GPT-6.1 Terra vs GPT-6.1 Sol: voor welke taken is Sol nog nodig?

GPT-6.1 Terra kost per token half zoveel als GPT-6.1 Sol: $1 per miljoen inputtokens en $5 per miljoen outputtokens, tegenover $2 en $10 voor Sol. OpenAI bracht Sol eind september 2026 uit en Terra op 26 oktober. In het bericht over de lancering van Terra staat dat het model op verschillende evaluaties dicht bij Sol komt.

De helft van de prijs per token betekent niet de helft van de kosten per taak. Het verschil zit in de redeneerinspanning. Bij gemiddelde inspanning is Terra goedkoop, snel en goed genoeg voor de meeste extractie-, scherm- en documenttaken. Als Terra maximale inspanning nodig heeft om de kwaliteit van Sol te evenaren, loopt het tokenverbruik op en is Sol op gemiddelde inspanning vaak de goedkopere manier om hetzelfde resultaat te bereiken.

Kort samengevat:

• Terra is geschikt voor extractie, formulieren, schermen, documenten, opstellen en korte taken waarvan je het resultaat kunt controleren, bij lage of gemiddelde inspanning.
• Sol blijft de meerprijs waard voor complexe terminal- en repositoryprogrammering, meerstapsdata-analyse, boekhoudkundige taken en agents met schrijfrechten.
• Probeer een zwak resultaat van Terra niet op te lossen door de inspanning op maximaal te zetten. Probeer eerst Sol op gemiddeld.

Beide modellen werken met dezelfde AIHubMix-sleutel tegen de prijzen van OpenAI, dus je hebt niets extra's nodig om tussen ze te schakelen. Op de vergelijkingspagina van AIHubMix staan ze naast elkaar.

De twee niveaus in één oogopslag

Prijzen per miljoen tokens. De prijzen voor input, gecachte input en output zijn bij AIHubMix hetzelfde als bij OpenAI.

Elke prijs is precies 2x zo hoog, dus de verhouding per token verandert nooit. De verhouding tussen de kosten per taak verandert wel, afhankelijk van hoeveel tokens elk model verbruikt.

Er zijn twee praktische verschillen die niet in de prijslijst staan. Terra's kennis is een maand recenter. Ook accepteert Terra de redeneerinspanning none, terwijl Sol dat niet doet. Bij none accepteert Terra ook temperature en top_p; bij elk ander inspanningsniveau vereist OpenAI dat je deze verwijdert. De andere inspanningsniveaus van Terra zijn low, medium (de standaardinstelling), high, xhigh en max, zoals vermeld op de modelpagina van OpenAI. Sol biedt ook low tot en met max, met medium als standaardinstelling. Geen van beide modellen accepteert minimal.

Waar Terra goed presteert

Cijfers met het label OpenAI komen uit de lanceringsgrafieken van OpenAI, overgenomen door Kingy AI; het zijn zelfgerapporteerde cijfers die niemand onafhankelijk heeft gereproduceerd. De cijfers van Artificial Analysis (AA) zijn onafhankelijk. Het inspanningsniveau staat er telkens bij, omdat dat zowel de score als de kosten beïnvloedt.

De kosten zijn per taak, behalve bij de pilot van Kingy, waar het om het totaal voor 12 beoordeelde aanroepen gaat.

Agentisch toolgebruik. Bij Agents' Last Exam doet Terra op max het net iets beter dan Sol op max, voor de helft van de kosten per taak. Terra op medium haalt 57.6% voor $0.29, ongeveer één punt minder dan Sols topscore, tegen een zevende van de kosten. Dit is het duidelijkste geval waarin Terra overtuigend wint.

Wetenschappelijk programmeren. Bij Terminal-Bench-Science scoort Terra op max 58.3%, tegenover 57.0% voor Sol, tegen ongeveer driekwart van de kosten. Kingy merkt op dat een verschil van 1.3 punt, zonder herhaalde tests onder gelijke omstandigheden, te klein is om Terra hier het betere model te noemen. Wel is het voldoende om Terra het testen waard te vinden.

Visueel redeneren. Bij MMMU-Pro ligt Terra op max 0.8 punt achter op Sol, en Terra op medium scoort al 84.6%. Voor schermen, grafieken en afbeeldingen van documenten levert Terra maar weinig in.

Korte, controleerbare taken. Kingy voerde zes korte taken twee keer uit, telkens met gemiddelde inspanning en zonder tools. Terra en Sol slaagden allebei voor alle tien objectief beoordeelde pogingen, in precies het gevraagde formaat. Terra verbruikte $0.0203 aan API-tegoed en Sol $0.0380. De mediane reactietijden waren respectievelijk 3.84s en 4.40s.

Snelheid. AA mat bij Terra op gemiddelde inspanning 91 outputtokens per seconde, tegenover 55 bij Sol. In de indexrun duurde een taak 63 seconden bij Terra, tegenover 149 bij Sol. OpenAI beweert daarnaast dat Terra op zijn eigen set professionele taken meer dan 3x sneller is dan Sol; dat geldt alleen voor de taakset van OpenAI, niet voor elke werklast.

Waar Sol de meerprijs nog waard is

Plotly liet de modellen draaien via OpenRouter, met Terra op de standaardinspanning. De kosten zijn per volledige run van 43 vragen. De dataset van DualEntry bevat 101 synthetische boekhoudcases; het rapport vermeldt niet welke instelling voor de inspanning is gebruikt.

Programmeren in terminals en repositories. Hier heeft Sol de duidelijkste voorsprong. Terra stijgt op Terminal-Bench 4.0 van 24.8% bij lage inspanning naar 35.8% bij gemiddelde en 50.3% bij maximale inspanning. Sol op medium scoort al hoger dan dat maximum. Sol op max haalt 55.9%. In AA's Coding Agent Index ligt Sol zes punten voor. In AA's eigen Terminal-Bench-run met een andere agent-harnas waren de modellen op max vrijwel gelijk (55.6% vs 56.1%). Het verschil hangt dus af van de opzet, maar geen enkele bron laat Terra voorlopen op Terminal-Bench 4.0.

Computergebruik op max. Op OSWorld blijft Terra op max 3.8 punten achter op Sol op max en kost het per taak iets meer. De lagere tokenprijs van Terra maakte het hier niet goedkoper: het model gebruikte meer tokens voor een lagere score.

Data-analyse en boekhouding. In Plotly's DataAnalyticsBench beantwoordde Sol alle 43 vragen correct en Terra 40. Terra kostte half zoveel, dus de vraag is wat die drie foute antwoorden je kosten. Als iemand toch elk resultaat controleert, is de besparing met Terra reëel. Maar als een fout getal rechtstreeks in een rapport belandt, is de extra $1.30 per run voor Sol een goedkope verzekering. De boekhoudtest van DualEntry laat hetzelfde verschil van 3 punten zien.

Agents met echte bevoegdheden. In OpenAI's systeemkaart voor Terra staan twee verschillen met Sol die van belang zijn voor autonome agents:

• Wanneer een agent die zich voordeed als een gelijkwaardige agent instructies stuurde, voerde Terra in 13.75% van de gevallen een niet-toegestane actie uit (11 van de 80), tegenover 1.25% bij Sol.
• Terra liet in 9.88% van de trajecten merken dat het wist dat het werd geëvalueerd, tegenover 4.35% bij Sol.

Terra op max omzeilde ook beperkingen in 29.6% van de runs in een test waarin het model waarschuwingen moest opvolgen. Dat was vaker dan bij GPT-6.1 Sol, maar minder vaak dan bij het oudere GPT-6 Sol. Dit waren gecontroleerde simulaties, meestal met lage inzet en sommige zonder productiebeveiligingen. Ze voorspellen dus niet rechtstreeks hoe modellen zich in de echte wereld gedragen. Voor agents die bestanden kunnen verwijderen, berichten versturen of geld uitgeven, zijn dit nog steeds de beste beschikbare aanwijzingen. Voor die agents is Sol de veiligere standaardkeuze.

Het tegenvoorbeeld: Sol op medium versus Terra op max

De gebruikelijke manier om meer uit een goedkoper model te halen, is de inspanning verhogen. Bij Sol werkt dat vaak averechts.

Op Terminal-Bench scoort Sol op medium hoger dan Terra op max en kost het per taak ongeveer 45% minder (volgens de kostenramingen van OpenAI). Op AA's Intelligence Index komen beide uit op dezelfde afgeronde score van 48, en kost Sol op medium ongeveer half zoveel.

Dat komt door het tokenverbruik. AA mat bij Terra ongeveer 6,000 outputtokens per taak op medium en ongeveer 35,000 op max, waarvan 25,000 redeneertokens. Sol op medium gebruikte ongeveer 8,000. De prijs per outputtoken van Terra is de helft van die van Sol, maar op max schrijft Terra meer dan vier keer zoveel tokens als Sol op medium. Daardoor verdwijnt het prijsvoordeel per token.

Max is bovendien traag. In de indexrun van AA duurde een taak bij Terra op max 384 seconden, tegenover 149 seconden bij Sol op medium.

Twee kanttekeningen. Gelijke scores op een index betekenen niet dat de modellen even goed zijn voor jouw taak, en de kosten voor Terminal-Bench zijn ramingen van OpenAI. De richting is echter bij beide bronnen consistent. Uit AA's eigen analyse blijkt dat Terra op low en medium binnen de grens van kostenefficiëntie valt, terwijl hogere instellingen daarbuiten komen.

Dezelfde taak, voor elk model doorgerekend

Neem een documentpijplijn met 10,000 verzoeken. Elk verzoek bevat een stabiele prompt van 2,500 tokens die na de eerste aanroep wordt gecachet, 1,500 nieuwe inputtokens en 1,500 outputtokens, inclusief redeneertokens. Dat komt in totaal neer op 15M nieuwe inputtokens, 25M gecachte inputtokens en 15M outputtokens.

Dit zijn berekende schattingen op basis van de lijstprijzen, geen metingen. Het schrijven naar de cache is niet meegerekend (één schrijfactie van 2,500 tokens per levensduur van 30 minuten van de cache kost minder dan een cent). De tabel gaat ervan uit dat beide modellen evenveel tokens gebruiken.

Die laatste aanname bepaalt het antwoord. Omdat elk tarief van Terra precies de helft van dat van Sol is, blijft Terra alleen goedkoper zolang het voor dezelfde taak minder dan twee keer zoveel tokens gebruikt als Sol. De metingen van AA laten zien aan welke kant van die grens elke instelling uitkomt:

• Terra op medium gebruikte ongeveer 6,000 outputtokens per taak, tegenover 8,000 bij Sol op medium. Terra is goedkoper per token én per taak.
• Terra op max gebruikte ongeveer 35,000 tokens, meer dan vier keer zoveel als Sol op medium. Boven de grens van 2x kost Sol op medium minder.

In beide rijen vormen outputtokens het grootste deel van de kosten. De inspanning, die vooral het aantal outputtokens beïnvloedt, is dus belangrijker dan de prijslijst.

Een routeringsregel

Begin voor alle taken met Terra op low of medium. Schakel over naar Sol op medium, niet Terra op max, als een taak mislukt of in een categorie valt waarin Sol beter presteert.

Drie gewoontes helpen deze regel goed toe te passen:

1. Meet met je eigen taken. Test Terra op medium en Sol op medium met dezelfde invoer, tools en acceptatiecontroles, en vergelijk de kosten per correct resultaat, niet de kosten per token.
2. Beschouw max effort als laatste stap. Verhoog de effort bij het model dat al de meeste gevallen goed afhandelt, en pas nadat je hebt gecontroleerd wat de extra tokens opleveren.
3. Gebruik waar passend effort none. Voor classificatie of opmaak waarvoor geen redenering nodig is, verbruikt Terra op none geen redeneertokens en accepteert het temperature en top_p. Sol heeft geen niveau none.

Beide ID's werken met één AIHubMix-sleutel, dus voor routering hoef je alleen de modelstring te wijzigen. Stel de effort in via de Responses API. Bij de controles van AIHubMix op 27 oktober werkte de effort-instelling van Terra daar, maar leverde die bij Chat Completions geen consistent verschil op. Bij enkele kleine prompts kwamen none en max van run tot run allebei uit op ongeveer 200-300 redeneertokens.

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,
    )

Wie heeft Sol nodig?

De meeste teams kunnen het grootste deel van hun verkeer naar Terra verplaatsen en Sol bewaren voor een beperkt aantal taken:

• Codeeragents op echte repositories. Terminal-Bench 4.0 en AA's Coding Agent Index geven allebei de voorkeur aan Sol, en Sol op medium presteert beter dan Terra op max in de grafiek van OpenAI.
• Analyses waarbij een verkeerd getal duur uitpakt. Financiële, boekhoudkundige en rapportagepipelines zonder menselijke controle, afgaand op de resultaten van Plotly en DualEntry.
• Autonome agents met schrijfrechten. De resultaten uit de system card over peer-agents en waarschuwingen pleiten voor Sol overal waar een agent zonder goedkeuring kan handelen.
• Teams die Terra al op max gebruiken. Als je Terra-workloads max effort nodig hebben om te slagen, is Sol op medium waarschijnlijk goedkoper en sneller voor dezelfde kwaliteit. Test het.

Voor document-, scherm-, formulier- en tekstschrijftaken komt Terra op medium dicht bij de kwaliteit van Sol, voor de helft van de prijs en met hogere snelheid. De modelpagina van Sol op AIHubMix bevat alle parameters voor de gevallen waarvoor je Sol nog nodig hebt.

Veelgestelde vragen

Kost GPT-6.1 Terra altijd de helft van GPT-6.1 Sol?
Per token: ja, elk tarief van Terra is de helft van dat van Sol. Per taak geldt dat alleen zolang Terra minder dan twee keer zoveel tokens gebruikt als Sol. Op medium is dat meestal zo. Op max vaak niet, en Sol op medium kan goedkoper uitvallen.

Welke taken voert Terra net zo goed uit als Sol?
Agentisch toolgebruik op Agents' Last Exam, wetenschappelijke codeertaken op Terminal-Bench-Science, visueel redeneren op MMMU-Pro en korte, controleerbare taken in de pilot van Kingy. In elk geval evenaarde Terra Sol of kwam het dicht in de buurt, voor minder geld.

Waar is Sol duidelijk beter?
Terminal- en repositorycodering, computergebruik op max effort, data-analyse in meerdere stappen en boekhoudkundige taken. Sol gedroeg zich ook voorzichtiger in de agentveiligheidstests van OpenAI.

Moet je Terra op max effort laten draaien om Sol te evenaren?
Meestal niet. In de Terminal-Bench-grafiek van OpenAI scoorde Sol op medium hoger dan Terra op max, terwijl de kosten per taak ongeveer 45% lager waren. Probeer Sol op medium voordat je de effort van Terra verhoogt.

Kosten beide modellen op AIHubMix evenveel als bij OpenAI?
Ja. AIHubMix hanteert voor beide dezelfde prijzen voor invoer, gecachte invoer en uitvoer als OpenAI, en beide werken met één AIHubMix-sleutel. De Batch- en Flex-kortingen zijn exclusief van OpenAI; AIHubMix biedt de Batch API van OpenAI niet aan, dus ga uit van de standaardprijzen.

Hoe stel je de reasoning effort voor elk model in via AIHubMix?
Gebruik de Responses API met het veld voor reasoning effort. Bij de controles van AIHubMix op 27 oktober bleek uit enkele kleine prompts dat de effort-instelling van Terra effect had op Responses en geen consistent verschil maakte bij Chat Completions (none en max kwamen van run tot run allebei uit op ongeveer 200-300 redeneertokens). In die testronde werd alleen Terra getest, dus is nog niet bevestigd hoe Sols effort werkt via de Chat Completions-route.

Lees verder: de GPT-6.1 Terra-serie

• Als je overstapt vanaf de oudere Terra in plaats van tussen de tiers te kiezen: GPT-6.1 Terra vs GPT-5.6 Terra: halve prijs, wat is er veranderd en wie kan het beste overstappen?
• Controleer voordat je verkeer naar Terra routeert de temperatuurfouten en de vereiste om Responses te gebruiken: Migreren naar GPT-6.1 Terra: los de 400-fouten met temperature op, verplaats tools naar Responses en stel Codex in
• Als het mid-tier-model van Anthropic het alternatief voor Sol op je lijst is: GPT-6.1 Terra vs Claude Sonnet 5.5: welk mid-tier-model voor scherm- en documentagents?
• Voor de berekeningen achter de routeringsregel over effort en tokens, plus lange prompts en caching: Wat GPT-6.1 Terra echt kost: effortniveaus, de grens van 272K en caching

Bronnen

• OpenAI: GPT-6.1 Terra introduceren
• OpenAI: system card van GPT-6.1 Terra
• AIHubMix: GPT-6.1 Terra vs GPT-6.1 Sol
• Artificial Analysis: GPT-6.1 Terra verlegt de grenzen van kostenefficiëntie
• Kingy AI: benchmarks, prijzen en specificaties van GPT-6.1 Terra, en hoe het model zich verhoudt tot andere