮、输入框、表格,在获得工具与权限之后,可以自行填写表单、整理资料、跨应用录入信息。 拆开就是四个环节:
| 环节 | 模型要做的事 | 你必须先给的东西 |
|---|---|---|
| 看 | 认出按钮、输入框、表格的位置 | 清晰截图,文字别糊 |
| 判 | 决定点哪个、填哪一格、按什么规则填 | 任务目标与字段规则 |
| 动 | 移动鼠标、敲键盘、切窗口 | 工具调用权限、桌面或浏览器访问权 |
| 收 | 整理资料、跨应用录入并回填核对 | 数据出口(表单系统、内部表格) |
值得留意的是「获得工具与权限后」这半句。模型不会凭空操作你的电脑,它是把屏幕当成一张看得懂的图,再把动作当成可以发出去的指令。所以真正的瓶颈往往不在模型智商,而在这三样东西是否给到位:截图质量、工具定义、权限边界。
和传统 RPA 摆在一起看,差别更明显。RPA 为每个界面写死规则,页面一改版就崩;而基于截图的路径是「看到什么做什么」,泛化能力天然更好,代价是每一步都要重新看画面,也更容易在细节上看错。Terra 这一档的价值,就是把这条更聪明的路径的成本,压到了能天天跑的量级。
3、调用骨架:权限要给,但一定要留闸门
下面这份结构示意,把「能看」和「能写」拆成两段,中间留一道人工确认:
# 示意代码:一次「看屏幕 → 决定动作 → 执行」的最小闭环
# 模型名与参数名以官方文档为准,这里只演示结构与权限边界
TOOLS = [
{
"type": "computer_use_preview",
"display_width": 1280,
"display_height": 800,
"environment": "browser", # browser / mac / windows / linux
},
{
"type": "function",
"name": "save_record",
"description": "把整理好的资料写入内部系统",
"parameters": {
"type": "object",
"properties": {"fields": {"type": "object"}},
"required": ["fields"],
},
},
]
STEP = {
"observe_only": True, # 第一轮只看方案,不真的点
"max_actions": 12, # 单轮动作上限,防止它一直点
"require_confirm": ["save_record"], # 涉及写入的动作必须人工确认
}
三个开关值得抄走:observe_only 让模型先交一份「打算怎么点」的方案,人看过再放行;max_actions 防止它在错误页面里无限循环;require_confirm 把写操作这类不可逆动作单独拎出来。看错一次只是重来,点错一次可能就是发错邮件、填错单、删掉文件。
至于成本,最容易被忽略的一项是:Computer Use 每一步都要回传截图,输入 token 会比纯文本调用高一个量级。 只按「每百万 token 输入 1 美元级别」粗算输入部分:
# 仅统计输入 token;输出、缓存、批处理等以官方定价页为准
python3 - <<'PY'
rate = 1.0 # 每百万 token 输入 1 美元级别,取 1.0 做上界估算
for tokens in (100_000_000, 1_000_000_000, 5_000_000_000):
print(f"{tokens/1e8:.0f} 亿 token → 约 {tokens/1e6*rate:,.0f} 美元 / 月")
PY
| 每月输入量 | 仅输入部分(按 1 美元 / 百万 token) |
|---|---|
| 1 亿 token | 约 100 美元 |
| 10 亿 token | 约 1000 美元 |
| 50 亿 token | 约 5000 美元 |
这张表只是量级参考,实际账单取决于单次截图大小、动作轮数与上下文长度。真正该记住的是:Computer Use 是按「步」消耗的,把截图分辨率、动作步数和上下文裁剪控制住,比换模型省得多。
4、实测长什么样:一张电车照片,照着做一个 3D 模型
掘金那篇实测的用法很直白:给 GPT-6.1 Terra 一张电车的照片,让它照着做一个 3D 模型。它的目的不是炫技,而是拿一件具体的活儿来检验三件事——它能不能看懂图片和屏幕、能不能操作浏览器、桌面和应用。
这个测试设计的妙处在于,一次同时压了三条线:识图(照片里的形体、比例、细节)、屏幕理解(工具面板、参数输入框、菜单在哪)、跨应用动手(建模软件、浏览器、甚至本地文件)。任何一环断掉,那个 3D 模型都出不来——所以它比跑分更能说明问题。
也要留意「照着做」这三个字的分寸:它承认了这类任务当下的边界。视觉推理已经好到能把参考物拆成可执行的建模步骤,但模型不是建模专家,最终成果的质量仍然取决于工具链和人工复核。把这个案例当成「能力体检」看,而不是当成「交付物」看,理解会更准。
5、该不该用它:四个判断题
- 高频、价值差不大、结果可校验 → 适合。比如每天从截图里抽字段、批量填同一张表单。
- 一次性、要求惊喜 → 不合适。旗舰或专门的工具更靠谱,Terra 稳但不惊艳。
- 截图里有敏感信息 → 先脱敏。画面会整块进上下文,也意味着它可能被完整保留。
- 出错的代价很高(下单、发邮件、删文件、动生产环境) → 必须加人工确认闸门,宁可慢。
一句话总结选型逻辑:Terra 解决的是「量大、重复、有标准答案」的活儿;它不适合「量大、重复、但错一次就完」的活儿。
写在最后
GPT-6.1 Terra 值得关注的地方,不是它在榜单上压过谁,而是它把**「能看懂屏幕、能自己动手」的模型放进了一个日常能负担的价位**。旗舰继续负责难任务,Terra 接手量最大的那部分流程,这套分层本身比任何单点突破都更接近可用的生产现实。
多一句提醒:先拿低风险、可回滚的流程试——截图抽取、资料整理、跨应用录入,正好是官方描述里的主战场;等跑顺了再往有写入权限的地方推。
我的判断是,接下来真正跑起来的 Agent,八成不是靠最贵的旗舰,而是靠这种价格压得住、权限收得紧、每步都能查的中端模型。Terra 至少证明了这一档位值得被认真做出来。
相关阅读
- GPT-6.1 Terra 实测:给它一张电车照片,照着做一个 3D 模型(掘金) —— 检验它看懂图片和屏幕、能操作浏览器与桌面应用的真实案例
- OpenAI 官网 —— Terra 的能力边界与官方口径
- OpenAI API 定价说明 —— 输出 token、缓存、批处理等计费项以官方页面为准
- AI Agent 工具调用防护层:150 行标准库代码实现四层拦截 —— 本站在同一天的另一篇,把「别让模型乱调工具」做成确定性代码
想把 AI 工具接进自己的团队、或把这套内容流水线搬到自己服务器上?阿凡达提供一次性的私有化部署与出海模型接入服务,说明与报价见:查看技术服务
文中链接
整理自本文的外部链接,请以来源页面说明为准。