Was GPT-6.1 Terra wirklich kostet: Effort-Stufen, die 272K-Grenze und Caching

GPT-6.1 Terra wurde am 26. Oktober 2026 eingeführt und kostet 1 $ pro Million Input-Tokens sowie 5 $ pro Million Output-Tokens. Damit liegt der Input-Preis bei der Hälfte des Preises von GPT-5.6 Terra und der Output-Preis deutlich unter der Hälfte des dortigen Preises von 12 $. Der Listenpreis ist nur der Ausgangspunkt. Drei Faktoren bestimmen, was ein Terra-Workload tatsächlich kostet:

• Reasoning-Aufwand. Reasoning-Tokens werden als Output abgerechnet, und die Kosten unterscheiden sich je nach Effort-Stufe um ein Mehrfaches.
• Die 272K-Grenze. Sobald der Input einer Anfrage 272.000 Tokens überschreitet, wird die gesamte Anfrage zu einem höheren Satz abgerechnet.
• Caching. Für ein gecachtes Präfix fallen 5 % des normalen Input-Preises an. Wird das Präfix nicht im Cache gefunden oder neu geschrieben, kostet es den vollen Preis oder mehr.

Im Folgenden: ein vollständig aufgeschlüsselter Workload mit allen Annahmen, leicht zu übersehende Abrechnungsregeln, Kosten pro Aufgabe im Vergleich zu GPT-6.1 Sol, Claude Sonnet 5.5 und GPT-5.6 Terra sowie ein Python-Beispiel, das die Nutzungsdaten hinter deiner Rechnung protokolliert. AIHubMix stellt Terra als gpt-6.1-terra zu denselben Preisen wie OpenAI bereit.

Die Preisliste

Alle Preise in USD pro Million Tokens, laut OpenAI-Modellseite. Auf der Modellseite von AIHubMix sind dieselben Standardpreise für Input, Cache-Lesezugriffe und Output aufgeführt, aber keine Preise für Cache-Schreibvorgänge oder lange Kontexte. In der Caching-Dokumentation wird ein einheitlicher Schreibpreis zum 1,25-Fachen angegeben; ein Aufpreis für 12 Stunden ist dort nicht veröffentlicht.

OpenAI gibt einen Satz von Preisen an und legt die übrigen als Regel fest: Bei mehr als 272K Input-Tokens verdoppeln sich die Preise für Input und Cache, während der Output-Preis für die gesamte Anfrage um den Faktor 1,5 steigt. Dadurch kostet ein Schreibvorgang mit 12 Stunden Laufzeit 5,00 $. AIHubMix veröffentlicht für Terra keine Preise für lange Kontexte; daher ist nicht bestätigt, was der Gateway bei mehr als 272K berechnet.

OpenAI bietet außerdem Batch- und Flex-Verarbeitung mit 50 % Rabatt, den Fast-Modus zum doppelten Preis sowie regionale Verarbeitung mit einem Aufschlag von 10 % an. Das sind die Konditionen von OpenAI. AIHubMix stellt die Batch API von OpenAI nicht bereit (GET /v1/batches lieferte bei den Tests von AIHubMix am 27. Oktober den Status 404). Dieselben Tests ergaben, dass service_tier "flex" akzeptiert und als "flex" zurückgegeben wird und dass "priority" akzeptiert und als "fast" zurückgegeben wird. Laut den Konditionen von OpenAI entspricht das dem Fast-Modus zum doppelten Preis. In der Preisliste von AIHubMix für Terra sind nur Standardpreise aufgeführt; die tatsächlich abgerechneten Sätze sind also nicht bestätigt. Prüfe dein Nutzungsprotokoll, statt von einem Rabatt auszugehen.

Die später verglichenen Modelle zu offiziellen Preisen (bei AIHubMix dieselben):

Leicht zu übersehende Abrechnungsregeln

Reasoning-Tokens zählen als Output-Tokens. Gibt eine Anfrage nach 8.000 Reasoning-Tokens 2.000 sichtbare Tokens zurück, werden 10.000 Output-Tokens abgerechnet. Lies die Kosten aus dem Nutzungsobjekt ab, nicht anhand der Antwortlänge.

An der 272K-Grenze wird die gesamte Anfrage neu bepreist. Der höhere Satz gilt nicht nur für Tokens oberhalb von 272.000. Jedes Input-Token der Anfrage kostet doppelt so viel und jedes Output-Token 50 % mehr. So sieht die Rechnung an der Grenze aus, ohne Caching und mit jeweils 20.000 Output-Tokens:

11 % mehr Input verdoppeln ungefähr die Rechnung. Terra akzeptiert bis zu 922.000 Input-Tokens (Kontextfenster: 1.050.000); oberhalb von 272K fallen lediglich höhere Kosten an.

Cache-Schreibvorgänge sind nicht kostenlos. Bei GPT-5.6 und späteren Modellen wird das Schreiben eines Präfixes in den Cache zum 1,25-Fachen des Input-Preises für die standardmäßige Laufzeit von 30 Minuten und zum 2,5-Fachen für eine Laufzeit von 12 Stunden abgerechnet, die nur über die Responses API verfügbar ist. Lesezugriffe kosten bei Terra unabhängig von der gewählten Laufzeit das 0,05-Fache. Laut dem Leitfaden zum Prompt-Caching von OpenAI sind dies die Gesamtpreise und keine Aufschläge: Jedes Input-Token wird genau einmal abgerechnet – als normaler Input, Lesezugriff oder Schreibvorgang. Das Präfix muss mindestens 1.024 Tokens lang sein, um gecacht werden zu können.

Chat Completions und Responses verwenden bei AIHubMix getrennte Caches. Bei den Tests von AIHubMix wurde ein Präfix mit 9.623 Tokens im ersten Responses-Aufruf in den Cache geschrieben und bei den zweiten und dritten Aufrufen aus dem Cache gelesen. Dasselbe Präfix wurde unmittelbar danach an Chat Completions gesendet und erneut geschrieben, ohne Cache-Treffer. Bei gemischtem Datenverkehr zahlst du für beide Schreibvorgänge.

Effort-Einstellungen wirken sich bei AIHubMix nur über Responses aus. Bei der Responses API ergab ein Prompt zur Primzahlsumme bei Effort none 72 Output-Tokens und bei max 1.153, davon 1.078 Reasoning-Tokens. Bei Chat Completions machte reasoning_effort in denselben Tests keinen einheitlichen Unterschied (bei none und max waren es von Lauf zu Lauf jeweils rund 200–300 Reasoning-Tokens). Das deutet darauf hin, dass diese Route mit einer festen Effort-Stufe läuft. Wenn du mit einer niedrigeren Effort-Stufe Kosten sparen willst, sende diese Anfragen über Responses.

Die integrierte Websuche wird pro Aufruf abgerechnet. AIHubMix berechnet für web_search_requests 0,01 $ pro Aufruf zusätzlich zu den Token-Kosten.

Ein realistischer Monat, Position für Position berechnet

Nehmen wir einen Support- oder Dokumentenverarbeitungs-Workload mit 10.000 Anfragen pro Monat über die Responses API. Die Annahmen:

• Jede Anfrage enthält ein stabiles Präfix mit 2.500 Tokens (System-Prompt, Tool-Definitionen, Referenzregeln), das im Cache gefunden wird;
• jede Anfrage ergänzt 1.500 neue Input-Tokens (die Nachricht oder das Dokument des Nutzers);
• jede Anfrage gibt 1.500 Output-Tokens zurück, einschließlich Reasoning, bei mittlerem Effort (Terra-Standardeinstellung);
• jede Anfrage bleibt unter 272K Input, sodass die Standardsätze gelten;
• Cache-Schreibvorgänge sind in den Summen nicht berücksichtigt (siehe Hinweis unter der Tabelle).

Im Laufe des Monats sind das 25M gecachte Tokens, 15M neue Input-Tokens und 15M Output-Tokens.

Die Cache-Schreibvorgänge machen hier nur wenig aus. Bei jedem Schreiben des Präfixes mit 2.500 Tokens werden diese Tokens mit 1,25 $ pro Million statt mit 0,05 $ abgerechnet – etwa 0,003 $ zusätzlich pro Schreibvorgang.

Zwei Varianten zeigen, wohin das Geld fließt.

Ohne Caching. Wird das Präfix nie im Cache gefunden (weil es sich mit jeder Anfrage ändert oder der Datenverkehr über mehrere Routen verteilt ist), werden alle 40M Input-Tokens mit 1 $ abgerechnet: 40 $ für den Input plus 75 $ für den Output, insgesamt also 115 $. Durch Caching sparst du 23,75 $ pro Monat, etwa ein Fünftel der Rechnung.

Mit maximalem Effort. Artificial Analysis hat in seinem Intelligence Index bei mittlerem Effort etwa 6.000 Output-Tokens pro Aufgabe und bei maximalem Effort 35.000 gemessen, also ungefähr das 5,8-Fache. Skaliert man die 1.500 Output-Tokens im Verhältnis 35/6 hoch, ergibt das 8.750 pro Anfrage oder 87,5M pro Monat. Der Output kostet dann 87,5M x 5 $ = 437,50 $, und die Monatsrechnung beträgt 1,25 $ + 15,00 $ + 437,50 $ = 453,75 $, etwa das Fünffache der Rechnung bei mittlerem Effort. Maximaler Effort kostet weit mehr als der Wegfall des Cache-Treffers.

In jedem Fall macht der Output den größten Kostenanteil aus. Bei mittlerem Effort sind es 75 $ von insgesamt 91,25 $, also 82 % der Rechnung. Deshalb sollte man zuerst den Effort und nicht die Input-Preise prüfen.

Kosten pro Aufgabe im Vergleich zu Sol, Sonnet 5.5 und GPT-5.6 Terra

Derselbe Workload mit denselben Token-Mengen (25M gecachte Tokens, 15M neue Input-Tokens, 15M Output-Tokens), jedes Modell zu seinen offiziellen Preisen:

Bei gleicher Token-Menge kostet Terra halb so viel wie Sol und Sonnet 5.5 und etwa 42 % so viel wie GPT-5.6 Terra. Der Haken ist die gleiche Token-Menge: Modelle verwenden für dieselbe Aufgabe unterschiedlich viele Tokens für Reasoning, und Terra kann bei höherem Effort mehr Tokens verbrauchen als Sol bei niedrigerem.

Die gemessenen Kosten pro Aufgabe zeigen das. Die folgenden Werte stammen von Artificial Analysis, einem unabhängigen Benchmark, der jedes Modell bei der angegebenen Effort-Stufe mit seinem Intelligence Index getestet hat.

Für Sonnet 5.5 zeigt die Zeile die standardmäßige Konfiguration mit maximalem Effort von Artificial Analysis.

Daraus lassen sich drei Erkenntnisse ableiten. Terra mit mittlerem Effort ist die günstigste Zeile in der Tabelle, und Artificial Analysis stuft niedrigen und mittleren Effort bei Terra als Pareto-optimal ein. Reasoning auszuschalten sparte in diesem Test kein Geld: Ohne Reasoning lagen die Kosten bei 0,11 $ pro Aufgabe und der Wert bei 33. Am anderen Ende kostet Terra mit maximalem Effort (0,40 $) ungefähr so viel wie Sol mit xhigh (0,39 $), das besser abschneidet, und erreicht nur denselben Wert wie Sol mit mittlerem Effort – bei fast doppeltem Preis. Sonnet 5.5 erzielt den höchsten Wert, verbrauchte bei maximalem Effort aber etwa 197.000 Output-Tokens pro Aufgabe.

Andere veröffentlichte Tests weisen in dieselbe Richtung. Im Datenanalyse-Benchmark von Plotly, der mit der Standardeinstellung für Effort über OpenRouter ausgeführt wurde, erzielte Terra 40 von 43 Punkten bei 1,31 $ pro vollständigem Durchlauf. Sol kam auf 43 von 43 Punkten bei 2,61 $ und verbrauchte etwa 1.460 Output-Tokens pro Frage. In den eigenen Launch-Diagrammen von OpenAI, die auf Selbstauskünften beruhen und hier von Kingy AI transkribiert wurden, liegen die Aufgabenkosten von Terra mit maximalem Effort im Offline-Datensatz OSWorld 2.1 bei 1,19 $, gegenüber 1,15 $ für Sol. Bei Agentenaufgaben mit maximalem Effort kann Terras Preisvorteil pro Token verschwinden.

Wer mehr zahlt als erwartet

• Teams, die standardmäßig maximalen Effort verwenden. Bei denselben Anfragen kann die Rechnung fünfmal so hoch ausfallen wie bei mittlerem Effort. Codex-Nutzer berichten auf Reddit, dass Terra mit hohem Effort ihre Planlimits schnell aufbraucht; eine Person gab an, dass in 20 Minuten 40 % eines Fünf-Stunden-Limits verbraucht waren. Das sind einzelne Erfahrungsberichte, sie passen aber zu den obigen Token-Mengen.
• RAG mit langem Kontext nahe 272K. Fügt ein Abrufschritt gelegentlich ein paar zusätzliche Textabschnitte hinzu, werden manche Anfragen die Grenze überschreiten und kosten dann ungefähr doppelt so viel.
• Gemischter Datenverkehr über Chat Completions und Responses. Die beiden Routen verwenden bei AIHubMix getrennte Caches. Dasselbe Präfix wird also zweimal geschrieben, und Effort-Einstellungen auf der Chat-Route zeigen keine sichtbare Wirkung.

So senkst du die Rechnung

1. Lege den Effort je nach Workload fest, nicht für das gesamte Konto. Beginne mit mittlerem Effort, der Standardeinstellung von Terra, und teste niedrigen Effort oder none bei einfachen Aufgaben wie Extraktion, Klassifizierung und Formatierung. Miss Qualität und Kosten mit deinen eigenen Prompts, denn im Test von Artificial Analysis war none nicht günstiger als mittlerer Effort. Verwende hohen oder maximalen Effort nur bei Anfragen, die mit mittlerem Effort scheitern.

2. Platziere das stabile Präfix an den Anfang und verwende durchgehend dieselbe Route. Setze System-Prompt, Tool-Definitionen und Referenzmaterial an den Anfang jeder Anfrage, immer in derselben Reihenfolge. Alles, was sich ändert (Nutzereingaben, Zeitstempel, abgerufene Textabschnitte), folgt danach. Ein Präfix muss mindestens 1.024 Tokens umfassen, um gecacht werden zu können. Sende den Workload über eine einzige Route. Bei AIHubMix solltest du Responses verwenden, wo die Effort-Einstellung wirksam ist.

3. Nutze den expliziten Modus, damit du nicht für Schreibvorgänge zahlst, die du nicht wiederverwendest. Wenn prompt_cache_options.mode auf "explicit" gesetzt ist, werden nur die von dir markierten Breakpoints geschrieben. Inhalte nach dem letzten Breakpoint werden zum regulären Input-Tarif abgerechnet, ohne Schreibgebühr – ideal für Material pro Anfrage wie die Frage des Nutzers. Im expliziten Modus wird ohne Breakpoint überhaupt nichts gecacht; die Prüfungen von AIHubMix bestätigten, dass bei einer solchen Anfrage nichts geschrieben wurde.

4. Wähle die Cache-Laufzeit anhand einer Rechnung. Pro Million Prefix-Tokens kostet ein Schreibvorgang mit 30 Minuten Laufzeit $1.25 und einer mit 12 Stunden $2.50; Lesevorgänge kosten in beiden Fällen $0.05. Wenn es aufgrund von Verkehrslücken bei 30-Minuten-Caching innerhalb von 12 Stunden zu drei oder mehr Schreibvorgängen für das Prefix käme ($3.75 oder mehr), ist ein einzelner Schreibvorgang mit 12 Stunden Laufzeit günstiger. Bei zwei Schreibvorgängen ($2.50) sind die Kosten gleich. Bei konstantem Traffic, der den 30-Minuten-Eintrag aktiv hält, solltest du bei 30 Minuten bleiben. Die Prüfungen von AIHubMix bestätigten, dass die Einstellung für 12 Stunden auf Terra funktioniert: Ein Prefix mit 9,020 Tokens wurde beim ersten Aufruf als ttl_12h_tokens geschrieben; beim zweiten Aufruf wurden 9,007 dieser Tokens gelesen.

5. Bleib unter 272K Input-Tokens. Begrenze den Abruf anhand eines Tokenbudgets statt anhand der Anzahl der Textabschnitte, entferne veraltete Gesprächsrunden und fasse lange Verläufe zusammen, bevor sie den Grenzwert überschreiten. OpenAI dokumentiert außerdem eine Kompaktierungsfunktion für lange Kontexte, die AIHubMix auf Terra noch nicht geprüft hat.

6. Ändere den Effort-Level mit configuration_update, nicht über das Anforderungsfeld. Der GPT-6-Leitfaden für Modelle von OpenAI empfiehlt, den Effort-Level auf Anfrageebene unverändert zu lassen und ein configuration_update-Eingabeelement hinzuzufügen, um ihn während einer Unterhaltung zu erhöhen oder zu senken. Bei den Prüfungen von AIHubMix am 27. Oktober wurde ein configuration_update-Element auf Terra akzeptiert (200).

7. Protokolliere die Nutzungsfelder in jeder Antwort. Die für eine Terra-Rechnung relevanten Felder sind input_tokens_details.cached_tokens (abgerechnete Lesevorgänge), cache_write_tokens samt Aufschlüsselung in ttl_30m_tokens und ttl_12h_tokens sowie output_tokens_details.reasoning_tokens. Teile die Gesamtzahl der gecachten Tokens durch die Gesamtzahl der Input-Tokens, um die Cache-Trefferrate zu berechnen, aufgeschlüsselt nach Tag oder Funktion.

Kosten pro Anfrage in Python protokollieren

Das Beispiel verwendet das OpenAI SDK mit dem Responses-Endpunkt von AIHubMix. Es legt den Reasoning-Effort fest, übergibt prompt_cache_options über extra_body und gibt die Nutzungsfelder mit geschätzten Kosten zu den Standardtarifen aus. Die Einrichtungsschritte findest du in der Responses-API-Dokumentation von AIHubMix; das Cache-Verhalten am Gateway wird in der Cache-Dokumentation von AIHubMix erläutert.

import os
from openai import OpenAI

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

# Keep this identical across requests so it can be cached (1,024+ tokens).
STABLE_PREFIX = open("support_rules.txt").read()

# Terra standard rates, USD per 1M tokens, input up to 272K.
PRICE = {"input": 1.00, "cached": 0.05, "write_30m": 1.25,
         "write_12h": 2.50, "output": 5.00}

resp = client.responses.create(
    model="gpt-6.1-terra",
    reasoning={"effort": "low"},  # none, low, medium, high, xhigh, max
    input=[
        {"role": "developer", "content": STABLE_PREFIX},
        {"role": "user", "content": "Classify this ticket: refund not received."},
    ],
    extra_body={"prompt_cache_options": {"ttl": "30m"}},  # or "12h"
)

u = resp.usage.model_dump()
inp = u["input_tokens_details"]
cached = inp.get("cached_tokens", 0)
writes = inp.get("cache_write_tokens", 0)
by_ttl = inp.get("cache_write_tokens_details") or {}
w12 = by_ttl.get("ttl_12h_tokens", 0)
w30 = writes - w12
ordinary = u["input_tokens"] - cached - writes
reasoning = u["output_tokens_details"].get("reasoning_tokens", 0)

cost = (ordinary * PRICE["input"] + cached * PRICE["cached"]
        + w30 * PRICE["write_30m"] + w12 * PRICE["write_12h"]
        + u["output_tokens"] * PRICE["output"]) / 1_000_000

print(f"input={u['input_tokens']} cached={cached} writes={writes} (12h={w12})")
print(f"output={u['output_tokens']} reasoning={reasoning}")
print(f"estimated cost=${cost:.6f}")

Die Formel folgt dem Caching-Leitfaden von OpenAI: Der reguläre Input entspricht input_tokens minus cached_tokens minus cache_write_tokens; die Gesamtzahl der Schreib-Tokens wird nicht zusätzlich zu ihren Bestandteilen addiert. Bei mehr als 272,000 Input-Tokens gelten die Long-Context-Tarife ($2, $0.10, $2.50 für Schreibvorgänge mit 30 Minuten Laufzeit, $5 für Schreibvorgänge mit 12 Stunden Laufzeit, $7.50 für Output). Sende dasselbe Prefix zweimal innerhalb von 30 Minuten; in der zweiten Antwort sollte es unter cached_tokens erscheinen. Ist das nicht der Fall, hat sich etwas am Prefix geändert.

FAQ

Ist GPT-6.1 Terra bei AIHubMix günstiger als bei OpenAI?
Nein. AIHubMix gibt dieselben Standardtarife an: $1 für Input, $0.05 für Cache-Lesevorgänge und $5 für Output pro Million Tokens. Für Terra werden keine Preise für Schreibvorgänge oder lange Kontexte aufgeführt. Daher gelten die Schreibtarife von $1.25 und $2.50 sowie die verdoppelten Tarife oberhalb von 272K gemäß den Bedingungen von OpenAI – bis dein Nutzungsprotokoll bestätigt, was das Gateway berechnet.

Gibt es den Batch- oder Flex-Rabatt über AIHubMix?
Nicht als bestätigte Option. Der Batch- und Flex-Rabatt von 50% stammt von OpenAI, und AIHubMix bietet OpenAIs Batch API nicht an. Flex-Anfragen wurden bei den Prüfungen von AIHubMix akzeptiert, doch in der Preisliste von AIHubMix sind für Terra nur die Standardtarife aufgeführt. Prüfe also dein Nutzungsprotokoll, bevor du mit einem niedrigeren Preis rechnest.

Verursachen Reasoning-Tokens zusätzliche Kosten?
Sie werden als Teil von output_tokens zum Output-Tarif von $5 pro Million Tokens abgerechnet. Das Nutzungsobjekt weist sie separat als reasoning_tokens aus, damit du sehen kannst, welcher Anteil des Outputs auf das Reasoning entfiel.

Was passiert bei einer Anfrage mit 280,000 Input-Tokens?
Die gesamte Anfrage wird zu den Long-Context-Tarifen abgerechnet: $2 pro Million Input-Tokens, $0.10 für gecachte Tokens und $7.50 für Output. Nicht nur die 8,000 Tokens oberhalb des Grenzwerts.

Lohnt sich der 12-Stunden-Cache?
Nur dann, wenn ein 30-Minuten-Eintrag innerhalb von 12 Stunden andernfalls mindestens dreimal geschrieben würde. Ein Schreibvorgang mit 12 Stunden Laufzeit kostet $2.50 pro Million Tokens, verglichen mit $1.25 bei 30 Minuten; Lesevorgänge kosten in beiden Fällen $0.05.

Warum kostet maximaler Effort so viel mehr?
Artificial Analysis maß bei maximalem Effort etwa 35,000 Output-Tokens pro Aufgabe, gegenüber 6,000 bei mittlerem Effort; die Kosten pro Aufgabe stiegen von $0.10 auf $0.40. Im obigen Rechenbeispiel steigt der Monatsbetrag beim Wechsel von mittlerem zu maximalem Effort von $91.25 auf $453.75.

Kostet Terra immer halb so viel wie Sol?
Pro Token: ja. Pro Aufgabe: nicht immer. Terra mit maximalem Effort kostet pro Aufgabe ungefähr so viel wie Sol mit xhigh in den Tests von Artificial Analysis, und Sol erzielte dort eine höhere Punktzahl.

Lies weiter: die GPT-6.1-Terra-Reihe

• Wenn du sehen möchtest, was der halbe Preis im Vergleich zum ersetzten Modell bietet: GPT-6.1 Terra vs. GPT-5.6 Terra: halber Preis – was hat sich geändert und für wen lohnt sich der Wechsel?
• Bevor du den Traffic auf Responses umstellst, damit Effort-Einstellungen und Caching funktionieren: Migration zu GPT-6.1 Terra: 400-Fehler bei temperature beheben, Tools zu Responses verschieben und Codex einrichten
• Wenn du Terra mit einem Konkurrenten abwägst, dessen Tokenpreis doppelt so hoch ist: GPT-6.1 Terra vs. Claude Sonnet 5.5: Welches Mid-Tier-Modell eignet sich für Screen- und Dokumenten-Agenten?
• Wenn Terra mit maximalem Effort pro Aufgabe so viel kostet wie Sol: GPT-6.1 Terra vs. GPT-6.1 Sol: Für welche Aufgaben braucht man noch Sol?

Quellen

• OpenAI, GPT-6.1-Terra-Modellseite: Preise, Long-Context-Regel, Kontextlimits und Effort-Level.
• OpenAI, Leitfaden zum Prompt-Caching: Schreib- und Lesetarife, Cache-Laufzeiten, expliziter Modus und Nutzungsfelder.
• AIHubMix, GPT-6.1-Terra-Modellseite: Preise und Zugriff bei AIHubMix.
• Artificial Analysis, GPT-6.1 Terra verschiebt die Grenzen der Kosteneffizienz: Kosten und Output-Tokens pro Aufgabe nach Effort-Level.
• Kingy AI, GPT-6.1 Terra: Benchmarks, Preise, technische Daten und Vergleiche: Preisstufen, Beispiel zur 272K-Grenze und transkribierte Werte aus OpenAIs Diagramm.