# GPT-6.1 Terra 的 48 分，说明不了它该点哪个按钮

**Summary:** GPT-6.1 Terra 在 Artificial Analysis 主要是文本的智能指数上拿到 48 分，最高推理强度下每任务基准成本 0.40 美元。我会先在真实图片上试它的视觉推理和电脑操作，看它能不能交出差错可控的结果，再决定要不要把生产任务交给它。

- Canonical: https://markhuang.ai/zh/news/gpt-6-1-terra-visual-score-gap
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-10-26
- Section: News
- Tags: GPT-6.1 Terra, OpenAI, 视觉推理, 电脑操作, 模型评测, AI 定价
- Source: [Artificial Analysis](https://artificialanalysis.ai/models/gpt-6-1-terra)
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![一块玻璃质地的光学立方体，正对着被条纹玻璃遮住的蓝色容器，旁边叠着一摞空白测试卡](https://cdn.markhuang.ai/news/gpt-6-1-terra-visual-score-gap/hero.webp)

*示意图：通用测试成绩之外，还留着一个没答的问题——它到底能看见什么。*

[Artificial Analysis 把 GPT-6.1 Terra 的发布日期列为 2026 年 10 月 26 日，最高推理强度下智能指数 48 分](https://artificialanalysis.ai/models/gpt-6-1-terra)，加权基准成本每任务 0.40 美元。页面上标的基础价格是每百万输入 Token 1 美元、每百万输出 Token 5 美元。如果产品本身要承担推理费用，这组数字足够让我留意它。

但真要把 Terra 当成通用替代品，我会先拿一个具体的视觉任务试试它。OpenAI 的[模型文档](https://developers.openai.com/api/docs/models/gpt-6.1-terra)把它的主打场景定在视觉推理、电脑操作和写作。智能指数主要测的是文本。所以我会先让它在自己该看懂的那类屏幕上跑一遍，再判断这 48 分是捡了便宜，还是做了妥协。

我也不会因为分数就把它划掉。做商品目录匹配或者屏幕自动化的人，真正关心的是：手上这批图片它能不能处理，这些判断它能不能做好。总分再高，也替不了这个判断。

## 这分数回答的是另一个问题

Artificial Analysis 的[方法论](https://artificialanalysis.ai/methodology/intelligence-benchmarking)写明，智能指数 v4.3.2 由 10 项评测组成，也明确说这套评测主要基于文本和英文，图像输入能力另有单独测评。指数里包含智能体任务和编程，对整体能力有参考价值，但不能直接拿来判断视觉交互。

OpenAI 列出的目标用途包括：把商品照片对到目录条目、读懂技术图纸、在应用界面上执行操作。这些是厂商在告诉你“去哪儿试用”。光看指数，我不知道它能不能分清两个长得差不多的商品，也不知道它会不会发现操作之后屏幕已经变了。

对我来说，把这两件事分开，比争论 48 分算不算高更有用。一个模型可以只适合某一类活，却仍然值得买，前提是它能拿出这项窄能力的证据。另外，来源页面的输出速度一栏是空白的，所以我没法把 OpenAI 说的“快”变成一条独立测出来的延迟数据。

## 中间这一档，得自己挣位置

Hacker News [发布讨论](https://news.ycombinator.com/item?id=50248646)里有个质疑我觉得挺在点上：为什么不选一个小模型多使劲跑，或者选个大模型少用点力？这话戳得挺准：凭什么要多花钱买中间档。Terra 剩下的任务，就是证明自己在某项具体活上能干得划算。

推理强度这一层，又让比较变得没那么简单。OpenAI 支持从 `none` 到 `max` 的设置，默认是 `medium`。Artificial Analysis 页面报的是最高强度的成绩。那 0.40 美元的基准任务成本，不该被当成产品按 medium 跑时的成本预估，更不能当作“一次成功完成的工作流要花多少钱”的承诺。

[Simon Willison 独立做的鹈鹕 SVG 对比](https://static.simonwillison.net/static/2026/openai-pelicans-october-2026.html)很能说明问题：就这么一个刻意压窄的小练习，光换一档设置，结果就差出这么多。Terra 在 max 下用了 22,629 个输出 Token，估算成本 11.32 美分；在 low 下是 1,026 个 Token、0.51 美分。生成 SVG 代码不等于看懂一张输入图片，单靠一条提示词也分不出模型高下。在认定 Terra 只有一个固定任务成本之前，我会先把各档强度比一遍。

## 我想在点错之前拦住它

做屏幕流程，我会把三件事拆开看：读懂屏幕、选择动作、确认结果。模型可能认对了控件，却挑了个不该做的动作；也可能动作挑对了，但没注意到什么都没发生。要是只给一个“这步过没过”的评分，这些失败很难查。

我的测试会专门放这几种屏幕：要找的控件根本不在，几个相似对象在抢注意力，或者刚才那张截图已经不是现在的界面了。这些是我打算设的用例，不是我在 Terra 身上真见到的失败。应用本身也得允许它在视觉证据不够时停下来。

这和我分析 [Jev 的边界框](https://markhuang.ai/news/jev-1-14-bounding-box-no-not-found)时说的是同一件事：给出一个能用的坐标，并不等于那个东西真的存在。把输入图片和预期结果一起留着，复核的人才能分清是看错了图，还是决策本身就错了。

商品目录匹配得用另一套验收标准。我会放一些根本没有对应条目的商品进去，再拿它选中的目录条目和已知答案对。解释得再顺，也救不回一个错配。我要比的是每一条被接受的匹配到底省了多少钱，算的时候还得把人工复核的时间加进去。

## 省下的钱，得撑过整个任务

Artificial Analysis 页面说，跑完整个智能指数一共用了 1.3 亿个输出 Token。这对理解最高强度下的成绩有帮助，但推不出一条普通回答有多长。我会在同一批视觉用例上，按不同推理强度各测一遍 Token 数和耗时，再把重试和人工复核算进成本。

那些能在可接受的花费和时间里达到质量线的任务，我会交给 Terra。目录匹配过关了，屏幕自动化还是得单独证明。这个价位上多一个候选，我挺乐意。但在让它动手之前，我想先看到证据：它真正会收到的那批图片，以及最后得由我兜底的那些结果。