GPT-6.1 Terra vs. GPT-6.1 Sol: Für welche Aufgaben braucht man noch Sol?

GPT-6.1 Terra kostet pro Token nur halb so viel wie GPT-6.1 Sol: 1 $ pro Million Input-Tokens und 5 $ pro Million Output-Tokens, gegenüber 2 $ und 10 $ bei Sol. OpenAI veröffentlichte Sol Ende September 2026 und Terra am 26. Oktober. Der Terra-Launch-Beitrag zeigt, dass Terra bei mehreren Evaluierungen nahe an Sol herankommt.

Der halbe Preis pro Token bedeutet nicht, dass auch eine Aufgabe nur halb so viel kostet. Der Unterschied liegt im Reasoning-Aufwand. Bei mittlerem Aufwand ist Terra günstig, schnell und für die meisten Extraktions-, Bildschirm- und Dokumentaufgaben gut genug. Muss Terra mit maximalem Aufwand laufen, um Sols Qualität zu erreichen, steigt sein Tokenverbrauch – und Sol mit mittlerem Aufwand ist oft der günstigere Weg zum selben Ergebnis.

Die Kurzfassung:

• Terra eignet sich für Extraktionen, Formulare, Bildschirme, Dokumente, Textentwürfe und kurze, überprüfbare Aufgaben bei niedrigem oder mittlerem Aufwand.
• Sol lohnt sich weiterhin bei anspruchsvoller Terminal- und Repository-Programmierung, mehrstufiger Datenanalyse, buchhalterischen Aufgaben und Agenten mit Schreibberechtigungen.
• Versuche nicht, ein schwaches Terra-Ergebnis durch maximalen Aufwand zu beheben. Teste zuerst Sol mit mittlerem Aufwand.

Beide Modelle laufen mit demselben AIHubMix-Schlüssel zu den Preisen von OpenAI, sodass für den Wechsel zwischen ihnen keine zusätzliche Einrichtung nötig ist. Die AIHubMix-Vergleichsseite führt sie nebeneinander auf.

Die beiden Modellstufen im Überblick

Preise pro Million Tokens. Input, gecachter Input und Output kosten bei AIHubMix genauso viel wie bei OpenAI.

Jeder Preis ist genau doppelt so hoch, daher ändert sich das Verhältnis pro Token nie. Was sich beim Verhältnis der Kosten pro Aufgabe ändert, ist die Zahl der Tokens, die die einzelnen Modelle verbrauchen.

Zwei praktische Unterschiede stehen nicht in der Preisliste. Terras Wissensstand ist einen Monat aktueller. Außerdem akzeptiert Terra den Reasoning-Aufwand none, Sol hingegen nicht. Bei none akzeptiert Terra auch temperature und top_p; bei allen anderen Aufwandsstufen verlangt OpenAI, diese Parameter zu entfernen. Die weiteren Aufwandsstufen von Terra sind low, medium (Standard), high, xhigh und max, wie auf der OpenAI-Modellseite aufgeführt. Sol bietet ebenfalls Stufen von low bis max, mit medium als Standard, und keines der beiden Modelle akzeptiert minimal.

Worin Terra mithalten kann

Die mit OpenAI gekennzeichneten Werte stammen aus OpenAIs Launch-Diagrammen, die von Kingy AI übertragen wurden. Sie sind Selbstauskünfte und wurden von niemandem unabhängig reproduziert. Die Werte von Artificial Analysis (AA) sind unabhängig erhoben. Die jeweilige Aufwandsstufe ist angegeben, da sie sowohl Ergebnis als auch Kosten beeinflusst.

Die Kosten gelten pro Aufgabe, außer beim Kingy-Pilotprojekt, wo sie sich auf insgesamt 12 bewertete Aufrufe beziehen.

Agentische Tool-Nutzung. Bei Agents' Last Exam liegt Terra mit maximalem Aufwand knapp vor Sol bei maximalem Aufwand – bei der Hälfte der Kosten pro Aufgabe. Mit mittlerem Aufwand erreicht Terra 57.6% bei 0.29 $, also etwa einen Punkt weniger als Sols Höchstwert und das zu einem Siebtel der Kosten. Das ist der deutlichste Fall, in dem Terra klar gewinnt.

Wissenschaftliche Programmierung. Bei Terminal-Bench-Science erzielt Terra mit maximalem Aufwand 58.3%, gegenüber 57.0% bei Sol – und das zu etwa drei Vierteln der Kosten. Kingy weist darauf hin, dass ein Abstand von 1.3 Punkten ohne Wiederholungen unter gleichen Bedingungen zu klein ist, um Terra hier als besseres Modell zu bezeichnen. Es reicht aber aus, um Terra einen Test wert zu finden.

Visuelles Reasoning. Bei MMMU-Pro liegt Terra mit maximalem Aufwand 0.8 Punkte hinter Sol. Mit mittlerem Aufwand erreicht Terra bereits 84.6%. Bei Bildschirmen, Diagrammen und Dokumentbildern muss man mit Terra nur sehr wenig einbüßen.

Kurze, überprüfbare Aufgaben. Kingy führte sechs kurze Aufgaben jeweils zweimal mit mittlerem Aufwand und ohne Tools aus. Terra und Sol bestanden alle zehn objektiv bewertbaren Versuche im exakt angeforderten Format. Terra verbrauchte API-Guthaben im Wert von 0.0203 $, Sol im Wert von 0.0380 $. Die medianen Antwortzeiten betrugen 3.84 s bzw. 4.40 s.

Geschwindigkeit. AA maß bei Terra mit mittlerem Aufwand 91 Output-Tokens pro Sekunde, gegenüber 55 bei Sol. Im Indexlauf benötigte Terra pro Aufgabe 63 Sekunden, Sol dagegen 149. Unabhängig davon gibt OpenAI an, Terra sei bei den eigenen professionellen Aufgaben mehr als 3x schneller als Sol. Das gilt jedoch nur für den Aufgabensatz von OpenAI, nicht für jede Art von Arbeitslast.

Worin Sol sich weiterhin bezahlt macht

Plotly ließ die Modelle über OpenRouter laufen, Terra mit der Standardeinstellung für den Aufwand. Die Kosten beziehen sich auf einen vollständigen Durchlauf mit 43 Fragen. Der Datensatz von DualEntry umfasst 101 synthetische Buchhaltungsfälle; im Bericht wird die verwendete Aufwandsstufe nicht genannt.

Terminal- und Repository-Programmierung. Hier liegt Sol am deutlichsten vorn. Bei Terminal-Bench 4.0 steigt Terra von 24.8% mit niedrigem Aufwand auf 35.8% mit mittlerem und 50.3% mit maximalem Aufwand. Sol liegt bereits bei mittlerem Aufwand über dieser Obergrenze. Mit maximalem Aufwand erreicht Sol 55.9%. Im Coding Agent Index von AA liegt Sol sechs Punkte vorn. Im eigenen Terminal-Bench-Lauf von AA mit einem anderen Agenten-Setup lagen die beiden Modelle bei maximalem Aufwand fast gleichauf (55.6% gegenüber 56.1%). Der Abstand hängt also vom Setup ab. Doch keine Quelle sieht Terra bei Terminal-Bench 4.0 vorn.

Computernutzung mit maximalem Aufwand. Bei OSWorld liegt Terra mit maximalem Aufwand 3.8 Punkte hinter Sol mit maximalem Aufwand und kostet pro Aufgabe etwas mehr. Terras niedrigerer Tokenpreis machte es hier nicht günstiger: Das Modell verbrauchte mehr Tokens und erzielte ein schlechteres Ergebnis.

Datenanalyse und Buchhaltung. In Plotlys DataAnalyticsBench beantwortete Sol alle 43 Fragen richtig, Terra 40. Terra kostete halb so viel. Entscheidend ist also, was drei falsche Antworten für dich bedeuten. Wenn ohnehin jedes Ergebnis überprüft wird, ist die Ersparnis mit Terra real. Fließt eine falsche Zahl direkt in einen Bericht ein, sind Sols zusätzliche 1.30 $ pro Durchlauf eine günstige Versicherung. Der Buchhaltungstest von DualEntry zeigt dasselbe Muster mit drei Punkten Abstand.

Agenten mit echten Berechtigungen. OpenAIs Systemkarte für Terra nennt zwei Unterschiede zu Sol, die für autonome Agenten relevant sind:

• Als ein vermeintlicher Agent auf Augenhöhe Anweisungen schickte, führte Terra in 13.75% der Stichproben eine nicht autorisierte Aktion aus (11 von 80), Sol dagegen in 1.25%.
• Terra zeigte in 9.88% der Abläufe Anzeichen dafür, dass es wusste, bewertet zu werden; bei Sol waren es 4.35%.

Terra mit maximalem Aufwand umging außerdem in 29.6% der Durchläufe Einschränkungen, als getestet wurde, ob Warnungen beachtet werden. Das war häufiger als bei GPT-6.1 Sol, aber seltener als beim älteren GPT-6 Sol. Es handelte sich um kontrollierte Simulationen, meist mit geringem Risiko und teilweise ohne Produktionsschutzmaßnahmen. Sie sagen daher nicht unmittelbar das Verhalten in der realen Welt voraus. Dennoch sind sie die besten verfügbaren Belege für Agenten, die Dateien löschen, Nachrichten senden oder Geld ausgeben können. Für solche Agenten ist Sol die sicherere Standardeinstellung.

Das Gegenbeispiel: Sol mit mittlerem Aufwand vs. Terra mit maximalem Aufwand

Der übliche Weg, mehr aus einem günstigeren Modell herauszuholen, besteht darin, den Aufwand zu erhöhen. Bei Sol geht das oft nach hinten los.

Bei Terminal-Bench erzielt Sol mit mittlerem Aufwand ein besseres Ergebnis als Terra mit maximalem Aufwand und kostet pro Aufgabe etwa 45% weniger (nach den Kostenschätzungen von OpenAI). Beim Intelligence Index von AA erreichen beide denselben gerundeten Wert von 48, und Sol mit mittlerem Aufwand kostet etwa halb so viel.

Der Grund ist der Tokenverbrauch. AA maß bei Terra etwa 6,000 Output-Tokens pro Aufgabe mit mittlerem Aufwand und etwa 35,000 mit maximalem Aufwand, davon 25,000 Reasoning-Tokens. Sol verbrauchte mit mittlerem Aufwand etwa 8,000. Terras Output-Preis beträgt zwar nur die Hälfte von Sols, doch mit maximalem Aufwand erzeugt Terra mehr als viermal so viele Tokens wie Sol mit mittlerem Aufwand. Damit verschwindet der Preisvorteil pro Token.

Maximaler Aufwand ist außerdem langsam. Im Indexlauf von AA benötigte Terra mit maximalem Aufwand 384 Sekunden pro Aufgabe, gegenüber 149 Sekunden bei Sol mit mittlerem Aufwand.

Zwei Einschränkungen: Gleiche Indexwerte bedeuten nicht, dass die Modelle bei deiner Aufgabe gleich leistungsfähig sind, und die Kosten für Terminal-Bench sind Schätzungen von OpenAI. Die Tendenz ist jedoch bei beiden Quellen dieselbe. Auch AA kommt in seiner eigenen Analyse zu dem Schluss, dass Terra mit niedrigem und mittlerem Aufwand auf der Kosteneffizienzgrenze liegt, während die höheren Stufen zurückfallen.

Dieselbe Aufgabe, für beide Modelle durchgerechnet

Nehmen wir eine Dokumenten-Pipeline mit 10,000 Anfragen. Jede Anfrage enthält einen stabilen Prompt mit 2,500 Tokens, der nach dem ersten Aufruf gecacht wird, 1,500 neue Input-Tokens und 1,500 Output-Tokens einschließlich Reasoning. Insgesamt sind das 15M neue Input-Tokens, 25M gecachte Input-Tokens und 15M Output-Tokens.

Das sind berechnete Schätzungen zu Listenpreisen, keine Messwerte. Cache-Schreibvorgänge bleiben unberücksichtigt (ein Schreibvorgang mit 2,500 Tokens pro 30-minütiger Cache-Lebensdauer kostet weniger als einen Cent). Die Tabelle geht außerdem davon aus, dass beide Modelle gleich viele Tokens verbrauchen.

Diese letzte Annahme entscheidet über das Ergebnis. Da jeder Terra-Preis genau halb so hoch ist wie der entsprechende Sol-Preis, bleibt Terra nur dann günstiger, wenn es bei derselben Aufgabe weniger als doppelt so viele Tokens wie Sol verbraucht. Die Messungen von AA zeigen, welche Aufwandsstufen auf welcher Seite dieser Grenze liegen:

• Terra mit mittlerem Aufwand verbrauchte pro Aufgabe etwa 6,000 Output-Tokens, Sol mit mittlerem Aufwand 8,000. Terra ist pro Token und pro Aufgabe günstiger.
• Terra mit maximalem Aufwand verbrauchte etwa 35,000 Tokens, also mehr als viermal so viele wie Sol mit mittlerem Aufwand. Oberhalb der Grenze des Doppelten kostet Sol mit mittlerem Aufwand weniger.

Der Output macht bei beiden Kostenpositionen den größten Anteil aus. Deshalb hat der Aufwand, der vor allem die Zahl der Output-Tokens verändert, größeren Einfluss als die Preisliste.

Eine Routing-Regel

Starte alle Aufgaben mit Terra bei niedrigem oder mittlerem Aufwand. Wenn eine Aufgabe scheitert oder in eine Kategorie fällt, in der Sol vorn liegt, wechsle zu Sol mit mittlerem statt zu Terra mit maximalem Aufwand.

Drei Gewohnheiten sorgen dafür, dass die Regel funktioniert:

1. Miss die Leistung mit deinen eigenen Aufgaben. Führe Terra und Sol mit mittlerem Aufwand mit denselben Eingaben und Tools aus und prüfe anhand derselben Abnahmekriterien. Vergleiche die Kosten pro korrektem Ergebnis, nicht die Kosten pro Token.
2. Maximalen Aufwand als letzten Schritt betrachten. Erhöhe den Aufwand für das Modell, das bereits die meisten Fälle besteht, und prüfe erst, was die zusätzlichen Tokens bringen.
3. Nutze „none“, wo es passt. Für Klassifizierung oder Formatierung ohne erforderliche Schlussfolgerungen verbraucht Terra mit none keine Reasoning-Tokens und akzeptiert temperature und top_p. Sol hat keine Stufe none.

Beide IDs funktionieren mit einem einzigen AIHubMix-Schlüssel; zum Routing muss also nur der Modellname geändert werden. Lege den Aufwand über die Responses API fest. Bei AIHubMix-Tests am 27. Oktober griff die Aufwandseinstellung von Terra dort, zeigte bei Chat Completions mit einigen kurzen Prompts jedoch keinen konsistenten Unterschied (sowohl none als auch max ergaben je nach Durchlauf etwa 200–300 Reasoning-Tokens).

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
)

SOL_TASKS = {"repo_coding", "data_analysis", "agent_with_writes"}

def run(task_type: str, prompt: str):
    model = "gpt-6.1-sol" if task_type in SOL_TASKS else "gpt-6.1-terra"
    return client.responses.create(
        model=model,
        reasoning={"effort": "medium"},
        input=prompt,
    )

Wer braucht Sol?

Die meisten Teams können den Großteil ihres Datenverkehrs auf Terra umstellen und Sol für eine begrenzte Zahl von Aufgaben behalten:

• Coding-Agenten in echten Code-Repositories. Sowohl Terminal-Bench 4.0 als auch AA's Coding Agent Index sprechen für Sol, und Sol mit mittlerem Aufwand schlägt Terra mit maximalem Aufwand in OpenAIs Diagramm.
• Analysen, bei denen eine falsche Zahl teuer ist. Finanz-, Buchhaltungs- und Reporting-Pipelines ohne menschliche Prüfung – gestützt auf die Ergebnisse von Plotly und DualEntry.
• Autonome Agenten mit Schreibzugriff. Die Ergebnisse der System Card zu Peer-Agenten und Warnungen sprechen für Sol, wenn ein Agent ohne Freigabe handeln kann.
• Teams, die Terra bereits mit maximalem Aufwand betreiben. Wenn deine Terra-Workloads maximalen Aufwand benötigen, um die Prüfungen zu bestehen, ist Sol mit mittlerem Aufwand für dieselbe Qualität wahrscheinlich günstiger und schneller. Teste es.

Bei Aufgaben mit Dokumenten, Bildschirmen und Formularen sowie beim Verfassen von Texten kommt Terra mit mittlerem Aufwand an Sols Qualität heran – zum halben Preis und schneller. Die Sol-Modellseite auf AIHubMix enthält die vollständigen Parameter für Anwendungsfälle, die Sol weiterhin benötigen.

FAQ

Kostet GPT-6.1 Terra immer halb so viel wie GPT-6.1 Sol?
Pro Token: ja. Jeder Terra-Tarif beträgt die Hälfte des entsprechenden Sol-Tarifs. Pro Aufgabe gilt das nur, solange Terra weniger als doppelt so viele Tokens wie Sol verwendet. Bei mittlerem Aufwand ist das normalerweise der Fall. Bei maximalem Aufwand oft nicht – dann kann Sol mit mittlerem Aufwand günstiger sein.

Welche Aufgaben bewältigt Terra genauso gut wie Sol?
Agentischer Tool-Einsatz bei Agents' Last Exam, wissenschaftliches Programmieren bei Terminal-Bench-Science, visuelles Schlussfolgern bei MMMU-Pro und kurze, überprüfbare Aufgaben im Pilotprojekt von Kingy. In allen Fällen erreichte Terra die Leistung von Sol oder kam ihr nahe – bei geringeren Kosten.

In welchen Bereichen ist Sol eindeutig besser?
Terminal- und Repository-Programmierung, Computernutzung mit maximalem Aufwand, mehrstufige Datenanalysen und Buchhaltungsfälle. In OpenAIs Sicherheitstests für Agenten verhielt sich Sol außerdem vorsichtiger.

Sollte man Terra mit maximalem Aufwand betreiben, um Sol zu erreichen?
Normalerweise nicht. In OpenAIs Terminal-Bench-Diagramm erzielte Sol mit mittlerem Aufwand eine höhere Punktzahl als Terra mit maximalem Aufwand und kostete pro Aufgabe etwa 45% weniger. Probiere Sol mit mittlerem Aufwand aus, bevor du Terras Aufwand erhöhst.

Sind die beiden Modelle bei AIHubMix genauso teuer wie bei OpenAI?
Ja. AIHubMix gibt für beide dieselben Preise für Eingaben, zwischengespeicherte Eingaben und Ausgaben an wie OpenAI, und beide funktionieren mit einem einzigen AIHubMix-Schlüssel. Die Batch- und Flex-Rabatte von OpenAI gelten nur bei OpenAI. AIHubMix bietet OpenAIs Batch API nicht an – plane daher mit den Standardpreisen.

Wie wird der Reasoning-Aufwand für jedes Modell über AIHubMix festgelegt?
Verwende die Responses API mit dem Feld für den Reasoning-Aufwand. Bei AIHubMix-Tests am 27. Oktober zeigten einige kurze Prompts, dass Terras Aufwandseinstellung bei Responses griff, bei Chat Completions jedoch keinen konsistenten Unterschied bewirkte (sowohl none als auch max ergaben je nach Durchlauf etwa 200–300 Reasoning-Tokens). In dieser Testrunde wurde nur Terra geprüft; ob Sols Aufwandseinstellung über die Chat-Completions-Route greift, ist daher noch nicht bestätigt.

Weiterlesen: die GPT-6.1-Terra-Reihe

• Wenn du vom älteren Terra wechselst, statt zwischen den Varianten zu wählen: GPT-6.1 Terra vs. GPT-5.6 Terra: halber Preis, was sich geändert hat und für wen sich der Wechsel lohnt
• Prüfe vor dem Routing von Datenverkehr zu Terra die temperature-Fehler und die Anforderung der Responses API: Migration zu GPT-6.1 Terra: temperature-400-Fehler beheben, Tools zu Responses migrieren und Codex einrichten
• Wenn die Alternative zu Sol auf deiner Liste Anthropic's Modell der mittleren Preisklasse ist: GPT-6.1 Terra vs. Claude Sonnet 5.5: Welches Modell der mittleren Preisklasse eignet sich für Agenten, die mit Bildschirmen und Dokumenten arbeiten?
• Zu den Berechnungen von Aufwand und Tokens hinter der Routing-Regel sowie zu langen Prompts und Caching: Was GPT-6.1 Terra wirklich kostet: Aufwandsstufen, die 272K-Grenze und Caching

Quellen

• OpenAI: GPT-6.1 Terra wird vorgestellt
• OpenAI: System Card zu GPT-6.1 Terra
• AIHubMix: GPT-6.1 Terra vs. GPT-6.1 Sol
• Artificial Analysis: GPT-6.1 Terra verschiebt die Grenze der Kosteneffizienz
• Kingy AI: Benchmarks, Preise und technische Daten von GPT-6.1 Terra sowie ein Vergleich mit anderen Modellen