GPT-6.1 Terra 發布：與 Sol、Astra、Luna、上一代 Terra 有什麼差異？

前言

OpenAI 在 2026 年 10 月 26 日發布 GPT-6.1 Terra，主打視覺推理、電腦操作，以及清楚自然的寫作。它讓模型選擇多了一個值得評估的位置：如果工作需要看懂畫面、操作軟體或修正範圍明確的程式碼，現在可以用什麼成本完成？官方 API 更新紀錄

這篇會把它與 GPT-6.1 Sol、GPT-6 Astra、GPT-6 Luna，以及上一代 GPT-5.6 Terra 放在一起看，從工作定位、官方評測與 API 費率，整理各自適合的情境。

查核日期：2026-10-27，台灣時間。 本文以 OpenAI 官方文件為來源；評測成績屬於廠商公布結果，本文未進行模型實測。價格為查核時的美元費率，需配合處理層級、上下文長度及額外工具費用閱讀。封面為 AI 生成的概念插畫，並非產品介面或效能證據。

一、GPT-6.1 Terra 的重點：把看懂的內容轉成工作成果

官方模型文件列出的用途，包括比對商品照片與目錄、判讀技術圖面、操作應用程式畫面，以及草擬和修改文字。這些任務的共同點，是輸入往往不只是一段問題，還包含圖片、畫面狀態與明確的交付結果。GPT-6.1 Terra 模型文件

例如，整理一張管理後台截圖的問題清單，只需要辨識與說明；把資料填入後台，則還需要操作、確認欄位與檢查儲存結果。評估後者時，答案寫得流暢只是其中一部分，最後存下來的資料是否正確同樣重要。

OpenAI 的模型選用指南，也把 Terra 放在有明確目標的畫面操作、依據既有素材寫作，以及範圍明確的程式碼修正。這提供了實際的起點：先挑有輸入、有完成條件的工作，觀察它能否穩定完成。官方模型選用指南

二、與 Sol、Astra、Luna 的定位怎麼分？

這幾個名稱代表不同的取捨。選型時，應先看任務需要多少推理、是否涉及畫面操作，以及失敗後的重做成本。

模型	官方定位重點	可以優先評估的工作
GPT-6.1 Terra	視覺推理、精準電腦操作、自然寫作與效率	根據截圖處理工作、整理和修改現有文字、修正邊界明確的問題
GPT-6.1 Sol	以較低成本提供接近 Astra 的複雜工作能力	跨多個檔案的開發、需要反覆修訂的專業交付、較複雜的工具流程
GPT-6 Astra	面向最具挑戰性的推理、程式設計與專業工作	需求模糊、證據互相衝突、需要較完整判斷的研究與工程任務
GPT-6 Luna	聚焦、高頻、大量任務的效率	分類、初步分流、欄位擷取與規則清楚的自動化
GPT-5.6 Terra	上一代兼顧能力與成本的模型	既有系統的比較基準，用相同案例驗證升級後的品質與成本

前四款的定位依據：GPT-6 家族指南。上一代的定位依據：GPT-5.6 Terra 模型文件。表中的具體工作是依定位整理的選型例子，仍需以自己的任務驗證。

我的選法會是：簡單且大量的工作先測 Luna；需要讀畫面、操作軟體或加工既有內容時，加入 Terra；當問題需要跨越更多上下文、處理較多不確定性，再比較 Sol 與 Astra。這樣可以把升級理由落在具體失敗案例上。

三、比起 GPT-5.6 Terra，官方公布了哪些進步？

發布公告提供了幾組值得看的結果。這些測試分別測量不同能力，不能把其中一項成績當成所有工作的成功率。

評測	OpenAI 公布的重點	解讀時要保留的條件
Agents’ Last Exam v1	在 `medium` 推理下，比 GPT-5.6 Terra 高 15 個百分點，成本約為三分之一	專業軟體任務的評測；成本與完成速度受整個工作流程影響
MMMU-Pro	在各推理設定下優於上一代，成績接近 GPT-6 Astra 與 GPT-6.1 Sol	這是視覺推理評測，不能直接換算成任意桌面任務的完成率
Terminal-Bench 4.0	GPT-6.1 Terra 在最高推理設定解出 50.3% 任務；公告引用上一代已公布成績為 21.5%	新模型的設定與舊模型已公布基準要分清楚，也要核對測試框架與工具環境
內部困難提示詞事實性評測	低推理設定的錯誤率從 53.6% 降至 16.7%	這是容易誘發錯誤的特定題集，無法當成日常回答的錯誤率

來源：OpenAI GPT-6.1 Terra 發布公告。

公告也表示，在 Agents’ Last Exam 的測試中，Terra 的任務完成速度比 Astra 與 GPT-6.1 Sol 快超過三倍。這說明它在該類工作中的效率潛力；你的系統若花大量時間等待網站、檔案上傳或外部 API，整體時間仍會受到那些步驟限制。

至於與其他公司的比較，OpenAI 宣稱在同一評測的 max 設定下，Terra 的每任務成本約為 Claude Opus 5.5 的九分之一。這裡引用的是 OpenAI 自己的比較結果，應連同任務集、工具配置與推理設定一起閱讀。官方比較說明

對開發者而言，我會更關心兩件事：它在哪些任務上減少了重試，以及錯誤是否容易被既有檢查發現。這會比單看一個綜合分數，更接近導入後的維護成本。

四、API 價格差多少？先用同一個計算口徑

以下為 Standard、輸入不超過 272K tokens 的文字 token 費率，單位是每百萬 tokens／美元。快取欄位指命中既有快取的輸入，並非建立快取的價格。

模型	一般輸入	快取輸入	輸出	範例單次費用
GPT-6.1 Terra	$1.00	$0.05	$5.00	$0.020
GPT-6.1 Sol	$2.00	$0.10	$10.00	$0.040
GPT-6 Astra	$10.00	$1.00	$50.00	$0.200
GPT-6 Luna	$0.10	$0.01	$0.50	$0.002
GPT-5.6 Terra	$2.00	$0.20	$12.00	$0.044

範例假設：單次使用 10,000 個一般輸入 tokens 與 2,000 個計費輸出 tokens，沒有快取讀寫、額外工具費用與重試。輸出用量包含推理 tokens；這是固定用量試算，並非各模型實測消耗。推理 token 計費說明

計算方式很單純：

1 2	費用 = 輸入 tokens ÷ 1,000,000 × 輸入單價 + 計費輸出 tokens ÷ 1,000,000 × 輸出單價

在相同用量下，Terra 的一般輸入與輸出費率都是 Sol 的一半、Astra 的十分之一；Luna 的單價則仍更低。是否值得多付費，取決於較強的模型能否減少錯誤、重做與人工處理。

相較上一代 Terra，依上表模型頁的費率計算，一般輸入下降 50%，輸出則從 $12 降至 $5，約下降 58.3%。發布文以「降低 50%」概括新模型的價格優勢；估算帳單時，應逐欄使用實際費率。

兩個容易算錯的地方：長上下文與快取

Terra 的模型頁註明，當輸入超過 272K tokens，整筆請求的輸入及快取費率適用 2 倍，輸出適用 1.5 倍。因此，能放進 105 萬 token 的上下文，並不表示全程都維持上表的單價。Terra 長上下文計價

另一個細節是快取寫入。官方文件將一般輸入、快取讀取與快取寫入分開計價；快取寫入費率是該類輸入的計費方式，不應再把同一批 tokens 重複加上一般輸入費用。Prompt caching 文件

規畫成本時，我會看整個任務的總 token 用量、工具呼叫、重試與人工修正時間。當低單價模型需要反覆重做，原本的價格差距就可能被吃掉。

五、規格與產品可用性，有哪些要先確認？

GPT-6.1 Terra 的 API 模型文件列出以下規格：

上下文窗口：1,050,000 tokens。
最大輸出：128,000 tokens。
知識截止日期：2026 年 6 月 1 日。
輸入與輸出：文字可輸入及輸出，圖片可作為輸入；不原生支援音訊或影片輸入。
推理設定：none、low、medium（預設）、high、xhigh、max。
工具呼叫：需要使用 Responses API。

來源：GPT-6.1 Terra 模型文件。

發布展示中即使包含影片剪輯工作，也要區分「操作剪輯軟體完成任務」與 API 本身接受的資料格式。真正整合時，仍要核對圖片輸入、檔案處理與操作工具的介面。

另外，知識截止日期也代表模型內建知識有時間範圍。要回答發布後的新聞、價格或法規，工作流程仍需要能取得最新資料，並留下來源。

ChatGPT Work、Codex 與 API 要分開看

發布公告列出的開放範圍是 ChatGPT Work 與 Codex 的 Plus、Pro、Enterprise、Edu 使用者，開發者亦可透過 API 使用 gpt-6.1-terra。官方可用性說明

API 的每 token 價格，不能直接換算成訂閱方案能完成幾次工作。產品中的可選模型、推理設定與用量限制，也可能依方案、工作區與版本而異，實際使用時應核對自己所在產品的選單與文件。官方模型選用指南

六、開發者接入時，先注意 Responses API

若只是看文字生成範例，模型名稱很好替換；原本系統若透過 Chat Completions 呼叫工具，就需要先處理介面相容性。官方明確要求 GPT-6.1 Terra 的工具呼叫使用 Responses API。GPT-6 家族 API 指南

下面是依官方 SDK 用法整理的最小 Python 範例，示範模型與推理設定。需先安裝官方 openai 套件並設定 API 憑證；本文沒有執行付費 API 呼叫。

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6.1-terra",
    reasoning={"effort": "medium"},
    input="將這段工作紀錄整理為待辦：API 文件已更新，明天請小林核對錯誤碼。",
)
print(response.output_text)

SDK 介面依據：OpenAI Developer quickstart。這段只示範文字生成；要操作電腦，還需要相應工具、執行環境與結果驗證。

導入時可以先保留目前使用的有效推理等級，用同一批輸入比較舊、新模型。若是全新工作，官方建議從 medium 開始，再評估提高推理設定所增加的品質，是否值得付出更多時間與 tokens。Terra 選用與升級建議

七、我會怎麼測試，決定要不要換？

如果是自己的專案，我會先挑三類真實工作：

畫面與資料處理：同一批後台截圖、表單或文件，檢查欄位與儲存結果。
範圍明確的程式修改：使用相同需求與測試，記錄是否修好、是否引入其他變更。
既有素材的寫作：固定原始資料與讀者，檢查資訊保留、語氣及需要人工改寫的程度。

每一類都記錄完成率、總時間、計費用量，以及人工介入的原因。電腦操作還要核對真正保存的成果；寫作與程式修改則要確認內容正確，避免只因為輸出看起來完整就判定成功。

我會優先把 Terra 放進那些有清楚完成條件、原本使用 Sol 又覺得成本或等待時間偏高的工作。若它能穩定通過相同檢查，就有具體理由調整；遇到需要更多判斷與跨檔案推理的失敗案例，再升到 Sol 或 Astra。

GPT-6.1 Terra 這次值得關注的地方，是讓視覺與電腦操作的能力，以較低單價進入日常工作。它能否成為你的主力，最後仍要由自己最常做的工作、檢查方式與總成本決定。

延伸閱讀：GPT-6 Astra 的規格與 Agent 工作流、GPT-6 Sol、Luna 與 GPT-5.6 的比較。舊文保留當時的查核時間，現行規格與費率以本文所引官方頁面為準。