GPT-6.1 Terra：AI 开始把看见的东西变成动作
它的重点不是再造一个“会聊天”的模型，而是让 AI 看懂图纸、发票和软件界面，然后把下一步真的做出来。
过去谈视觉模型，常见的演示是“识别这张图”。谈电脑操作，常见的演示是“点击这个按钮”。Terra 把两件事连起来：先理解屏幕上的结构，再在应用里完成一串有顺序的动作。这个变化听起来像功能列表，实际影响的是工作分工。
先看它改变了哪一段工作
OpenAI 给 Terra 的定位是：快速、高效，擅长视觉推理、精确电脑使用和更自然的写作。对应到日常工作，它处理的不是单一问答，而是“看到资料以后还要继续做什么”。
发布资料举的例子很具体：起草提案、解释技术图纸、填写表单、编辑视频，以及把收到的发票读出来后录入会计软件。共同点是输入往往不是干净的数据库字段，而是图片、文档或一个真实的软件界面。
Terra 不是“低配 Sol”，而是一种任务取舍
如果任务的难点是多轮推理、复杂编码或高风险判断，Sol 和 Astra 仍然更合适。Terra 的位置更像一台高频工作的执行机器：看得懂、动得快、成本压得住。
| 任务形态 | 优先试谁 | 原因 |
|---|---|---|
| 批量抽取、分类、规则清晰 | GPT-6 Luna | 先把吞吐和单次成本做低 |
| 看图、读表、操作网页和桌面软件 | GPT-6.1 Terra | 视觉输入与动作执行在同一条链上 |
| 长链路研究、复杂编程、高风险决策 | GPT-6.1 Sol / GPT-6 Astra | 为难题保留更多推理预算和检查空间 |
数字很亮眼，但别跳过“每次任务多少钱”
在 Agents’ Last Exam、MMMU-Pro、OSWorld 2.1 和 Terminal-Bench-Science 0.1 等测试中，OpenAI 报告 Terra 相比上一代 Terra 有明显提升，并在一些设置下接近 Astra，同时更快、更便宜。发布资料还称，在中等推理强度下，Terra 比 GPT-5.6 Terra 高 15 个百分点，成本约为三分之一；在最高推理强度下，Terra 的单任务成本也低于更大的模型。
这里有两个需要一起读的限定词：这些是厂商评测，不是你的业务数据；而且“每百万 token 更便宜”不等于“每个任务更便宜”。如果 Terra 需要更多轮点击、重试或人工兜底，真实成本会重新计算。
真正值得试的三个入口
1. 发票到入账
让模型从扫描件中读出供应商、金额、税率和日期，再把字段写入财务系统。验收不应只是“字段识别正确”，还要检查金额合计、重复发票和异常值是否触发人工复核。
2. 图纸到下一步
把技术图纸交给模型，要求它先列出看见的对象和不确定处，再调用建模或检索工具。先输出判断，后执行动作，便于人发现它把尺寸或标注看错。
3. 视频到审片记录
让模型按时间码记录镜头变化、对白和需要修复的画面。它的优势不在于替剪辑师做最终决定，而在于把大量初筛工作变成一份可复查的底稿。
上线前，给 Terra 加上三道门
- 识别门：模型先复述它看见的关键对象、字段和缺失信息。
- 动作门：涉及付款、删除、发送或提交时，必须暂停等待确认。
- 交付门：结果要带来源、操作记录和失败原因，不能只返回“已完成”。
OpenAI 还表示，Terra 继承 GPT-6 系列的对齐改进，在范围控制、披露限制和抵抗提示注入方面比 GPT-5.6 Terra 更强。这些方向值得关注，但安全声明仍要放进你的权限、日志和人工审批体系里验证。
GPT-6.1 Terra 的意义，不是把所有任务都交给同一个模型，而是把“视觉输入”从一个附件变成工作流的起点。它最适合那些以前需要人看一眼、点几下、再把结果录回系统的工作。下一步的判断很简单：找一条你已经熟悉、可以量化验收的流程，让 Terra 先跑一小段，再用真实失败记录决定要不要扩大范围。