GPT-6.1 Terra 與 Claude Sonnet 5.5：螢幕與文件 Agent 該選哪款中階模型？

OpenAI 於 2026 年 10 月 26 日發布 GPT-6.1 Terra，比 Anthropic 推出 Claude Sonnet 5.5 晚了四週。OpenAI 的發布文章將 Terra 與 Claude Opus 5.5 相提並論，但媒體報導採取了不同的比較角度。The Decoder 稱 Terra 是「OpenAI 最接近 Anthropic 中階 Sonnet 系列的競爭者，價格只有一半」，AlphaCorp 則稱 Terra 對上 Sonnet 是「中階市場真正的對決」。GPT-6.1 Sol 和 Sonnet 5.5 的定價同為 $2 / $10，因此本月要挑選中階模型的團隊，實際上是在 $1 / $5 的 Terra 與 $2 / $10 的 Sonnet 之間做選擇。

本文將針對一種工作情境做出選擇：螢幕與文件 Agent。Agent 讀取發票、表單或螢幕截圖，擷取欄位，再將資料輸入另一個應用程式。每個步驟都很短、可供檢查，而且每天會執行數千次。在這類任務上，兩款模型各有所長。Sonnet 5.5 在較困難的 Agent 基準測試中完成率較高，包括 OpenAI 自家發布內容中的電腦操作圖表。Terra 每個 token 的費用只有一半，在獨立測試中每項任務使用的 token 少得多，並在一項小型試驗中更可靠地遵循嚴格的輸出格式。

簡而言之：如果是大量執行、且輸出可供檢查的步驟，先從 Terra 開始。若是長時間無人看管的桌面操作，而執行失敗的成本高於 token 費用，Sonnet 5.5 值得它的價格。兩款模型都能透過 AIHubMix 使用同一把金鑰，價格與供應商自家的 API 相同；詳情請見GPT-6.1 Terra 模型頁面。

本文比較的任務

螢幕或文件 Agent 的步驟通常如下：

• 輸入：每次呼叫都會重複使用的固定前綴（系統提示詞、輸出結構描述、工具定義），再加上每次不同的內容：頁面影像、螢幕截圖或擷取出的文字。
• 輸出：簡短的結構化回答，例如 JSON 欄位或下一個 UI 操作。
• 執行量：數千到數十萬個步驟，每一步都會先由程式碼檢查，再寫入下游系統。

這類情境下，有四項因素決定模型選擇：欄位正確、輸出無須整理即可解析、每千個步驟的成本，以及每個步驟所需時間。每個步驟都很短且經過驗證時，長期任務的完成能力沒那麼重要；若 Agent 要在無人監看的情況下執行數十個桌面操作，這項能力就很重要。

兩款模型都能接收文字和影像輸入，也都適合這種工作流程。以下是與此情境相關的規格：

價格為官方每百萬 token 定價；AIHubMix 對兩款模型收取相同費用。Sonnet 的預設推理強度採用 Claude Platform 的預設值。當輸入超過 272K token 時，Terra 會將整筆請求的輸入費率乘以 2、輸出費率乘以 1.5；單頁文件步驟不會達到這個門檻。

螢幕 Agent 有一點值得注意：OpenAI 將 Terra 的工具呼叫功能（包括內建的電腦工具）列為 Responses API 的功能。在 AIHubMix 於 10 月 27 日進行的測試中，透過 Responses 端點呼叫 Terra，並提供電腦工具和螢幕截圖後，模型會傳回 computer_call 動作，因此這條路徑可透過 AIHubMix 使用。

Sonnet 5.5 的優勢：完成困難的 Agent 任務

以下基準測試數據來自三個來源，刻意分開呈現。OpenAI 的發布圖表由Kingy轉錄，屬於自行回報，目前還沒有人獨立重現。Anthropic 發布的 Sonnet 5.5 數據同樣是自行回報。Artificial Analysis（AA）則是獨立測試機構。若來源有提供推理強度，每項數據都會一併標示。

先看 OpenAI 自家的圖表，其中將 Sonnet 5.5 列為參考對照：

Sonnet 5.5 數據是 OpenAI 圖表所列的 max 推理強度結果。任務成本為 OpenAI 的估算值。

OSWorld 2.1 是電腦操作基準測試，也是最接近螢幕 Agent 的公開測試。在 OpenAI 的離線測試中，Sonnet 5.5 的得分比 max 推理強度的 Terra 高 9.7 分。採用預設值的 Terra medium 則落後 17.2 分。

Anthropic 的Sonnet 5.5 發布頁面列出自家的 OSWorld 2.1 測試結果 80.1%，並標註為「部分完成」；Terminal-Bench 4.0 則為 70.6%。該 OSWorld 測試與 OpenAI 的離線測試設定不同，因此 80.1% 和 83.9% 不能互相比較，也不應拿其中任何一項與另一家供應商測試中的 Terra 分數相比。兩家供應商公布的資料都指向同一結論：Sonnet 5.5 擅長桌面與終端機 Agent 任務。

Artificial Analysis 使用自家的測試框架測試了兩款模型：

AA 標示的 Sonnet 5.5 數據，是採用 max 推理強度並啟用備援的設定。

獨立測試中，Sonnet 在 Agent 任務上仍領先，AutomationBench-AA 高出 12 分，AA 的 Terminal-Bench 測試則高出 8 分。有兩項結果不符合這個趨勢：在長上下文推理測試 AA-LCR 中，兩者同為 83%；在 GDP.pdf 中，Terra 則以 29% 對 26% 小幅領先。這些結果都不足以證明 Terra 是較強的模型，但也顯示 Sonnet 並未像在 Agent 測試中那樣大幅拉開差距。

不要將上述結果解讀為 Terra 在電腦操作方面勝過 Sonnet。本文列出的所有電腦操作和 Agent 基準測試中，Sonnet 5.5 的得分都較高。

Terra 的優勢：每項任務成本、速度與輸出規範

同一輪 AA 測試也測量了兩款模型取得分數所花費的成本：

Sonnet 5.5 每項任務使用的輸出 token 數是 Terra 的五倍以上，而且每個 token 的價格也是兩倍。因此，每項任務的成本不到 Sonnet 的十分之一（$0.40，相較於 $5.46），AA 測得的每項任務耗時約為 Sonnet 的 43%（384 秒，相較於 901 秒；AA 計算的是生成時間，不含第一個 token 出現前的等待時間）。不過，Sonnet 本身的輸出串流速度更快，同一輪測試每秒輸出 141 個 token，而 Terra 為 91 個，因此 Terra 的時間優勢來自輸出 token 較少，而非模型速度較快。Sonnet 多花了這筆成本，換得高出 8 分的索引分數。多出的 8 分是否值得付出近 14 倍的成本，取決於一次失敗的步驟會讓你付出多少代價。

從另一個角度來看，OpenAI 的 Terminal-Bench 圖表也呈現相同的取捨：Sonnet 的得分為 70.6%，每項任務成本 $10.44；Terra max 則為 50.3%，每項任務成本 $1.84。Kingy 直接點出這個商業問題：把重試和人工審核納入計算後，較高的完成率究竟值多少？

針對螢幕與文件任務，最相關的獨立資料是 Kingy 於 10 月 26 日進行的試驗。規模不大：六項簡短任務，每項嘗試兩次，使用 medium 推理強度且不提供工具。一項任務是從合成發票影像中擷取欄位；其他任務則要求以指定格式輸出 JSON、Python 或 SQL。

請求時間包含網路和供應商延遲。

兩款模型的答案全部正確，差別在於輸出方式。Sonnet 在其中一項任務的兩次嘗試中，都在 JSON 前加入算術過程；它也將 Python 和 SQL 答案包在 Markdown 程式碼區塊中，違反提示詞的要求。Kingy 指出，正式環境中的解析器或強制結構化輸出可以處理其中一些格式問題，但這項試驗沒有測試這些解法。不過，在每個步驟都由程式碼解析的管線中，不必特別引導就能直接回傳純 JSON 的模型，可以省下一次重試或清理流程。Terra 在全部十次嘗試中都做到這點，費用約為 Sonnet 的 41%。在這次試驗中，Sonnet 每次請求的回應速度較快。

還有一項廣泛流傳的數據，但應該只把它視為單一案例。atomic.chat 讓八人 Agent 團隊使用相同提示詞打造一款小型遊戲。Terra 花 6 分鐘、費用 $1.06；Sonnet 5.5 則花了一小時、費用 $18.10，而 atomic.chat 認為 Sonnet 的遊戲「好得多」。測試設定並未公開，因此這項結果本身不能證明什麼，但與上述趨勢相符：Sonnet 花費較多，通常也能帶來更好的成果。

兩款模型的任務成本

以下是採用牌價的計算範例，假設 token 數量相同。以 10,000 個文件處理步驟為例。每個步驟會傳送 2,500 個可命中快取的固定前綴 token、1,500 個新輸入 token（頁面或螢幕截圖內容），並取得 1,500 個輸出 token。

此處未計入快取寫入費用。依照上方規格表中的寫入費率，兩款模型都只會增加少量成本。

在 token 數量相同的情況下，Sonnet 的成本剛好是兩倍，因為每一項費率都翻倍。實際 token 數量不會相同。在 AA 測試中，Sonnet 採用 max 推理強度時，每項任務使用的輸出 token 約為 Terra 的 5.6 倍；而輸出費用是本例中的最大支出項目，因此 Agent 任務的實際成本差距可能大於 2 倍。差距究竟多大，取決於你的提示詞和推理強度設定；承諾採用前，請先用自己的部分步驟進行測量。

另有一點定價資訊：OpenAI 的 Batch API 折扣不適用於 AIHubMix，因為 AIHubMix 未提供 Batch 端點，因此上述數據採用一般費率。

該選哪一款

符合以下情況時，選擇 GPT-6.1 Terra：

• 步驟簡短、數量多，而且會由程式碼檢查：例如擷取發票欄位、填寫表單，或在熟悉的畫面上執行下一個點擊操作；
• 輸出必須不經整理即可解析，而且你不想再加入修復流程；
• 每千個步驟的成本是預算的決定因素；
• 步驟失敗後，重試或交由人工處理的成本不高。

符合以下情況時，選擇 Claude Sonnet 5.5：

• Agent 需要長時間執行多步驟桌面操作，且沒有人逐一檢查每個動作；
• 完成率比費用更重要，因為執行失敗的成本高於 token 費用；
• 同一個 Agent 也會執行程式開發工作；在 OpenAI 的圖表和 AA 的測試中，Sonnet 的 Terminal-Bench 表現都勝過 Terra。

另一種做法是同時使用兩者：讓 Terra 處理大量擷取與資料輸入步驟，Sonnet 則負責耗時且困難的任務，以及 Terra 的輸出未通過驗證的情況。透過 AIHubMix，這只需要更換模型 ID，不必進行第二次整合。

透過 AIHubMix 試用兩者

兩個模型都能透過同一組 AIHubMix 金鑰，以官方價格使用。AIHubMix 的模型清單顯示，Sonnet 5.5 支援 Chat Completions、Responses 和 Anthropic Messages；而在 AIHubMix 於 10 月 27 日進行的測試中，Terra 在這三種介面上也都有回應。使用 Responses 端點呼叫 Terra：OpenAI 文件指出，Terra 的工具僅支援 Responses；在 AIHubMix 的測試中，推理強度也只有在此介面才會生效。AIHubMix Responses API 文件說明了請求格式。

這個範例使用 OpenAI SDK，將相同的擷取提示詞傳送給兩個模型，並列印各自的回答與 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)

用你自己的文件或畫面樣本執行程式，檢查每個回答有多少次能成功解析，並比較用量列：這就是你實際的 token 比率。如需並排查看規格與價格，請參閱Terra 與 Sonnet 5.5 比較頁面。

常見問題

GPT-6.1 Terra 的電腦操作能力比 Claude Sonnet 5.5 好嗎？
不會。OpenAI 自己的圖表顯示，Sonnet 5.5 在 OSWorld 2.1 的得分較高（最高推理強度下為 83.9%，Terra 則為 74.2%）；在 Artificial Analysis 的測試中，Sonnet 5.5 在 AutomationBench-AA 的得分也較高（72%，Terra 則為 60%）。Terra 的優勢在於成本和輸出格式，而非能力。

Terra 比 Sonnet 5.5 便宜多少？
每個 token 的價格是 Sonnet 5.5 的一半：每百萬 token 的輸入和輸出價格分別為 $1 和 $5，而 Sonnet 5.5 為 $2 和 $10；快取輸入則是 $0.05，Sonnet 5.5 為 $0.10。每項任務的差距可能更大，因為 Sonnet 通常會使用更多輸出 token。在 Artificial Analysis 以最高推理強度進行的測試中，Terra 每項任務的成本為 $0.40，Sonnet 則為 $5.46。

哪個模型更適合擷取發票和表單資料？
若是大量擷取，且會用程式碼檢查結果，Terra 是更好的起點。在 Kingy 的小型試行中，兩個模型都正確擷取發票欄位，並使用指定格式。不過，在全部 10 次客觀測試中，Terra 有 10 次完全符合要求的格式，Sonnet 則有 4 次；Sonnet 未符合格式的情況出現在另一項 JSON 任務，以及 Python 和 SQL 任務。Terra 消耗的點數約為 Sonnet 的 41%。請先用自己的文件測試兩者，再做決定。

為什麼 Anthropic 和 OpenAI 公布的 Sonnet 5.5 OSWorld 分數不同？
兩者使用的設定不同。Anthropic 公布 OSWorld 2.1 的 80.1%，並標註為部分完成；OpenAI 的圖表則顯示，在其 OSWorld 2.1 離線測試集上的得分為 83.9%。這些數字不能互相比較，各自只能與同一場測試中的分數對照。

在 AIHubMix 上使用兩個模型的價格，和官方 API 相同嗎？
相同。AIHubMix 對兩者收取官方定價：Terra 每百萬 token 為 $1 和 $5，Sonnet 5.5 則為 $2 和 $10。OpenAI 的 Batch API 折扣不適用，因為 AIHubMix 不提供 Batch 端點。

透過 AIHubMix 呼叫 Terra 應使用哪個端點？
Responses API。OpenAI 文件指出，Terra 的工具（包括電腦工具）僅支援 Responses；而在 AIHubMix 於 10 月 27 日進行的測試中，推理強度設定在 Responses 會生效，在 Chat Completions 則不會。AIHubMix 也提供 Sonnet 5.5 的 Responses 介面，因此同一個迴圈就能呼叫兩者。

繼續閱讀：GPT-6.1 Terra 系列

• 如果你的 Agent 目前使用 GPT-5.6 Terra，請先了解單純升級會帶來哪些變化，再比較不同供應商：GPT-6.1 Terra 與 GPT-5.6 Terra：價格減半、有哪些改變，以及誰該升級
• 將螢幕操作 Agent 移轉至 Terra 之前，先修正切換時會出問題的參數與工具呼叫：移轉至 GPT-6.1 Terra：修正 temperature 400 錯誤、將工具移至 Responses，並設定 Codex
• 如果長時間執行的桌面任務需要比 Terra 更強的模型，但你仍想使用 OpenAI，請比較上一級的模型：GPT-6.1 Terra 與 GPT-6.1 Sol：哪些任務仍需要 Sol？
• 若要根據自己的流量調整上方的成本表，請了解推理強度級別與快取：GPT-6.1 Terra 的實際成本：推理強度級別、272K 分界點與快取

資料來源

• OpenAI：介紹 GPT-6.1 Terra
• Anthropic：介紹 Claude Sonnet 5.5
• Artificial Analysis：GPT-6.1 Terra 與 Claude Sonnet 5.5 比較
• Kingy：GPT-6.1 Terra：基準測試、定價與模型比較
• AIHubMix：GPT-6.1 Terra 與 Claude Sonnet 5.5 比較頁面