GPT-6.1 Terra vs Claude Sonnet 5.5：屏幕与文档智能体该选哪款中端模型？

OpenAI 于 2026 年 10 月 26 日发布 GPT-6.1 Terra，比 Anthropic 推出 Claude Sonnet 5.5 晚了四周。OpenAI 的发布文章将 Terra 与 Claude Opus 5.5 对比，但媒体报道划出了另一条界线。The Decoder 称 Terra 是“OpenAI 最接近 Anthropic 中端 Sonnet 系列的竞争对手，价格只有一半”，AlphaCorp 则称 Terra 对阵 Sonnet 是“中端市场真正的较量”。GPT-6.1 Sol 和 Sonnet 5.5 的定价同为 $2 / $10，因此这个月要选中端模型的团队，实际上是在 $1 / $5 的 Terra 和 $2 / $10 的 Sonnet 之间做选择。

本文针对一种工作场景做出选择：屏幕与文档智能体。智能体读取发票、表单或屏幕截图，提取字段，再将字段录入另一个应用。每一步都很短、可以核验，而且每天会运行数千次。在这类任务中，两款模型各有胜场。Sonnet 5.5 在更多高难度智能体基准测试中表现更好，包括 OpenAI 自家发布材料中的电脑操作图表。Terra 的 token 单价只有一半，独立测试中每项任务使用的 token 也少得多，而且在一项小规模试点中更可靠地遵循了严格的输出格式。

简而言之：对于输出可核验的高频步骤，可以先从 Terra 开始。对于无人值守、耗时较长的桌面操作流程，如果一次运行失败造成的代价高于 token 账单，Sonnet 5.5 的价格就物有所值。两款模型都可以通过 AIHubMix 使用同一个 API 密钥，价格与供应商自有 API 相同；详情请参阅GPT-6.1 Terra 模型页面。

本次对比针对的任务

屏幕或文档智能体的一般步骤如下：

• 输入：每次调用都会重复使用的稳定前缀（系统提示词、输出架构、工具定义），加上每次更新的内容：页面图像、屏幕截图或提取出的文本。
• 输出：简短的结构化回答，例如 JSON 字段或下一步 UI 操作。
• 调用量：数千到数十万步，每一步都会先由代码核验，再写入下游系统。

在这里，模型表现由四件事决定：字段是否正确、输出能否无需清理就通过解析、每千步的成本，以及每步耗时。如果每一步都很短且经过核验，那么长程任务完成能力就没那么重要；如果智能体要在无人看管的情况下执行数十项桌面操作，这项能力就会重要得多。

两款模型都支持文本和图像输入，适用于这种任务。此处值得关注的规格如下：

价格为官方标价，单位是每百万 token；AIHubMix 对两款模型收取相同价格。Sonnet 的默认推理强度采用 Claude Platform 的默认设置。Terra 的输入超过 272K token 后，整次请求的输入按 2 倍、输出按 1.5 倍计费；单页文档处理步骤不会达到这个数量。

屏幕智能体还有一个实用要点：OpenAI 将 Terra 的工具调用（包括内置的 computer 工具）列为 Responses API 的功能。在 AIHubMix 于 10 月 27 日进行的测试中，通过 Responses 端点调用 Terra，并提供 computer 工具和屏幕截图后，模型返回了 computer_call 操作，因此这条调用路径可以通过 AIHubMix 使用。

Sonnet 5.5 的优势：完成高难度智能体任务

以下基准测试数据来自三个来源，我们特意将它们分开呈现。OpenAI 发布图表中的数据由Kingy转录，属于自报结果，尚无人进行独立复现。Anthropic 发布的 Sonnet 5.5 数据同样是自报结果。Artificial Analysis（AA）则是独立测试机构。来源提供了推理强度的地方，我们也一并列出。

先看 OpenAI 自家的图表，其中 Sonnet 5.5 被列为参照对象：

Sonnet 5.5 的数据是 OpenAI 图表所示的最高推理强度结果。任务成本为 OpenAI 的估算值。

OSWorld 2.1 是一项电脑操作基准测试，是最接近屏幕智能体的公开测试。在 OpenAI 的离线测试集上，Sonnet 5.5 以最高推理强度领先 Terra 9.7 个百分点。默认设置下的 Terra（中等推理强度）则落后 17.2 个百分点。

Anthropic 的Sonnet 5.5 发布页面报告了自家 OSWorld 2.1 测试结果，为 80.1%，并标注为“部分完成”；Terminal-Bench 4.0 的成绩为 70.6%。这次 OSWorld 测试与 OpenAI 的离线测试集设置不同，因此 80.1% 和 83.9% 不能互相比较，也不能拿任何一个数字与 Terra 在另一家供应商测试中的成绩对照。两家供应商公布的材料都指向同一个结论：Sonnet 5.5 擅长桌面和终端智能体任务。

Artificial Analysis 使用自家的测试框架运行了两款模型：

AA 标注的 Sonnet 5.5 数据采用最高推理强度配置，并启用了回退机制。

独立测试中，Sonnet 在智能体任务上仍然领先：AutomationBench-AA 高 12 个百分点，AA 的 Terminal-Bench 测试高 8 个百分点。有两项结果打破了这一趋势。在长上下文推理测试 AA-LCR 中，两款模型均为 83%。在 GDP.pdf 测试中，Terra 以 29% 对 26% 略胜一筹。这两项结果都不足以证明 Terra 是更强的模型，但也说明 Sonnet 并未像在智能体测试中那样大幅领先。

不要据此认为 Terra 在电脑操作方面胜过 Sonnet。在本文提到的所有电脑操作和智能体基准测试中，Sonnet 5.5 的得分都更高。

Terra 的优势：每项任务成本、速度和输出规范性

同一轮 AA 测试还测量了两款模型为取得相应成绩所花费的成本：

Sonnet 5.5 每项任务使用的输出 token 是 Terra 的五倍多，而且每个 token 的价格是 Terra 的两倍。因此，Sonnet 每项任务的成本不到 Terra 的十分之一（$0.40 对比 $5.46），AA 测得的每项任务耗时约为 Terra 的 43%（384 秒对比 901 秒；AA 统计的是生成时间，不包括输出首个 token 前的等待时间）。不过，Sonnet 本身的输出速度更快，同一轮测试中每秒输出 141 个 token，而 Terra 为 91 个。因此，Terra 耗时更短，是因为生成的 token 更少，而不是模型速度更快。Sonnet 多花这些成本，换来了高出 8 个指数点的成绩。多出的 8 个点值不值得近 14 倍的成本，取决于一次步骤失败会给你造成多大损失。

OpenAI 的 Terminal-Bench 图表从另一个角度展示了同样的取舍：Sonnet 的成绩为 70.6%，每项任务成本 $10.44；Terra 最高推理强度下的成绩为 50.3%，成本为 $1.84。Kingy 直截了当地提出了商业层面的问题：在考虑重试和人工审核后，更高的完成率究竟值多少钱？

对于屏幕与文档任务，最相关的独立数据来自 Kingy 于 10 月 26 日进行的试点。测试规模较小：六项短任务，每项尝试两次，使用中等推理强度，不调用工具。其中一项任务是从合成发票图像中提取字段；其他任务要求按精确格式输出 JSON、Python 或 SQL。

请求耗时包括网络延迟和供应商处理延迟。

两款模型的答案都全部正确，差异在于交付格式。Sonnet 有两次在某项任务的 JSON 前添加了算术说明，还用 Markdown 代码围栏包裹 Python 和 SQL 答案，违反了提示词要求。Kingy 指出，生产环境中的解析器或强制结构化输出可以处理其中一些格式问题，但试点并未测试这些修正方案。不过，在每一步都由代码解析的流水线中，模型无需额外引导就能返回纯 JSON，可以省下一次重试或清理操作。Terra 的十次尝试都做到了这一点，积分成本约为 Sonnet 的 41%。在这项试点中，Sonnet 单次请求的响应速度更快。

还有一条广为流传的数据，但应当把它视为一个单独的案例。atomic.chat 让由八个智能体组成的团队使用同一提示词开发一款小游戏。Terra 用时 6 分钟，成本 $1.06；Sonnet 5.5 花了一个小时，成本 $18.10，而 atomic.chat 认为 Sonnet 开发的游戏“好得多”。测试设置并未公开，因此单凭这一案例无法证明什么，但它与上述趋势相符：Sonnet 花费更多，往往也能交付更好的结果。

两款模型分别需要多少成本

以下是一个按标价计算的示例，假设 token 数量相同。以 10,000 个文档处理步骤为例。每步发送一个 2,500 token 的稳定前缀（命中缓存）、1,500 个新的输入 token（页面或屏幕截图内容），并接收 1,500 个输出 token。

此处未计入缓存写入费用。按照上方规格表中的写入费率，两款模型都会产生少量额外费用。

在 token 数量完全相同的情况下，Sonnet 的成本恰好是 Terra 的两倍，因为每项费率都翻了一倍。实际 token 数量不会相同。在 AA 的测试中，Sonnet 最高推理强度下每项任务使用的输出 token 约为 Terra 的 5.6 倍；而输出是此示例中成本最高的一项，因此智能体任务中的实际成本差距很可能会大于 2 倍。具体会大多少，取决于你的提示词和推理强度设置；在做决定前，请先用自己的一部分任务进行测试。

关于定价还有一点：OpenAI Batch API 的折扣不适用于 AIHubMix，因为 AIHubMix 不提供 Batch 端点，因此上面的数字均为标准费率。

该选哪一款

在以下情况下，选择 GPT-6.1 Terra：

• 步骤短、频次高且由代码核验：例如提取发票字段、录入表单，或在已知界面上执行下一次点击；
• 输出必须无需清理即可解析，而且你不想额外添加修复环节；
• 预算主要取决于每千步成本；
• 步骤失败后重试或转交人工处理的成本较低。

在以下情况下，选择 Claude Sonnet 5.5：

• 智能体需要在无人核验每项操作的情况下，长时间执行多步桌面操作；
• 完成率比账单更重要，因为一次运行失败造成的代价高于 token 成本；
• 同一个智能体还要处理编程任务，而在 OpenAI 的图表和 AA 的测试中，Sonnet 的 Terminal-Bench 成绩都领先 Terra。

也可以同时运行两者：用 Terra 处理高吞吐量的信息提取和录入步骤，用 Sonnet 处理耗时较长、难度较高的任务，以及 Terra 的输出未通过验证的情况。通过 AIHubMix，这只需更换模型 ID，无需进行第二次集成。

通过 AIHubMix 试用两者

通过一个 AIHubMix 密钥即可按官方价格调用这两款模型。AIHubMix 的模型列表显示，Sonnet 5.5 支持 Chat Completions、Responses 和 Anthropic Messages；在 10 月 27 日 AIHubMix 自行进行的检查中，Terra 在这三个接口上也都能正常响应。调用 Terra 时请使用 Responses 端点：OpenAI 文档说明，其工具仅支持 Responses；而在 AIHubMix 的检查中，推理强度也只有在该接口上生效。AIHubMix Responses API 文档介绍了请求格式。

这段示例使用 OpenAI SDK，向两个模型发送相同的提取提示词，并打印各自的回答和 token 用量：

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)

在你自己的文档或屏幕样本上运行，检查每个回答能否成功解析，并比较用量信息：这就是你实际测得的 token 比率。如需并排查看规格和价格，请参阅Terra 与 Sonnet 5.5 对比页面。

常见问题

GPT-6.1 Terra 的计算机使用能力比 Claude Sonnet 5.5 更好吗？
不是。在 OpenAI 自己的图表中，Sonnet 5.5 在 OSWorld 2.1 上的得分更高（最大推理强度下为 83.9%，Terra 为 74.2%）；在 Artificial Analysis 的测试中，Sonnet 5.5 在 AutomationBench-AA 上也得分更高（72%，Terra 为 60%）。Terra 的优势在于成本和输出格式，而非能力。

Terra 比 Sonnet 5.5 便宜多少？
按 token 计算，价格便宜一半：每百万 token 的输入和输出价格分别为 $1 和 $5，而 Sonnet 5.5 为 $2 和 $10；缓存输入则分别为 $0.05 和 $0.10。按任务计算，差距可能更大，因为 Sonnet 往往会使用更多输出 token。在 Artificial Analysis 的最大推理强度测试中，Terra 每项任务的成本为 $0.40，而 Sonnet 为 $5.46。

哪款模型更适合提取发票和表单信息？
对于由代码校验的高吞吐量信息提取，Terra 是更好的起点。在 Kingy 的小规模试点中，两款模型都正确提取了发票字段，并按要求的格式输出。不过，在全部 10 次客观测试中，Terra 有 10 次返回了完全符合要求的格式，Sonnet 则有 4 次；Sonnet 未通过的测试分别涉及一项独立的 JSON 任务，以及 Python 和 SQL 任务。Terra 消耗的额度约为 Sonnet 的 41%。做出决定前，请先用自己的文档测试两者。

为什么 Anthropic 和 OpenAI 报告的 Sonnet 5.5 OSWorld 分数不同？
因为两者采用了不同的测试设置。Anthropic 报告的 OSWorld 2.1 得分为 80.1%，并标注为部分完成；OpenAI 的图表则显示，Sonnet 5.5 在其 OSWorld 2.1 离线测试集上的得分为 83.9%。这两个数字不能相互比较，各自只能与同一测试中的分数对照来看。

两款模型在 AIHubMix 上的价格与官方 API 一样吗？
是。AIHubMix 对两款模型均按官方标价收费：Terra 每百万 token 输入和输出分别为 $1 和 $5，Sonnet 5.5 分别为 $2 和 $10。OpenAI 的 Batch API 折扣不适用，因为 AIHubMix 不提供 Batch 端点。

通过 AIHubMix 调用 Terra 应该使用哪个端点？
Responses API。OpenAI 文档说明，Terra 的工具（包括计算机工具）仅支持 Responses；在 AIHubMix 10 月 27 日的检查中，推理强度设置在 Responses 上生效，在 Chat Completions 上则不起作用。Sonnet 5.5 也支持 Responses，因此同一套调用流程可以同时调用两者。

继续阅读：GPT-6.1 Terra 系列

• 如果你的智能体目前运行在 GPT-5.6 Terra 上，可以先了解仅升级模型会带来哪些变化，再比较不同供应商：GPT-6.1 Terra 与 GPT-5.6 Terra 对比：价格减半、有哪些变化，以及哪些人该切换
• 在将屏幕智能体切换到 Terra 之前，先修复切换后会出问题的参数和工具调用：迁移到 GPT-6.1 Terra：修复 temperature 400 错误、将工具移至 Responses，并配置 Codex
• 如果耗时较长的桌面任务需要比 Terra 更强的模型，但你仍想使用 OpenAI，可以对比更高一档的模型：GPT-6.1 Terra 与 GPT-6.1 Sol 对比：哪些任务仍需要 Sol？
• 如需根据自己的流量调整上方的成本表，请了解不同推理强度级别和缓存：GPT-6.1 Terra 的实际成本：推理强度级别、272K 分界点和缓存

来源

• OpenAI：GPT-6.1 Terra 发布介绍
• Anthropic：Claude Sonnet 5.5 发布介绍
• Artificial Analysis：GPT-6.1 Terra 与 Claude Sonnet 5.5 对比
• Kingy：GPT-6.1 Terra：基准测试、定价与模型对比
• AIHubMix：GPT-6.1 Terra 与 Claude Sonnet 5.5 对比页面