GPT-6.1 Terra против Claude Sonnet 5.5: какую модель среднего уровня выбрать для экранных и документных агентов?

OpenAI выпустила GPT-6.1 Terra 26 October 2026, через четыре недели после выхода Claude Sonnet 5.5 от Anthropic. В публикации о запуске OpenAI сравнила Terra с Claude Opus 5.5, но в обзорах провели другую границу. The Decoder назвал Terra «ближайшим конкурентом OpenAI линейке моделей среднего уровня Anthropic Sonnet, но вдвое дешевле», а AlphaCorp назвал противостояние Terra и Sonnet «настоящей битвой за средний сегмент». GPT-6.1 Sol и Sonnet 5.5 стоят одинаково — $2 / $10, поэтому команде, которая выбирает модель среднего уровня в этом месяце, на деле предстоит выбирать между Terra за $1 / $5 и Sonnet за $2 / $10.

В этой статье мы разбираем выбор для одного типа задач: для экранных и документных агентов. Агент читает счёт, форму или снимок экрана, извлекает нужные поля и вводит их в другое приложение. Каждый шаг короткий, его легко проверить, а выполняется он тысячи раз в день. В этой задаче у двух моделей разные преимущества. Sonnet 5.5 показывает лучшие результаты в большем числе сложных бенчмарков для агентов, в том числе в диаграмме по использованию компьютера из собственной публикации OpenAI. Токены Terra обходятся вдвое дешевле, независимые тесты показали, что на задачу она тратила значительно меньше токенов, а в небольшом пилотном тесте надёжнее соблюдала строгие форматы вывода.

Кратко: для массовых операций с проверяемым результатом начните с Terra. Для длительных автономных сеансов за компьютером, где сбой обходится дороже токенов, стоит выбрать Sonnet 5.5. Обе модели доступны через AIHubMix с одним ключом и по тем же ценам, что и в собственных API поставщиков; подробности — на странице модели GPT-6.1 Terra.

Для каких задач предназначено это сравнение

Типичный шаг экранного или документного агента выглядит так:

• Ввод: неизменный префикс (системный промпт, схема вывода, описания инструментов), который повторяется при каждом вызове, и новые данные: изображение страницы, снимок экрана или извлечённый текст.
• Вывод: короткий структурированный ответ — например, поля JSON или следующее действие в интерфейсе.
• Объём: от тысяч до сотен тысяч шагов, каждый из которых проверяется программным кодом, прежде чем его результат будет передан дальше.

Здесь важны четыре параметра: правильность извлечённых полей, вывод, который можно разобрать без дополнительной обработки, стоимость тысячи шагов и время на шаг. Способность завершать длинные задачи менее важна, если каждый шаг короткий и проверяется, и гораздо важнее, когда агент выполняет десятки действий на компьютере без контроля со стороны человека.

Обе модели принимают на вход текст и изображения и подходят для такого формата. Важные здесь характеристики:

Цены указаны по официальным тарифам за миллион токенов; AIHubMix взимает за обе модели столько же. Уровень рассуждений Sonnet по умолчанию соответствует настройке по умолчанию в Claude Platform. Если объём ввода для Terra превышает 272K токенов, весь запрос тарифицируется с коэффициентами 2x для ввода и 1.5x для вывода — до такого объёма не дойдёт шаг обработки одного документа.

Практический момент для экранных агентов: OpenAI документирует вызов инструментов в Terra, включая встроенный инструмент управления компьютером, как функцию Responses API. В тестах AIHubMix от 27 October запрос к Terra через конечную точку Responses с инструментом управления компьютером и снимком экрана вернул действие computer_call — значит, этот сценарий работает через AIHubMix.

В чём Sonnet 5.5 выигрывает: завершение сложных задач агента

Приведённые ниже результаты бенчмарков взяты из трёх источников, которые мы намеренно рассматриваем отдельно. Диаграммы OpenAI из публикации о запуске, переписанные Kingy, основаны на собственных данных компании, и независимо их никто не воспроизвёл. Данные Anthropic о результатах Sonnet 5.5, опубликованные при запуске, тоже получены самой компанией. Artificial Analysis (AA) — независимый тестировщик. Для каждого результата указан уровень рассуждений, если источник его приводит.

Начнём с собственных диаграмм OpenAI, где Sonnet 5.5 приведена для сравнения:

Результаты Sonnet 5.5 приведены для максимального уровня рассуждений, как указано на диаграммах OpenAI. Стоимость задач — оценка OpenAI.

OSWorld 2.1 — бенчмарк на использование компьютера и наиболее близкий из общедоступных тестов к сценарию экранного агента. В офлайн-наборе OpenAI Sonnet 5.5 опережает Terra с максимальным уровнем рассуждений на 9.7 пункта. Terra со средним уровнем — настройкой по умолчанию — отстаёт на 17.2 пункта.

Страница запуска Sonnet 5.5 от Anthropic приводит результаты собственного теста OSWorld 2.1 — 80.1% с пометкой «частичный результат» — и 70.6% в Terminal-Bench 4.0. Этот прогон OSWorld отличается от офлайн-набора OpenAI, поэтому результаты 80.1% и 83.9% нельзя напрямую сравнивать друг с другом. Их также нельзя сопоставлять с результатом Terra из теста другого поставщика. Данные обеих компаний указывают на одно и то же: Sonnet 5.5 хорошо справляется с задачами агента на компьютере и в терминале.

Artificial Analysis протестировала обе модели на собственном наборе:

Результаты Sonnet 5.5 у AA получены в конфигурации с максимальным уровнем рассуждений и резервной моделью, как указывает сам AA.

Независимые тесты по-прежнему показывают преимущество Sonnet в задачах для агентов: 12 пунктов в AutomationBench-AA и 8 пунктов в тесте Terminal-Bench от AA. Два результата выбиваются из общей картины. В AA-LCR, тесте на рассуждения с длинным контекстом, обе модели набрали по 83%. В GDP.pdf Terra немного опередила Sonnet — 29% против 26%. Ни один из этих результатов не делает Terra более сильной моделью, но они также не показывают, что Sonnet отрывается от конкурента так же уверенно, как в тестах агентов.

Не следует воспринимать эти данные как свидетельство того, что Terra превосходит Sonnet в работе с компьютером. Во всех приведённых в этой статье бенчмарках на использование компьютера и задачи агентов Sonnet 5.5 набирает больше баллов.

В чём выигрывает Terra: стоимость задачи, скорость и строгость формата вывода

В том же прогоне AA измерила, сколько ресурсов потратила каждая модель, чтобы получить свой результат:

На одну задачу Sonnet 5.5 использовала более чем в пять раз больше выходных токенов, чем Terra, и каждый такой токен стоит вдвое дороже. В итоге стоимость задачи у Terra составляет меньше десятой части стоимости у Sonnet ($0.40 против $5.46), а время — около 43% от измеренного AA времени на задачу (384 секунды против 901; AA учитывает время генерации, но не ожидание первого токена). При этом поток вывода самой Sonnet быстрее: 141 выходной токен в секунду против 91 у Terra в том же прогоне. Значит, Terra выигрывает во времени не благодаря более быстрой модели, а потому что генерирует меньше токенов. Дополнительные восемь баллов индекса Sonnet получила за счёт этих затрат. Стоят ли восемь баллов почти 14-кратной разницы в цене — зависит от того, во сколько вам обходится неудачный шаг.

Диаграмма Terminal-Bench от OpenAI показывает ту же картину с другой стороны: 70.6% при стоимости $10.44 за задачу у Sonnet против 50.3% при $1.84 у Terra с максимальным уровнем рассуждений. Kingy чётко сформулировал вопрос для бизнеса: насколько более высокий процент выполнения оправдывает себя, если учесть повторные попытки и проверку человеком.

Для задач с экранами и документами наиболее релевантны независимые данные из пилотного теста Kingy от 26 October. Тест был небольшим: шесть коротких задач, по две попытки на каждую, средний уровень рассуждений, без инструментов. В одной задаче требовалось извлечь поля из изображения синтетического счёта; в остальных — вернуть JSON, Python или SQL в точном формате.

Время запроса включает задержки сети и поставщика.

Обе модели дали правильные ответы во всех случаях. Разница была в их оформлении. В обеих попытках с одной из задач Sonnet добавила перед JSON арифметические выкладки, а ответы на Python и SQL оформила в блоках кода Markdown, хотя промпты это запрещали. Kingy отмечает, что некоторые такие обёртки можно обработать производственным парсером или принудительно заданным структурированным выводом, однако эти решения в тесте не проверялись. Но в конвейере, где код разбирает результат каждого шага, модель, которая выдаёт обычный JSON без дополнительных инструкций, избавляет от повторного запроса или очистки данных. Terra сделала это во всех десяти попытках, затратив около 41% средств от стоимости Sonnet. В этом пилотном тесте Sonnet отвечала на отдельный запрос быстрее.

Широко цитируется ещё один результат, который следует воспринимать именно как отдельный единичный пример. atomic.chat предложила командам из восьми агентов один и тот же промпт для создания небольшой игры. Terra справилась за 6 минут и $1.06; Sonnet 5.5 потратила час и $18.10, но atomic.chat сочла игру Sonnet «намного лучше». Настройки теста не опубликовали, поэтому сам по себе он ничего не доказывает, однако результат соответствует описанной выше тенденции: Sonnet тратит больше и часто выдаёт более качественный результат.

Сколько стоит эта задача на каждой модели

Пример расчёта по тарифам без скидок при одинаковом количестве токенов. Возьмём 10,000 шагов обработки документов. На каждом шаге отправляется 2,500 токенов неизменного префикса, попадающих в кэш, 1,500 новых входных токенов (содержимое страницы или снимка экрана) и получается 1,500 выходных токенов.

Запись в кэш не учитывается. Она добавит небольшую сумму для обеих моделей по тарифам на запись из таблицы выше.

При одинаковом количестве токенов Sonnet обходится ровно вдвое дороже, поскольку все тарифы у неё вдвое выше. Но на практике количество токенов будет разным. В прогоне AA Sonnet с максимальным уровнем рассуждений использовала на одну задачу примерно в 5.6 раза больше выходных токенов, чем Terra. Поскольку в этом примере именно вывод составляет основную часть затрат, реальная разница в стоимости задач для агентов, вероятно, будет больше, чем 2x. Насколько именно — зависит от ваших промптов и настроек уровня рассуждений; прежде чем принимать решение, протестируйте модели на небольшой выборке собственных шагов.

Примечание о ценах: скидка на Batch API от OpenAI в AIHubMix не действует, поскольку сервис не предоставляет доступ к конечной точке Batch. Поэтому в расчётах выше используются стандартные тарифы.

Кому какую модель выбрать

Выбирайте GPT-6.1 Terra, если:

• шаги короткие, их много и каждый проверяется программным кодом: извлечение полей из счетов, заполнение форм, следующий клик на знакомом экране;
• вывод должен разбираться без дополнительной обработки и вы не хотите добавлять слой исправления ошибок;
• бюджет определяется стоимостью тысячи шагов;
• неудачный шаг дёшево повторить или передать человеку.

Выбирайте Claude Sonnet 5.5, если:

• агент выполняет на компьютере длинные многошаговые сценарии без проверки каждого действия;
• процент успешного выполнения важнее стоимости, поскольку сбой обходится дороже токенов;
• тот же агент также пишет код — в Terminal-Bench Sonnet опережает Terra и на диаграмме OpenAI, и в тесте AA.

Использовать обе модели — тоже вариант: Terra — для извлечения данных и ввода на большом потоке, Sonnet — для длительных сложных задач и случаев, когда результат Terra не проходит проверку. В AIHubMix для этого достаточно сменить ID модели — вторую интеграцию настраивать не нужно.

Попробуйте обе модели через AIHubMix

Обе модели доступны по одному ключу AIHubMix и официальным ценам. В списке моделей AIHubMix указано, что Sonnet 5.5 доступна через Chat Completions, Responses и Anthropic Messages, а в собственных проверках AIHubMix от 27 октября Terra успешно работала со всеми тремя интерфейсами. Для Terra используйте эндпоинт Responses: OpenAI указывает, что инструменты этой модели доступны только через Responses, а в проверках AIHubMix настройка уровня рассуждений действовала только там. Формат запроса описан в документации AIHubMix Responses API.

В примере один и тот же промпт для извлечения данных отправляется обеим моделям через OpenAI SDK, после чего выводятся ответы и сведения об использованных токенах:

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)

Запустите пример на собственных документах или снимках экранов, проверьте, как часто ответы каждой модели удаётся разобрать, и сравните строки с данными об использовании: так вы узнаете реальное соотношение расхода токенов. Сопоставить характеристики и цены можно на странице сравнения Terra и Sonnet 5.5.

Часто задаваемые вопросы

GPT-6.1 Terra лучше Claude Sonnet 5.5 справляется с управлением компьютером?
Нет. В графике OpenAI у Sonnet 5.5 результат выше на OSWorld 2.1 (83.9% против 74.2% у Terra при максимальном уровне усилий), как и в запуске Artificial Analysis на AutomationBench-AA (72% против 60%). Преимущество Terra — в стоимости и формате вывода, а не в возможностях.

Насколько Terra дешевле Sonnet 5.5?
Стоимость за токен вдвое ниже: $1 за входные и $5 за выходные токены на миллион против $2 и $10; кэшированные входные токены стоят $0.05 против $0.10. Разница в стоимости задачи может быть ещё больше, поскольку Sonnet обычно использует больше выходных токенов. В запуске Artificial Analysis при максимальном уровне усилий задача с Terra стоила $0.40, а с Sonnet — $5.46.

Какая модель лучше подходит для извлечения данных из счетов и форм?
Для извлечения данных в большом объёме с последующей проверкой кодом лучше начать с Terra. В небольшом пилотном тесте Kingy обе модели корректно извлекли поля счёта и выдали их в запрошенном формате. Однако во всех десяти объективных попытках Terra 10 раз вернула точно заданный формат, а Sonnet — 4 раза. Ошибки Sonnet пришлись на отдельную задачу с JSON, а также на задачи с Python и SQL. При этом Terra израсходовала примерно 41% кредитов Sonnet. Прежде чем принять решение, проверьте обе модели на собственных документах.

Почему Anthropic и OpenAI приводят разные результаты Sonnet 5.5 на OSWorld?
Они тестировали модели в разных условиях. Anthropic указывает 80.1% на OSWorld 2.1 с пометкой «частичный результат», а на графике OpenAI показано 83.9% на офлайн-наборе OSWorld 2.1. Эти результаты нельзя напрямую сравнивать друг с другом; каждый следует сопоставлять только с показателями в рамках того же тестового запуска.

Одинакова ли стоимость обеих моделей в AIHubMix и официальных API?
Да. AIHubMix использует официальные тарифы для обеих моделей: $1 и $5 за миллион токенов для Terra, $2 и $10 — для Sonnet 5.5. Скидка Batch API от OpenAI недоступна, поскольку AIHubMix не предоставляет эндпоинт Batch.

Какой эндпоинт использовать для вызова Terra через AIHubMix?
Responses API. OpenAI указывает, что инструменты Terra, включая инструмент управления компьютером, доступны только через Responses. В проверках AIHubMix от 27 октября настройка уровня рассуждений действовала через Responses, но не через Chat Completions. Sonnet 5.5 также доступна через Responses, поэтому обе модели можно вызывать в одном цикле.

Читайте дальше: серия GPT-6.1 Terra

• Если сегодня ваш агент работает на GPT-5.6 Terra, прежде чем сравнивать поставщиков, узнайте, что изменится только за счёт обновления: GPT-6.1 Terra и GPT-5.6 Terra: цена вдвое ниже — что изменилось и кому стоит перейти
• Прежде чем переводить агента для работы с экраном на Terra, исправьте параметры и вызовы инструментов, которые перестают работать после перехода: Переход на GPT-6.1 Terra: исправьте ошибки 400 из-за temperature, перенесите инструменты в Responses и настройте Codex
• Если для длительных задач на компьютере возможностей Terra недостаточно, но вы хотите остаться с OpenAI, сравните её с моделью более высокого уровня: GPT-6.1 Terra и GPT-6.1 Sol: для каких задач всё ещё нужна Sol?
• Чтобы адаптировать приведённую выше таблицу затрат под собственный трафик, изучите уровни усилий и кэширование: Сколько на самом деле стоит GPT-6.1 Terra: уровни усилий, порог 272K и кэширование

Источники

• OpenAI: Представляем GPT-6.1 Terra
• Anthropic: Представляем Claude Sonnet 5.5
• Artificial Analysis: Сравнение GPT-6.1 Terra и Claude Sonnet 5.5
• Kingy: GPT-6.1 Terra: тесты, цены и сравнение моделей
• AIHubMix: Страница сравнения GPT-6.1 Terra и Claude Sonnet 5.5