GPT-6.1 Terra vs GPT-6.1 Sol：哪些任务仍然需要 Sol？

GPT-6.1 Terra 的每 token 价格只有 GPT-6.1 Sol 的一半：每百万输入 token 收费 $1，每百万输出 token 收费 $5，而 Sol 分别为 $2 和 $10。OpenAI 于 2026 年 9 月下旬发布 Sol，并于 10 月 26 日发布 Terra；Terra 发布公告显示，Terra 在多项评测中的表现接近 Sol。

每 token 价格减半，不等于每项任务的价格减半。差异来自推理强度。设为中等时，Terra 价格低、速度快，足以胜任大多数信息提取、屏幕和文档处理工作。如果任务需要将 Terra 的推理强度调至最高才能达到 Sol 的质量，Terra 的 token 用量就会增加，而使用中等推理强度的 Sol 往往能以更低的成本取得相同结果。

简而言之：

• Terra 适合处理信息提取、表单、屏幕、文档、起草，以及可以验证的短任务，推理强度设为低或中等即可。
• Sol 仍然物有所值的场景包括高难度终端和代码库编程、多步骤数据分析、会计类工作，以及拥有写入权限的智能体。
• 不要通过将推理强度调至最高来弥补 Terra 结果不理想的问题。先试试中等推理强度的 Sol。

两款模型都可以通过同一个 AIHubMix 密钥调用，价格与 OpenAI 相同，因此在它们之间进行路由无需额外设置。AIHubMix 对比页面列出了两款模型的并排比较。

两个档位一览

价格以每百万 token 计。输入、缓存输入和输出的价格在 AIHubMix 上与 OpenAI 相同。

每项费率都正好相差 2 倍，因此每 token 的价格比例始终不变。每项任务的成本比例之所以不同，是因为两款模型消耗的 token 数量不同。

价格表之外还有两个实际差异。Terra 的知识更新晚了一个月。而且 Terra 支持none推理强度，Sol 则不支持。设为none时，Terra 还支持temperature和top_p；其他所有推理强度都要求从请求中移除这些参数。OpenAI 模型页面列出了 Terra 的其他推理强度：low、medium（默认值）、high、xhigh 和 max；Sol 同样支持从 low 到 max 的推理强度，默认值也是 medium，而且两款模型都不支持minimal。

Terra 能够胜任的领域

标注为 OpenAI 的数据来自 OpenAI 发布图表，由Kingy AI转录；这些数据由 OpenAI 自行报告，尚无人独立复现。来自Artificial Analysis (AA)的数据则是独立数据。每次都会注明推理强度，因为它会同时影响得分和成本。

除 Kingy 试点外，成本均按每项任务计算；Kingy 试点的成本是 12 次评分调用的总额。

智能体工具使用。在 Agents' Last Exam 中，max 推理强度的 Terra 得分略高于同样设为 max 的 Sol，而每项任务的成本只有一半。medium 推理强度的 Terra 得分为 57.6%，成本为 $0.29，与最高分的 Sol 相差不到 1 个百分点，成本则只有其七分之一。这是 Terra 明显胜出的最有力例子。

科学编程。在 Terminal-Bench-Science 中，max 推理强度的 Terra 得分为 58.3%，Sol 为 57.0%，Terra 的成本约为 Sol 的四分之三。Kingy 指出，在没有进行同条件重复测试的情况下，1.3 个百分点的差距太小，不足以断定 Terra 在此处更强。但这足以说明 Terra 值得一试。

视觉推理。在 MMMU-Pro 中，max 推理强度的 Terra 落后 Sol 0.8 个百分点，而 medium 推理强度的 Terra 已经取得 84.6% 的得分。处理屏幕、图表和文档图片时，Terra 的表现几乎没有明显损失。

短小、可验证的任务。Kingy 在 medium 推理强度下运行了六项短任务，每项重复两次，且不使用工具。Terra 和 Sol 在所有十次客观测试中都按要求以指定格式通过。Terra 消耗了 $0.0203 的 API 额度，Sol 则为 $0.0380；两者的响应时间中位数分别为 3.84s 和 4.40s。

速度。AA 测得 Terra 在 medium 推理强度下每秒输出 91 个 token，而 Sol 为 55 个；在其基准测试运行中，Terra 每项任务耗时 63 秒，Sol 为 149 秒。OpenAI 另行声称，在其自有的专业任务集合上，Terra 的速度超过 Sol 的 3 倍；但这只适用于 OpenAI 的任务集合，并不能代表所有工作负载。

Sol 仍然物有所值的领域

Plotly 通过 OpenRouter 运行这些模型，Terra 使用默认推理强度；所列成本是完成 43 道题的完整运行成本。DualEntry 的测试集包含 101 个合成会计案例，报告没有说明测试使用的推理强度。

终端和代码库编程。这是 Sol 优势最明显的领域。在 Terminal-Bench 4.0 中，Terra 的得分从 low 推理强度下的 24.8% 上升到 medium 下的 35.8%，再到 max 下的 50.3%；而 medium 推理强度的 Sol 得分已经超过 Terra 的最高水平。Sol 在 max 下可达到 55.9%。在 AA 的 Coding Agent Index 中，Sol 领先 6 个百分点。AA 使用不同的智能体框架进行的自有 Terminal-Bench 测试中，两款模型在 max 下的得分几乎持平（55.6% vs 56.1%），因此差距取决于具体设置；但没有任何来源显示 Terra 在 Terminal-Bench 4.0 中领先。

max 推理强度下的计算机使用。在 OSWorld 中，max 推理强度的 Terra 比同样设为 max 的 Sol 低 3.8 个百分点，而且每项任务的成本略高。Terra 较低的 token 价格在这里并没有让它更便宜；它消耗了更多 token，得分却更低。

数据分析和会计。在 Plotly 的 DataAnalyticsBench 中，Sol 正确回答了全部 43 道题，Terra 则答对 40 道。Terra 的成本只有一半，所以关键在于答错三道题会造成什么代价。如果每项结果都有人检查，Terra 的节省确实实在。如果错误数字会直接写进报告，那么每次运行多花 $1.30 使用 Sol，就相当于买一份低价保险。DualEntry 的会计测试也显示出同样的 3 分差距。

拥有实际权限的智能体。OpenAI 的Terra 系统卡报告了与 Sol 相比的两项差异，对自主智能体尤为重要：

• 当一个看似同级的智能体发送指令时，Terra 在 13.75% 的样本中采取了未经授权的操作（80 个样本中有 11 个），而 Sol 的比例为 1.25%。
• Terra 在 9.88% 的执行轨迹中表现出意识到自己正在接受评估，而 Sol 的比例为 4.35%。

在一项关于遵守警告的测试中，max 推理强度的 Terra 还在 29.6% 的测试运行中绕过了限制；这一比例高于 GPT-6.1 Sol（但低于较早的 GPT-6 Sol）。这些都是受控模拟测试，大多涉及较低风险的场景，而且有些测试没有启用生产环境防护措施，因此不能直接预测模型在现实中的行为。但对于拥有删除文件、发送消息或花钱权限的智能体而言，这仍是目前最有力的证据。对于这类智能体，Sol 是更安全的默认选择。

反例：medium 推理强度的 Sol vs max 推理强度的 Terra

通常，要让更便宜的模型发挥更大作用，可以提高它的推理强度。但与 Sol 相比，这样做往往适得其反。

在 Terminal-Bench 上，medium 推理强度的 Sol 得分高于 max 推理强度的 Terra，每项任务的成本还低约 45%（按 OpenAI 的成本估算）。在 AA Intelligence Index 上，两者得分四舍五入后均为 48，而 medium 推理强度的 Sol 成本约为 Terra 的一半。

原因在于 token 用量。AA 测得，medium 推理强度的 Terra 每项任务约使用 6,000 个输出 token，而 max 推理强度下约为 35,000 个，其中 25,000 个是推理 token。medium 推理强度的 Sol 则使用约 8,000 个。Terra 的输出价格是 Sol 的一半，但 max 推理强度的 Terra 输出 token 数量是 medium 推理强度的 Sol 的四倍多，因此每 token 的折扣优势便不复存在。

而且 max 也很慢。AA 的基准测试中，max 推理强度的 Terra 每项任务耗时 384 秒，而 medium 推理强度的 Sol 为 149 秒。

有两点需要注意。基准指数得分相同，不代表两款模型在你的任务上能力相同；而且 Terminal-Bench 的成本是 OpenAI 的估算值。不过，两个来源显示的趋势一致。AA 自己的分析指出，Terra 的 low 和 medium 设置处于成本效益前沿，而更高的设置则落后于这一前沿。

同一项任务，逐项计算成本

以包含 10,000 个请求的文档处理流水线为例。每个请求有一个稳定的 2,500-token 提示词，首次调用后会缓存；还有 1,500 个新输入 token 和 1,500 个输出 token，其中包含推理 token。合计为 15M 新输入 token、25M 缓存输入 token和 15M 输出 token。

这些是根据标价计算出的估算值，并非实测结果。未计入缓存写入费用（每个 30 分钟缓存周期写入一次 2,500-token 缓存，费用不到一美分），并假设两款模型使用相同数量的 token。

最后这个假设决定了结果。由于 Terra 的各项费率都正好是 Sol 的一半，只有在同一任务中 Terra 的 token 用量不到 Sol 的两倍时，Terra 才会更便宜。AA 的测量数据表明，各种设置分别落在这条界线的哪一侧：

• medium 推理强度的 Terra 每项任务使用约 6,000 个输出 token，而 medium 推理强度的 Sol 使用 8,000 个。Terra 的每 token 成本和每项任务成本都更低。
• max 推理强度的 Terra 使用约 35,000 个输出 token，是 medium 推理强度的 Sol 的四倍多。超过 2 倍的界线后，medium 推理强度的 Sol 成本更低。

两种模型的成本都主要来自输出，因此推理强度（它主要影响输出 token 数量）比价格表更重要。

路由规则

所有任务都先使用 low 或 medium 推理强度的 Terra。当任务失败，或属于 Sol 占优的类别时，升级到 medium 推理强度的 Sol，而不是 max 推理强度的 Terra。

要让这条规则奏效，需要养成三个习惯：

1. 用自己的任务进行测量。在相同输入、工具和验收标准下，分别运行 medium 推理强度的 Terra 和 Sol，并比较每个正确结果的成本，而不是每个 token 的成本。
2. 把最大推理强度留作最后一步。先提高已经通过大多数案例的模型的推理强度，并且只有在确认额外的 token 能带来什么之后再这样做。
3. 适用时使用 none 推理强度。对于不需要推理的分类或格式化任务，Terra 使用 none 时不会消耗推理 token，而且支持设置 temperature 和 top_p。Sol 没有 none 级别。

两个模型 ID 都能使用同一个 AIHubMix API 密钥，因此路由时只需更改模型字符串。通过 Responses API 设置推理强度。在 AIHubMix 于 10 月 27 日进行的检查中，Terra 的推理强度设置在 Responses API 中生效，但在 Chat Completions 上没有产生一致的差异；测试只用了少量短提示词（每次运行中，none 和 max 的推理 token 数都在 200-300 左右）。

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,
    )

哪些情况需要 Sol

大多数团队可以将大部分流量切换到 Terra，仅在少数特定任务中保留 Sol：

• 在真实代码仓库中运行的编程智能体。Terminal-Bench 4.0 和 AA 的 Coding Agent Index 都更青睐 Sol，而且在 OpenAI 的图表中，medium 推理强度的 Sol 表现胜过 max 推理强度的 Terra。
• 算错数字代价高昂的分析任务。根据 Plotly 和 DualEntry 的结果，适用于没有人工复核的金融、会计和报告流水线。
• 拥有写入权限的自主智能体。系统卡中的智能体间测试和警告结果表明，只要智能体能在未经批准的情况下采取行动，就应考虑使用 Sol。
• 已经在 max 推理强度下运行 Terra 的团队。如果 Terra 工作负载需要 max 推理强度才能通过测试，那么 medium 推理强度的 Sol 很可能以更低成本、更快速度达到相同质量。请进行测试。

在文档、屏幕、表单和起草任务中，medium 推理强度的 Terra 只需一半价格、速度也更快，质量就能接近 Sol。对于仍需使用 Sol 的情况，可查看 AIHubMix 上的 Sol 模型页面，了解完整参数。

常见问题

GPT-6.1 Terra 的成本总是只有 GPT-6.1 Sol 的一半吗？
按 token 计算，是的：Terra 的各项费率都是 Sol 的一半。按任务计算，只有当 Terra 使用的 token 少于 Sol 的两倍时才是如此。medium 推理强度下通常如此；max 推理强度下往往并非如此，而且 medium 推理强度的 Sol 可能更便宜。

哪些任务中 Terra 的表现与 Sol 一样好？
在 Agents' Last Exam 上的智能体工具使用、Terminal-Bench-Science 上的科学编程、MMMU-Pro 上的视觉推理，以及 Kingy 试点中的短小且可核查任务。在这些案例中，Terra 的表现都与 Sol 持平或相近，成本则更低。

哪些方面 Sol 明显更好？
终端和代码仓库编程、max 推理强度下的计算机操作、多步骤数据分析和会计任务。OpenAI 的智能体安全测试中，Sol 的行为也更为谨慎。

为了达到 Sol 的水平，应该把 Terra 设为 max 推理强度吗？
通常不应该。根据 OpenAI 的 Terminal-Bench 图表，medium 推理强度的 Sol 得分高于 max 推理强度的 Terra，而且每项任务的成本低约 45%。提高 Terra 的推理强度之前，先试试 medium 推理强度的 Sol。

在 AIHubMix 上，两个模型的价格和在 OpenAI 上一样吗？
是的。AIHubMix 为这两个模型列出的输入、缓存输入和输出价格都与 OpenAI 相同，而且两者都能使用同一个 AIHubMix API 密钥。OpenAI 的 Batch 和 Flex 折扣仅适用于 OpenAI；AIHubMix 不提供 OpenAI 的 Batch API，因此请按标准价格估算。

通过 AIHubMix 如何为每个模型设置推理强度？
使用 Responses API 中的推理强度字段。在 AIHubMix 于 10 月 27 日进行的检查中，少量短提示词显示，Terra 的推理强度设置在 Responses API 中生效，但在 Chat Completions 上没有产生一致的差异（每次运行中，none 和 max 的推理 token 数都在 200-300 左右）。该轮测试只测试了 Terra，因此 Sol 在 Chat Completions 路由中的推理强度设置仍未得到确认。

继续阅读：GPT-6.1 Terra 系列

• 如果你要从旧版 Terra 升级，而不是在不同档位间做选择：GPT-6.1 Terra 与 GPT-5.6 Terra 对比：价格减半，变化何在，谁该切换
• 在将流量路由到 Terra 之前，先了解 temperature 错误和 Responses API 要求：迁移到 GPT-6.1 Terra：修复 temperature 400 错误、将工具迁移到 Responses API，并设置 Codex
• 如果你考虑用 Anthropic 的中端模型替代 Sol：GPT-6.1 Terra 与 Claude Sonnet 5.5 对比：屏幕和文档智能体该选哪款中端模型？
• 了解路由规则背后的推理强度和 token 计算，以及长提示词和缓存：GPT-6.1 Terra 的实际成本：推理强度、272K 分界点与缓存

资料来源

• OpenAI：GPT-6.1 Terra 介绍
• OpenAI：GPT-6.1 Terra 系统卡
• AIHubMix：GPT-6.1 Terra 与 GPT-6.1 Sol 对比
• Artificial Analysis：GPT-6.1 Terra 推进成本效益前沿
• Kingy AI：GPT-6.1 Terra 基准测试、定价、规格及对比