GPT-6.1 Terra vs Claude Sonnet 5.5: który model ze średniej półki sprawdzi się w agentach do pracy z ekranem i dokumentami?

OpenAI zaprezentowało GPT-6.1 Terra 26 października 2026 roku, cztery tygodnie po premierze Claude Sonnet 5.5 od Anthropic. W poście o premierze OpenAI zestawiło Terrę z Claude Opus 5.5, ale media wyznaczyły inną linię podziału. The Decoder nazwał Terrę „najbliższym konkurentem OpenAI dla średniej półki modeli Sonnet od Anthropic, w połowie niższej cenie”, a AlphaCorp określił starcie Terry z Sonnetem jako „prawdziwą walkę o średnią półkę”. GPT-6.1 Sol i Sonnet 5.5 mają identyczny cennik: 2 USD / 10 USD, więc zespół wybierający w tym miesiącu model ze średniej półki tak naprawdę decyduje między Terrą za 1 USD / 5 USD a Sonnetem za 2 USD / 10 USD.

Ten artykuł pomaga dokonać wyboru w przypadku jednego rodzaju zadań: agentów do pracy z ekranem i dokumentami. Agent odczytuje fakturę, formularz lub zrzut ekranu, wyodrębnia pola i wpisuje je w innej aplikacji. Każdy krok jest krótki i możliwy do zweryfikowania, a takich kroków wykonuje się tysiące dziennie. W tym zadaniu oba modele mają różne atuty. Sonnet 5.5 osiąga lepsze wyniki w większej liczbie wymagających benchmarków agentowych, w tym w teście obsługi komputera opublikowanym przez samo OpenAI. Terra kosztuje o połowę mniej za token, w niezależnych testach zużywała znacznie mniej tokenów na zadanie, a w niewielkim pilotażu niezawodniej trzymała się ścisłych formatów wyjściowych.

W skrócie: do zadań o dużej skali, których wyniki można sprawdzić, zacznij od Terry. W przypadku długich, nadzorowanych bez przerwy sesji na komputerze, w których koszt nieudanego przebiegu przewyższa koszt tokenów, Sonnet 5.5 jest wart swojej ceny. Oba modele są dostępne pod jednym kluczem w AIHubMix, po takich samych cenach jak w oficjalnych API dostawców. Szczegóły znajdziesz na stronie modelu GPT-6.1 Terra.

Jakiego zadania dotyczy to porównanie

Typowy krok agenta pracującego z ekranem lub dokumentem wygląda tak:

• Wejście: stały prefiks (prompt systemowy, schemat wyjściowy, definicje narzędzi), powtarzany przy każdym wywołaniu, oraz nowe dane: obraz strony, zrzut ekranu lub wyodrębniony tekst.
• Wyjście: krótka, ustrukturyzowana odpowiedź, na przykład pola JSON lub kolejna czynność w interfejsie.
• Skala: od tysięcy do setek tysięcy kroków, z których każdy jest sprawdzany przez kod, zanim dane zostaną przekazane dalej.

Wybór modelu zależy tu od czterech rzeczy: poprawności pól, wyjścia, które można sparsować bez dodatkowej obróbki, kosztu tysiąca kroków i czasu wykonania jednego kroku. Zdolność do realizowania długich zadań ma mniejsze znaczenie, gdy każdy krok jest krótki i weryfikowany, ale duże, gdy agent wykonuje dziesiątki czynności na komputerze bez nadzoru.

Oba modele przyjmują tekst i obrazy jako dane wejściowe i pasują do tego schematu. Oto najistotniejsze specyfikacje:

Podane ceny to oficjalne stawki za milion tokenów; AIHubMix pobiera taką samą opłatę za oba modele. Domyślny poziom wysiłku Sonnetu to ustawienie domyślne Claude Platform. Gdy liczba tokenów wejściowych przekroczy 272K, Terra nalicza za całe żądanie stawki odpowiadające 2x kosztu wejścia i 1.5x kosztu wyjścia. Pojedynczy krok przetwarzania strony dokumentu nie osiągnie tego progu.

Praktyczna uwaga dotycząca agentów ekranowych: OpenAI opisuje wywoływanie narzędzi przez Terrę, w tym wbudowanego narzędzia komputerowego, jako funkcję Responses API. Podczas testów AIHubMix z 27 października Terra wywołana przez endpoint Responses zwróciła akcję computer_call po otrzymaniu narzędzia komputerowego i zrzutu ekranu, więc ta ścieżka działa w AIHubMix.

W czym wygrywa Sonnet 5.5: realizacja wymagających zadań agentowych

Poniższe wyniki benchmarków pochodzą z trzech źródeł, które celowo przedstawiamy osobno. Wykresy z premiery OpenAI, przepisane przez Kingy, to dane własne firmy, których nikt niezależnie nie odtworzył. Wyniki Sonnet 5.5 opublikowane przez Anthropic przy premierze również pochodzą z własnych testów firmy. Artificial Analysis (AA) to niezależny tester. Przy każdym wyniku podajemy poziom wysiłku, jeśli źródło go określa.

Zacznijmy od wykresów OpenAI, na których Sonnet 5.5 służy jako punkt odniesienia:

Wyniki Sonnet 5.5 to rezultaty dla maksymalnego poziomu wysiłku przedstawione na wykresach OpenAI. Koszty zadań to szacunki OpenAI.

OSWorld 2.1 to benchmark obsługi komputera, a więc najbliższy publicznie dostępny test agenta ekranowego. W zestawie offline OpenAI Sonnet 5.5 wyprzedza Terrę działającą na maksymalnym poziomie wysiłku o 9.7 punktu. Terra przy domyślnym poziomie medium traci 17.2 punktu.

Na stronie premiery Sonnet 5.5 Anthropic podaje własny wynik 80.1% w OSWorld 2.1, oznaczony jako „częściowy”, oraz 70.6% w Terminal-Bench 4.0. Test OSWorld przeprowadzono w innym środowisku niż zestaw offline OpenAI, więc wyników 80.1% i 83.9% nie można porównywać ze sobą. Żadnego z nich nie należy też zestawiać z wynikiem Terry uzyskanym w teście drugiego dostawcy. Materiały obu firm wskazują jednak na ten sam wniosek: Sonnet 5.5 dobrze radzi sobie z zadaniami agentowymi na komputerach stacjonarnych i w terminalu.

Artificial Analysis przetestowało oba modele we własnym środowisku:

Wyniki Sonnet 5.5 w testach AA pochodzą z konfiguracji z maksymalnym poziomem wysiłku i trybem zapasowym, zgodnie z oznaczeniem AA.

Niezależne testy potwierdzają przewagę Sonnetu w zadaniach agentowych: 12 punktów w AutomationBench-AA i 8 w teście Terminal-Bench przeprowadzonym przez AA. Dwa wyniki odbiegają od tego schematu. W AA-LCR, teście rozumowania z długim kontekstem, oba modele uzyskały po 83%. W teście GDP.pdf niewielką przewagę ma Terra: 29% do 26%. Żaden z tych wyników nie czyni Terry lepszym modelem, ale żaden nie pokazuje też tak wyraźnej przewagi Sonnetu, jak w testach agentowych.

Nie należy interpretować tych wyników jako dowodu, że Terra pokonuje Sonnet w obsłudze komputera. We wszystkich omówionych tu benchmarkach obsługi komputera i zadań agentowych Sonnet 5.5 uzyskuje wyższy wynik.

W czym wygrywa Terra: koszt zadania, szybkość i dyscyplina formatowania

W tym samym teście AA zmierzono, ile każdy model zużył na uzyskanie swojego wyniku:

Sonnet 5.5 zużył na każde zadanie ponad pięć razy więcej tokenów wyjściowych niż Terra, a każdy z tych tokenów kosztuje dwa razy więcej. W rezultacie koszt zadania wynosi mniej niż jedną dziesiątą kosztu Sonnetu (0.40 USD wobec 5.46 USD), a czas zadania to około 43% czasu zmierzonego przez AA (384 sekundy wobec 901; AA mierzy czas generowania, a nie oczekiwanie na pierwszy token). Sam strumień Sonnetu jest szybszy — w tym samym teście generuje 141 tokenów wyjściowych na sekundę wobec 91 w przypadku Terry — więc Terra zawdzięcza krótszy czas temu, że generuje mniej tokenów, a nie większej szybkości modelu. Sonnet zdobył dzięki temu wydatkowi osiem punktów więcej w indeksie. To, czy osiem punktów jest warte niemal 14-krotnie wyższego kosztu, zależy od tego, ile kosztuje Cię nieudany krok.

Wykres OpenAI dla Terminal-Bench pokazuje tę samą zależność z drugiej strony: Sonnet uzyskuje 70.6% przy koszcie 10.44 USD za zadanie, a Terra działająca na maksymalnym poziomie wysiłku — 50.3% przy koszcie 1.84 USD. Kingy jasno sformułował pytanie biznesowe: jaką wartość ma wyższy odsetek ukończonych zadań, gdy uwzględni się ponowne próby i weryfikację przez człowieka.

W przypadku zadań z ekranem i dokumentami najistotniejsze niezależne dane pochodzą z pilotażu Kingy z 26 października. Był niewielki: sześć krótkich zadań, po dwie próby każde, przy średnim poziomie wysiłku i bez narzędzi. W jednym zadaniu trzeba było wyodrębnić pola z syntetycznego obrazu faktury; w pozostałych proszono o JSON, Python lub SQL w ściśle określonym formacie.

Czasy odpowiedzi uwzględniają opóźnienia sieci i dostawcy.

Oba modele udzieliły poprawnych odpowiedzi na każde pytanie. Różnił je sposób ich podania. W obu próbach jednego zadania Sonnet poprzedził JSON obliczeniami, a odpowiedzi w Pythonie i SQL ujął w bloki kodu Markdown, wbrew instrukcji. Kingy zauważa, że parser produkcyjny lub wymuszony format wyjściowy mógłby obsłużyć część takich przypadków, ale tych rozwiązań nie testowano. W potoku, w którym kod analizuje każdy krok, model zwracający czysty JSON bez dodatkowych próśb pozwala jednak uniknąć ponownej próby lub czyszczenia wyniku. Terra zrobiła to we wszystkich dziesięciu próbach, zużywając około 41% punktów Sonnetu. W tym pilotażu Sonnet odpowiadał szybciej na pojedyncze żądanie.

Jeszcze jeden szeroko rozpowszechniany wynik należy traktować dokładnie jako pojedynczą anegdotę. atomic.chat dało zespołom ośmiu agentów ten sam prompt, by zbudowały małą grę. Terra ukończyła zadanie w 6 minut za 1.06 USD, a Sonnet 5.5 potrzebował godziny i 18.10 USD. Mimo to atomic.chat uznało grę Sonnetu za „znacznie lepszą”. Nie opublikowano ustawień testu, więc sam w sobie niczego nie dowodzi, ale zgadza się z powyższym schematem: Sonnet zużywa więcej i często dostarcza lepszy rezultat.

Ile kosztuje zadanie w każdym modelu

Przykład przy cenach katalogowych i identycznej liczbie tokenów. Załóżmy 10,000 kroków przetwarzania dokumentów. W każdym kroku wysyłamy 2,500 tokenów stałego prefiksu trafiającego do cache, 1,500 tokenów świeżych danych wejściowych (zawartość strony lub zrzut ekranu) i otrzymujemy 1,500 tokenów wyjściowych.

Pominięto zapisy do cache. Zwiększają koszt w niewielkim stopniu po obu stronach, zgodnie ze stawkami za zapis w powyższej tabeli specyfikacji.

Przy identycznej liczbie tokenów Sonnet kosztuje dokładnie dwa razy więcej, bo każda stawka jest dwukrotnie wyższa. W praktyce liczba tokenów nie będzie taka sama. W teście AA Sonnet przy maksymalnym poziomie wysiłku zużywał na zadanie około 5.6 razy więcej tokenów wyjściowych niż Terra. Ponieważ wyjście stanowi największą pozycję kosztową w tym przykładzie, rzeczywista różnica w zadaniach agentowych prawdopodobnie przekracza 2x. Jej wielkość zależy od promptów i ustawień poziomu wysiłku; przed podjęciem decyzji zmierz ją na próbce własnych zadań.

Uwaga dotycząca cen: zniżka na OpenAI Batch API nie obowiązuje w AIHubMix, które nie udostępnia endpointu Batch, więc powyższe kwoty odpowiadają standardowym stawkom.

Kto powinien wybrać który model

Wybierz GPT-6.1 Terra, gdy:

• kroki są krótkie, liczne i sprawdzane przez kod: wyodrębnianie pól z faktur, wypełnianie formularzy, klikanie kolejnego przycisku na znanym ekranie;
• wyjście musi dać się sparsować bez dodatkowej obróbki, a Ty wolisz nie dodawać warstwy naprawczej;
• budżet zależy od kosztu tysiąca kroków;
• nieudany krok można tanio powtórzyć lub przekazać do obsługi przez człowieka.

Wybierz Claude Sonnet 5.5, gdy:

• agent przez długi czas samodzielnie wykonuje wiele czynności na komputerze, bez bieżącej kontroli każdej z nich;
• od kosztu ważniejszy jest odsetek ukończonych zadań, bo koszt nieudanego przebiegu przewyższa koszt tokenów;
• ten sam agent wykonuje też zadania programistyczne, w których Sonnet wyprzedza Terrę w Terminal-Bench, zarówno na wykresie OpenAI, jak i w teście AA.

Można też uruchamiać oba modele: Terra do ekstrakcji i wprowadzania danych na dużą skalę, a Sonnet do długich, trudnych zadań oraz przypadków, w których wynik Terra nie przechodzi walidacji. W AIHubMix wymaga to zmiany identyfikatora modelu, a nie drugiej integracji.

Wypróbuj oba modele przez AIHubMix

Oba modele działają z jednym kluczem AIHubMix i po oficjalnych cenach. Lista modeli AIHubMix pokazuje Sonnet 5.5 w Chat Completions, Responses i Anthropic Messages, a Terra odpowiadał poprawnie we wszystkich trzech w testach AIHubMix z 27 października. W przypadku Terra używaj endpointu Responses: OpenAI dokumentuje jego narzędzia jako dostępne wyłącznie przez Responses, a w testach AIHubMix tylko tam ustawienie poziomu wysiłku w rozumowaniu przynosiło efekt. Dokumentacja API Responses AIHubMix zawiera format żądania.

Przykładowy kod wysyła ten sam prompt do ekstrakcji do obu modeli za pomocą OpenAI SDK, a następnie wyświetla każdą odpowiedź i jej zużycie tokenów:

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)

Uruchom kod na przykładowych dokumentach lub zrzutach ekranu, sprawdź, jak często da się sparsować odpowiedź każdego modelu, i porównaj wiersze ze zużyciem tokenów — tak uzyskasz rzeczywisty stosunek zużycia tokenów. Aby porównać specyfikacje i ceny obok siebie, zobacz stronę porównującą Terra i Sonnet 5.5.

FAQ

Czy GPT-6.1 Terra lepiej niż Claude Sonnet 5.5 radzi sobie z obsługą komputera?
Nie. Sonnet 5.5 uzyskuje wyższy wynik w OSWorld 2.1 na wykresie OpenAI (83.9% wobec 74.2% Terra przy maksymalnym poziomie wysiłku) oraz w AutomationBench-AA w teście Artificial Analysis (72% wobec 60%). Atutami Terra są cena i format wyjściowy, a nie możliwości.

O ile Terra jest tańszy od Sonnet 5.5?
W przeliczeniu na token — o połowę: $1 za milion tokenów wejściowych i $5 za milion wyjściowych, wobec odpowiednio $2 i $10, a za buforowane dane wejściowe $0.05 wobec $0.10. W przeliczeniu na zadanie różnica może być większa, bo Sonnet zwykle zużywa więcej tokenów wyjściowych. W teście Artificial Analysis przy maksymalnym poziomie wysiłku Terra kosztował $0.40 za zadanie, a Sonnet $5.46.

Który model lepiej sprawdza się przy ekstrakcji danych z faktur i formularzy?
Terra to lepszy punkt wyjścia do ekstrakcji na dużą skalę, jeśli wyniki są weryfikowane kodem. W niewielkim pilotażu Kingy oba modele poprawnie wyodrębniły pola z faktury i zwróciły je w wymaganym formacie. Jednak we wszystkich dziesięciu obiektywnych próbach Terra zwrócił dokładnie wymagany format 10 razy, a Sonnet 4 razy. Sonnet nie poradził sobie z osobnym zadaniem dotyczącym JSON-u ani z zadaniami w Pythonie i SQL-u, a koszt Terra wyniósł około 41% kosztu Sonnet. Zanim podejmiesz decyzję, przetestuj oba modele na własnych dokumentach.

Dlaczego Anthropic i OpenAI podają różne wyniki Sonnet 5.5 w OSWorld?
Przeprowadzili testy w różnych konfiguracjach. Anthropic podaje 80.1% w OSWorld 2.1 z oznaczeniem „partial”, a wykres OpenAI pokazuje 83.9% w jej zestawie offline OSWorld 2.1. Tych wyników nie można porównywać ze sobą; każdy należy zestawiać wyłącznie z wynikami z tego samego testu.

Czy korzystanie z obu modeli przez AIHubMix kosztuje tyle samo co przez oficjalne API?
Tak. AIHubMix pobiera oficjalne ceny katalogowe za oba modele: $1 i $5 za Terra oraz $2 i $10 za Sonnet 5.5 za milion tokenów. Zniżka Batch API OpenAI nie jest dostępna, ponieważ AIHubMix nie obsługuje endpointu Batch.

Jakiego endpointu należy używać, aby wywołać Terra przez AIHubMix?
API Responses. OpenAI dokumentuje narzędzia Terra, w tym narzędzie computer, jako dostępne wyłącznie przez Responses. W testach AIHubMix z 27 października ustawienie poziomu wysiłku w rozumowaniu działało w Responses, ale nie w Chat Completions. Sonnet 5.5 jest również dostępny przez Responses, więc jedna pętla może wywoływać oba modele.

Czytaj dalej: seria GPT-6.1 Terra

• Jeśli Twój agent korzysta dziś z GPT-5.6 Terra, zanim porównasz dostawców, sprawdź, co zmienia sama aktualizacja: GPT-6.1 Terra vs GPT-5.6 Terra: połowa ceny — co się zmieniło i kto powinien przejść na nową wersję
• Zanim przeniesiesz agenta ekranowego na Terra, popraw parametry i wywołania narzędzi, które przestają działać po zmianie: Przejście na GPT-6.1 Terra: napraw błędy 400 związane z temperature, przenieś narzędzia do Responses i skonfiguruj Codex
• Jeśli długie zadania na komputerze wymagają czegoś więcej niż Terra, ale chcesz pozostać przy OpenAI, porównaj model z wyższej półki: GPT-6.1 Terra vs GPT-6.1 Sol: które zadania nadal wymagają Sol?
• Aby dopasować powyższą tabelę kosztów do własnego ruchu, przyjrzyj się poziomom wysiłku i buforowaniu: Ile naprawdę kosztuje GPT-6.1 Terra: poziomy wysiłku, próg 272K i buforowanie

Źródła

• OpenAI: Przedstawiamy GPT-6.1 Terra
• Anthropic: Przedstawiamy Claude Sonnet 5.5
• Artificial Analysis: Porównanie GPT-6.1 Terra i Claude Sonnet 5.5
• Kingy: GPT-6.1 Terra: testy porównawcze, ceny i porównania modeli
• AIHubMix: Strona porównująca GPT-6.1 Terra i Claude Sonnet 5.5