GPT-6.1 Terra vs. Claude Sonnet 5.5: ¿Qué modelo de gama media elegir para agentes de pantalla y documentos?

OpenAI lanzó GPT-6.1 Terra el 26 de octubre de 2026, cuatro semanas después de que Anthropic publicara Claude Sonnet 5.5. La publicación de lanzamiento de OpenAI comparó Terra con Claude Opus 5.5, pero la cobertura trazó otra línea. The Decoder calificó a Terra como «el competidor más cercano de OpenAI a la serie Sonnet de gama media de Anthropic, por la mitad de precio», y AlphaCorp describió a Terra frente a Sonnet como «la verdadera batalla por la gama media». GPT-6.1 Sol y Sonnet 5.5 comparten la misma tarifa de $2 / $10, así que un equipo que elija un modelo de gama media este mes en realidad está decidiendo entre Terra, a $1 / $5, y Sonnet, a $2 / $10.

Esta publicación resuelve esa elección para un tipo de trabajo: el agente de pantalla y documentos. El agente lee una factura, un formulario o una captura de pantalla, extrae los campos y los introduce en otra aplicación. Cada paso es breve y verificable, y se ejecuta miles de veces al día. En esa tarea, los dos modelos destacan en aspectos distintos. Sonnet 5.5 completa más pruebas de referencia difíciles para agentes, incluida la prueba de uso de ordenador del propio lanzamiento de OpenAI. Terra cuesta la mitad por token, utilizó muchos menos tokens por tarea en pruebas independientes y, en un pequeño piloto, siguió formatos de salida estrictos con mayor fiabilidad.

En pocas palabras: para pasos de gran volumen cuya salida se puede verificar, empieza con Terra. Para largas sesiones de escritorio desatendidas, en las que el coste de un fallo supera el de los tokens, Sonnet 5.5 justifica su precio. Ambos funcionan con una sola clave a través de AIHubMix, con los mismos precios que en las API de los proveedores; la página del modelo GPT-6.1 Terra contiene los detalles.

De qué trata esta comparación

Un paso de un agente de pantalla o documentos suele ser así:

• Entrada: un prefijo estable (prompt del sistema, esquema de salida, definiciones de herramientas) que se repite en cada llamada, más contenido nuevo: una imagen de una página, una captura de pantalla o texto extraído.
• Salida: una respuesta estructurada breve, como campos JSON o la siguiente acción en la interfaz.
• Volumen: de miles a cientos de miles de pasos, cada uno verificado mediante código antes de que se escriba nada en sistemas posteriores.

Cuatro factores determinan la elección del modelo: campos correctos, una salida que se pueda analizar sin limpieza, coste por cada mil pasos y tiempo por paso. La capacidad de completar tareas de larga duración importa menos cuando cada paso es corto y se verifica, y mucho más cuando el agente maneja un escritorio durante decenas de acciones sin que nadie lo supervise.

Ambos modelos aceptan texto e imágenes como entrada y se ajustan a este formato. Estas son las especificaciones relevantes:

Los precios son las tarifas oficiales por millón de tokens; AIHubMix cobra lo mismo por ambos modelos. El esfuerzo predeterminado de Sonnet es el predeterminado de Claude Platform. Terra cobra una solicitud completa a 2x la tarifa de entrada y 1.5x la de salida cuando la entrada supera los 272K tokens, algo que no ocurrirá en el paso dedicado a un documento de una sola página.

Un aspecto práctico para los agentes de pantalla: OpenAI documenta las llamadas a herramientas de Terra, incluida la herramienta integrada de ordenador, como una función de la API Responses. En las comprobaciones de AIHubMix del 27 de octubre, Terra devolvió una acción computer_call en el endpoint Responses al recibir la herramienta de ordenador y una captura de pantalla, así que esa vía funciona a través de AIHubMix.

En qué destaca Sonnet 5.5: completar tareas difíciles de agentes

Las cifras de referencia que aparecen a continuación provienen de tres fuentes, que mantenemos separadas a propósito. Los gráficos de lanzamiento de OpenAI, transcritos por Kingy, son cifras autodeclaradas que nadie ha reproducido de manera independiente. Las cifras de lanzamiento de Anthropic para Sonnet 5.5 también son autodeclaradas. Artificial Analysis (AA) es un evaluador independiente. Cada cifra incluye el nivel de esfuerzo cuando la fuente lo especifica.

Empecemos por los propios gráficos de OpenAI, donde Sonnet 5.5 aparece como referencia:

Las cifras de Sonnet 5.5 corresponden a sus resultados con esfuerzo máximo, tal como aparecen en los gráficos de OpenAI. Los costes por tarea son estimaciones de OpenAI.

OSWorld 2.1 es una prueba de referencia de uso de ordenador, la prueba pública más cercana a un agente de pantalla. En el conjunto sin conexión de OpenAI, Sonnet 5.5 aventaja a Terra con esfuerzo máximo por 9.7 puntos. Terra con esfuerzo medio, que es el nivel predeterminado, queda 17.2 puntos por detrás.

La página de lanzamiento de Sonnet 5.5 de Anthropic informa que su propia ejecución de OSWorld 2.1 obtuvo un 80.1%, marcado como «parcial», y un 70.6% en Terminal-Bench 4.0. Esa ejecución de OSWorld se realizó en una configuración distinta del conjunto sin conexión de OpenAI, por lo que el 80.1% y el 83.9% no son comparables entre sí; tampoco se debe comparar ninguno de ellos con la puntuación de Terra obtenida en la prueba del otro proveedor. Los materiales de ambos proveedores apuntan a lo mismo: Sonnet 5.5 destaca en tareas de agentes para ordenador y terminal.

Artificial Analysis probó ambos modelos en su propio entorno:

Las cifras de Sonnet 5.5 de AA corresponden a su configuración de esfuerzo máximo con alternativa de respaldo, tal como la etiqueta AA.

Las pruebas independientes siguen situando a Sonnet por delante en tareas de agentes: por 12 puntos en AutomationBench-AA y 8 en la prueba de Terminal-Bench de AA. Dos resultados rompen el patrón. En AA-LCR, una prueba de razonamiento con contexto largo, ambos empatan con un 83%. En GDP.pdf, Terra queda ligeramente por delante, con un 29% frente a un 26%. Ninguno de esos resultados convierte a Terra en el modelo más sólido, pero tampoco muestra que Sonnet se distancie como lo hace en las pruebas de agentes.

No interpretes nada de esto como si Terra superara a Sonnet en el uso de ordenador. En todas las pruebas de uso de ordenador y de agentes de esta publicación, Sonnet 5.5 obtiene una puntuación más alta.

En qué destaca Terra: coste por tarea, velocidad y rigor en la salida

La misma prueba de AA midió cuánto gastó cada modelo para obtener su puntuación:

Sonnet 5.5 utilizó más de cinco veces los tokens de salida por tarea que Terra, y cada uno de esos tokens cuesta el doble. El resultado es un coste por tarea inferior a una décima parte del de Sonnet ($0.40 frente a $5.46) y un tiempo de aproximadamente el 43% del medido por AA por tarea (384 segundos frente a 901; AA cuenta el tiempo de generación, no la espera antes del primer token). El flujo de salida de Sonnet es, de hecho, más rápido: 141 tokens de salida por segundo frente a los 91 de Terra en la misma prueba. Así que la ventaja de tiempo de Terra se debe a que escribe menos tokens, no a que el modelo sea más rápido. Sonnet obtuvo ocho puntos más en el índice con ese gasto. Que esos ocho puntos valgan casi 14 veces el coste depende de cuánto te cueste un paso fallido.

El gráfico de Terminal-Bench de OpenAI muestra la misma disyuntiva desde el otro lado: Sonnet obtiene un 70.6% a $10.44 por tarea, frente al 50.3% de Terra, a $1.84 con esfuerzo máximo. Kingy planteó claramente la cuestión comercial: cuánto vale una mayor tasa de finalización una vez que se tienen en cuenta los reintentos y la revisión humana.

Para tareas de pantalla y documentos, los datos independientes más relevantes son los del piloto de Kingy del 26 de octubre. Fue pequeño: seis tareas breves, con dos intentos cada una, esfuerzo medio y sin herramientas. Una tarea consistía en extraer campos de la imagen de una factura sintética; las otras pedían JSON, Python o SQL en un formato exacto.

Los tiempos de solicitud incluyen la red y la demora del proveedor.

Ambos modelos acertaron todas las respuestas. La diferencia estuvo en la entrega. Sonnet añadió cálculos aritméticos antes del JSON en los dos intentos de una tarea y encerró sus respuestas de Python y SQL entre bloques de código Markdown, algo que los prompts prohibían. Kingy señala que un analizador de producción o una salida estructurada forzada podrían gestionar algunos de esos envoltorios, pero no probó esas soluciones. Sin embargo, en una cadena de procesamiento donde el código analiza cada paso, un modelo que devuelve JSON sin adornos, sin tener que insistirle, permite ahorrar un reintento o un paso de limpieza. Terra lo hizo en los diez intentos, con un coste de créditos de aproximadamente el 41% del de Sonnet. En este piloto, Sonnet respondió más rápido en cada solicitud.

Hay otro dato que circula mucho, y debe leerse exactamente como lo que es: una sola anécdota. atomic.chat dio a equipos de ocho agentes el mismo prompt para crear un juego pequeño. Terra terminó en 6 minutos por $1.06; Sonnet 5.5 tardó una hora y costó $18.10, y atomic.chat consideró que el juego de Sonnet era «mucho mejor». Como no se publicaron los ajustes de la prueba, por sí sola no demuestra nada, pero coincide con el patrón anterior: Sonnet gasta más y a menudo ofrece más.

Cuánto cuesta la tarea con cada modelo

Un ejemplo práctico con precios de lista y el mismo número de tokens para ambos. Tomemos 10,000 pasos de documentos. Cada paso envía un prefijo estable de 2,500 tokens que se beneficia de la caché, 1,500 tokens de entrada nuevos (el contenido de la página o la captura de pantalla) y recibe 1,500 tokens de salida.

No se incluyen las escrituras en caché. Añaden un importe pequeño en ambos casos, según las tarifas de escritura de la tabla de especificaciones anterior.

Con el mismo número de tokens, Sonnet cuesta exactamente el doble, porque todas sus tarifas se duplican. En la práctica, el número de tokens no será el mismo. En la prueba de AA, con esfuerzo máximo, Sonnet usó aproximadamente 5.6 veces más tokens de salida por tarea que Terra, y la salida es la partida más grande de este ejemplo; por lo tanto, la diferencia real en tareas de agentes probablemente supere el doble. Cuánto más dependerá de tus prompts y ajustes de esfuerzo; mídelo con una muestra de tus propios pasos antes de decidirte.

Una nota sobre los precios: el descuento de la API Batch de OpenAI no se aplica en AIHubMix, que no ofrece el endpoint Batch, por lo que las cifras anteriores corresponden a las tarifas estándar.

Quién debería elegir cada modelo

Elige GPT-6.1 Terra cuando:

• los pasos sean breves, numerosos y verificados mediante código: campos de facturas, entradas de formularios, el siguiente clic en una pantalla conocida;
• la salida deba poder analizarse sin limpieza y prefieras no añadir una capa de reparación;
• el coste por cada mil pasos determine el presupuesto;
• sea barato volver a intentar un paso fallido o derivarlo a una persona.

Elige Claude Sonnet 5.5 cuando:

• el agente maneje un escritorio durante largas sesiones de varios pasos sin que nadie revise cada acción;
• la tasa de finalización importe más que el coste, porque una ejecución fallida cueste más que los tokens;
• el mismo agente también realice tareas de programación, en las que Sonnet aventaja a Terra en Terminal-Bench, tanto en el gráfico de OpenAI como en la prueba de AA.

Ejecutar ambos también es una opción: Terra para los pasos de extracción y captura de datos de gran volumen, y Sonnet para las tareas largas y complejas y los casos en los que el resultado de Terra no supera la validación. A través de AIHubMix, solo hay que cambiar el ID del modelo; no hace falta una segunda integración.

Prueba ambos a través de AIHubMix

Ambos modelos funcionan con una sola clave de AIHubMix y a los precios oficiales. La lista de modelos de AIHubMix muestra Sonnet 5.5 en Chat Completions, Responses y Anthropic Messages, y Terra respondió correctamente en los tres según las pruebas de AIHubMix del 27 de octubre. Usa el endpoint Responses para Terra: OpenAI documenta sus herramientas como exclusivas de Responses, y en las pruebas de AIHubMix el nivel de esfuerzo de razonamiento solo tuvo efecto allí. La documentación de la API Responses de AIHubMix explica el formato de las solicitudes.

El ejemplo envía la misma instrucción de extracción a ambos modelos con el SDK de OpenAI e imprime cada respuesta y el uso de tokens:

import os
from openai import OpenAI

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

prompt = (
    "Extract the invoice number, date and total from this text. "
    "Return only JSON with keys invoice_number, date, total.\n\n"
    "Invoice INV-2041, issued 2026-10-12. Amount due: $1,291.50."
)

for model in ["gpt-6.1-terra", "claude-sonnet-5-5"]:
    response = client.responses.create(model=model, input=prompt)
    print(f"--- {model}")
    print(response.output_text)
    print(response.usage)

Pruébalo con una muestra de tus propios documentos o pantallas, comprueba con qué frecuencia se puede analizar cada respuesta y compara las líneas de uso: esa será tu proporción real de tokens. Para ver las especificaciones y los precios uno al lado del otro, consulta la página de comparación de Terra y Sonnet 5.5.

Preguntas frecuentes

¿GPT-6.1 Terra supera a Claude Sonnet 5.5 en el uso del ordenador?
No. Sonnet 5.5 obtiene una puntuación más alta en OSWorld 2.1 en el gráfico de OpenAI (83.9% frente al 74.2% de Terra con el esfuerzo máximo) y en AutomationBench-AA en la prueba de Artificial Analysis (72% frente a 60%). El argumento a favor de Terra es el costo y el formato de salida, no sus capacidades.

¿Cuánto más barato es Terra que Sonnet 5.5?
Por token, la mitad: $1 de entrada y $5 de salida por millón de tokens, frente a $2 y $10, y $0.05 frente a $0.10 para la entrada en caché. Por tarea, la diferencia puede ser mayor, porque Sonnet suele usar más tokens de salida. En la prueba de esfuerzo máximo de Artificial Analysis, Terra costó $0.40 por tarea y Sonnet, $5.46.

¿Qué modelo es mejor para extraer datos de facturas y formularios?
Para la extracción de gran volumen cuyos resultados se validan con código, Terra es la mejor opción inicial. En la prueba piloto reducida de Kingy, ambos modelos extrajeron correctamente los campos de la factura y los devolvieron en el formato solicitado. Sin embargo, en los diez intentos objetivos, Terra devolvió exactamente el formato solicitado 10 veces y Sonnet, 4; los errores de Sonnet se dieron en una tarea independiente de JSON y en las tareas de Python y SQL, y Terra consumió alrededor del 41% de los créditos de Sonnet. Antes de decidir, pruébalos con tus propios documentos.

¿Por qué Anthropic y OpenAI informan puntuaciones distintas de Sonnet 5.5 en OSWorld?
Usaron configuraciones distintas. Anthropic informa un 80.1% en OSWorld 2.1, marcado como parcial; el gráfico de OpenAI muestra un 83.9% en su conjunto sin conexión de OSWorld 2.1. Las cifras no se pueden comparar entre sí y cada una debe evaluarse únicamente frente a las puntuaciones de la misma prueba.

¿Cuestan ambos modelos lo mismo en AIHubMix que en las API oficiales?
Sí. AIHubMix cobra los precios de lista oficiales de ambos: $1 y $5 para Terra, y $2 y $10 para Sonnet 5.5, por millón de tokens. El descuento de la Batch API de OpenAI no está disponible porque AIHubMix no ofrece el endpoint Batch.

¿Qué endpoint se debe usar para llamar a Terra a través de AIHubMix?
La API Responses. OpenAI documenta que las herramientas de Terra, incluida la herramienta de ordenador, solo están disponibles en Responses; además, en las pruebas de AIHubMix del 27 de octubre, el ajuste del nivel de esfuerzo de razonamiento tuvo efecto en Responses, pero no en Chat Completions. Sonnet 5.5 también está disponible en Responses, así que un mismo bucle puede llamar a ambos.

Sigue leyendo: la serie GPT-6.1 Terra

• Si hoy tu agente funciona con GPT-5.6 Terra, descubre qué cambia con la actualización por sí sola antes de comparar proveedores: GPT-6.1 Terra frente a GPT-5.6 Terra: la mitad de precio, qué ha cambiado y quién debería cambiar
• Antes de pasar un agente de pantalla a Terra, corrige los parámetros y las llamadas a herramientas que fallan al cambiar: Cómo migrar a GPT-6.1 Terra: corrige los errores 400 de temperature, mueve las herramientas a Responses y configura Codex
• Si las tareas largas en escritorio necesitan algo más que Terra, pero quieres seguir con OpenAI, compara con el nivel superior: GPT-6.1 Terra frente a GPT-6.1 Sol: ¿qué tareas siguen necesitando Sol?
• Para adaptar a tu propio tráfico la tabla de costos anterior, revisa los niveles de esfuerzo y el almacenamiento en caché: El costo real de GPT-6.1 Terra: niveles de esfuerzo, el umbral de 272K y el almacenamiento en caché

Fuentes

• OpenAI: Presentamos GPT-6.1 Terra
• Anthropic: Presentamos Claude Sonnet 5.5
• Artificial Analysis: Comparación entre GPT-6.1 Terra y Claude Sonnet 5.5
• Kingy: GPT-6.1 Terra: benchmarks, precios y comparaciones de modelos
• AIHubMix: Página de comparación de GPT-6.1 Terra y Claude Sonnet 5.5