GPT-6.1 Terra 是什麼？OpenAI 新中階模型：規格、API 價格、評測與值不值得換

OpenAI 在台灣時間 10 月 27 日（美國時間 10 月 26 日）發布 GPT-6.1 Terra，把 GPT-6 大改版時被跳過的中階檔位 Terra，直接補上 6.1 版本。一句話定位：它是 GPT-6 系列裡速度快、單價低的日常工作模型，主打視覺推理、電腦操作（computer use）與更自然的寫作，API 價格為輸入每百萬 tokens 1 美元、輸出 5 美元，比前代 GPT-5.6 Terra 的 2 美元與 12 美元大幅調降。ChatGPT Work、Codex 與 OpenAI API 在發布當天宣布提供，GitHub Copilot 也同步宣布漸進推出。它不是來取代旗艦 Astra 的：深度研究與複雜編碼，官方仍建議選 GPT-6.1 Sol 或 GPT-6 Astra；Terra 的價值在讓高用量的日常代理人工作流，用低一截的成本跑起來。若要比較同世代的高階選項，可對照 GPT-6.1 Sol 的更新與 API 設定。

定位：GPT-6 系列的中階檔（Luna＜Terra＜Sol＜Astra），主打視覺推理、電腦操作與自然寫作。

價格：輸入 1 美元、輸出 5 美元（每百萬 tokens），輸入正好比 GPT-5.6 Terra 減半，輸出降幅更大。

規格：105 萬 tokens 上下文、知識截止日 2026 年 6 月 1 日、reasoning effort 支援 none 到 max。

取得：ChatGPT Work（Plus、Pro、Enterprise、Edu）、Codex、API（模型 ID 為 gpt-6.1-terra）與 GitHub Copilot 的五個付費方案。

判斷：官方內部基準顯示錯誤率與電腦操作大幅進步，Artificial Analysis 發布當天已給出獨立分數，但深度第三方評測還很少，換模型前先用自己的任務對照測試。

影片解說：讀圖、電腦操作與 API 成本

GPT-6.1 Terra 是什麼：OpenAI 把中階檔位補回 GPT-6 家族

OpenAI 在 這次的發布公告裡，用「快速、高效率的模型，結合細緻的視覺推理與精準的電腦操作，以及更清晰、更自然的寫作」介紹 GPT-6.1 Terra，並稱其為明確的一步升級，鎖定的是填滿工作日的溝通與電腦任務：起草提案、解讀技術圖面、填寫表單、剪輯影片。這四個例子值得拆開看，因為它們各自對應一種工作型態：提案與文案是純文字產出，技術圖面考讀圖與比對，表單是跨欄位的資料搬移，影片剪輯則需要在時間軸上反覆下指令。把它們放在一起，官方想講的其實是同一件事：這些工作過去分散在人工與不同工具之間，Terra 的目標是用一個夠便宜、夠快的模型把它們接起來。

模型文件頁給了四個更具體的使用情境：把商品照片對應到型錄條目、解讀技術圖面、在應用程式畫面上執行操作，以及草擬與修改文字。對電商營運、行政流程自動化或需要批次讀圖的團隊來說，這幾個例子比抽象的「智能提升」更容易對到自己的工作。輸入支援文字與圖片，模型原生輸出為文字；若要產生圖片，可透過 image_generation 工具委派給生圖模型，語音則不在原生輸出範圍。

一個容易被忽略的細節是知識截止日：GPT-6.1 Terra 的訓練資料看到 2026 年 6 月 1 日，比 GPT-6 Astra 與 GPT-6.1 Sol 的 4 月 30 日都新。如果你的任務需要模型對春夏之交的事件有印象，Terra 反而是目前 GPT-6 家族裡記憶最新的成員。上下文視窗同樣是 105 萬 tokens（最大輸入 92.2 萬、最大輸出 12.8 萬），與兩個高階模型持平。

Luna、Terra、Sol、Astra：Terra 名稱回歸的脈絡

要理解這次更新的意義，得先看 OpenAI 的模型檔位地圖。GPT-5.6 世代有小、中、大三檔：Luna、Terra、Sol，其中 Terra 大約對應早期 GPT-5 家族的 mini 定位，走的是智慧與成本的平衡路線。今年 9 月的 GPT-6 大改版先迎來最旗艦的 Astra，接著 Sol 與 Luna 升上 GPT-6，Terra 卻整批被跳過，中階檔位空了一個多月，直到這次直接從 5.6 跳到 6.1。社群對這段空窗的觀察是，GPT-6.1 Sol 的定價正好落在舊 Terra 的價格帶，中階定位一度被壓縮，Terra 回歸後四檔之間的價格梯度才重新拉開。想回顧這兩個世代的完整脈絡，可以參考站上先前的 GPT-5.6 家族總覽與 GPT-6 Astra 完整介紹。

在 Hacker News 自述任職 OpenAI 的 tedsanders，於 Hacker News 的討論串裡親自解釋了這套命名：模型表現由很多維度組成，但大部分差異可以用模型尺寸解釋，四個檔位的排序是 Luna 小於 Terra 小於 Sol 小於 Astra。只看品質選 Astra，有點價格敏感選 Sol，非常在乎成本選 Terra 或 Luna。他對 Terra 的具體描述是：技術溝通（technical communication）可能比 Astra 和 Sol 都好，視覺與電腦操作相近但快得多，其他多數面向略遜一籌；對 API 開發者是想省錢又需要比 Luna 聰明的中間選項，對訂閱用戶則「不是震撼彈級的更新」。版本號的意義他也說明了：6.1 代表發布順序在 5.6 之後、與其他 6.1 模型共用部分訓練資料與個性，幅度不到需要叫 7 的程度。

這段說明對採購決策有兩個實際用處。第一，遇到「Terra 6.1 會不會贏過 Sol 6」這類問題時，這位員工在討論中提出的思考框架不是絕對排序，而是尺寸與世代兩個軸：尺寸決定可靠度與冷門知識的召回，世代決定訓練資料與新技術，新世代的中階模型在特定任務上超越舊世代高階模型是正常現象，就像手機新款標準版在部分規格勝過舊款旗艦。第二，他也提醒這種多維度差異「無法只用一個名字傳達」，選型最終仍要回到自己的任務實測，這與後文建議的對照測試方法一致。

Terra 是地球的拉丁文名稱。這套命名以 Luna、Terra、Sol、Astra 區分模型檔位；其中 Luna 指月球、Sol 指太陽，不能把它們解讀成嚴格的行星序列，也不能由名稱反推出未公開的參數量。對採購決策者的實際意義是：看到 Terra 就先想到單價減半的日常工，看到 Sol、Astra 才是往上限推的深度工。官方也釋出同名短片《GPT-6.1 Terra is now in orbit》，用衛星入軌的意象介紹這次發布。

能力重點：視覺推理、電腦操作與寫作，官方資料怎麼讀

發布公告的核心賣點有三塊：電腦操作、視覺推理、寫作品質。OpenAI 給的數字都來自內部基準，以下逐項拆解每個數字在測什麼、進步多大，以及哪些結論不能直接延伸。

電腦操作：15 個百分點的提升與 Astra 十分之一的價格

電腦操作是這次的主秀。OpenAI 量測的方式，是讓模型在真實軟體環境裡看畫面、點按鈕、跨應用完成任務，模型要自己判斷目前在哪個畫面、下一步該對哪個元素動作，出錯時還要能自行復原。在 medium reasoning effort 設定下，GPT-6.1 Terra 的分數比 GPT-5.6 Terra 高 15 個百分點，而成本只有約三分之一。官方進一步宣稱，它的表現與旗艦 GPT-6 Astra 相當，每 token 價格卻只有十分之一，而且在 Agents’ Last Exam 這項「測代理人會不會用工作軟體」的測試中，公告列出的 max effort 結果顯示，完成任務速度比 Astra 與 GPT-6.1 Sol 快 3 倍以上。換句話說，OpenAI 把「便宜」和「快」包在同一個檔位裡，這對要跑千百次重複操作的代理人工作流，比單次智商分數更有感。

為什麼速度的影響比字面上更大，可以這樣算：如果一個資料登錄代理人每筆資料要點十次、每次操作之間都有畫面截圖來回，模型回應速度乘上操作次數就是每筆資料的等待時間，若模型等待時間是主要瓶頸，回應變快就有機會提高吞吐量；實際增幅還受工具延遲、限流、操作步數與重試率影響，不能直接把基準的速度倍數換成產量倍數。對內部流程自動化來說，吞吐量與延遲往往比單次正確率更容易左右導入成敗。

要留意的是這些都是官方宣稱：測試環境、任務挑選與評分方式都由 OpenAI 自己定義，獨立複驗要等第三方跑完自己的流程。「與 Astra 相當」只在公告所列的特定測試與設定下成立；缺少完整樣本與誤差資訊，不能只憑提升幅度判定統計顯著，也不能推論所有疑難操作都有相同排序。

視覺推理：MMMU-Pro 幾乎追平旗艦

視覺推理用 MMMU-Pro 衡量，這是一套以大學程度跨領域圖片題為主的基準，考的是看懂圖表、圖面與示意結構再推理的能力，題目設計刻意要求「先看懂圖、才能答對題」，而不是把圖當裝飾。OpenAI 的說法是 Terra 在 MMMU-Pro 上「幾乎追平最有能力的 GPT-6 Astra 與 GPT-6.1 Sol，成本低得多」。對照模型文件給的例子，這項能力直接對應到把產品照片歸到型錄、比對工程圖面這類一眼看起來簡單、其實很吃細節的工作。實務上還能延伸到發票與表單欄位辨識、庫存照片與品項清單對帳、設計稿與規格書的差異比對，這些工作的共同點是「重複、有明確答案、量大」，正好是便宜模型最能發揮的形態。若你的團隊過去因為 Astra 太貴而把讀圖工作留給人工，Terra 的價格帶讓這類自動化第一次有了夠低的進入門檻。

錯誤率：從 53.6% 到 16.7% 的進步與它的限制

可靠度方面，OpenAI 用一套內部的「易出錯提示」基準量測：低 reasoning effort 下，錯誤率從 GPT-5.6 Terra 的 53.6% 降到 16.7%，少了將近 37 個百分點；拉到最高 effort，錯誤率再降到 4.3%，比前代低 18 個百分點，已經接近 Astra 與 GPT-6.1 Sol 的水準。這組數字顯示，同一套內部測試下，新版在低 effort 已有明顯改善；日常批次是否需要提高 effort，仍應依任務成功率與成本測試。

但這套基準的題目本來就是挑出來誘發錯誤的，量到的絕對錯誤率遠高於一般使用情境，不能把它讀成「Terra 平時有 16.7% 機率出錯」。正確的讀法是拿它當前後代與不同 effort 之間的相對比較：同樣低算力設定，新版出錯的機會少了一大截，這才是決策可用的資訊。真正接近日常的參考，是搭配 系統卡附錄看長期測試：在標註過的 ChatGPT 對話幻覺測試上，Terra 的表現與 GPT-6.1 Sol 相當且明顯優於 GPT-6 Sol；心理與情緒對話的 MentalHealthBench 拿到 55.5 分，比前代的 46.2 高出一截。安全評估的部分，Terra 沿用與 Astra、Sol 相同的防護堆疊，在網安能力上被列為 Critical 等級管控，附錄也列出退步項目：Production Benchmarks 的 extremism、hate 等差異未達統計顯著，但圖像輸入安全評估中的 hate 與 extremism 出現統計顯著退步。官方綜合其他評估與人工複查後，認為整體表現與近期發布水準相當。

獨立評測現況：Artificial Analysis 發布當天就給了分數

獨立評測機構 Artificial Analysis 在發布當天就完成了第一輪量測。在其 模型頁上，GPT-6.1 Terra 以 max 推理設定拿到智慧指數 48 分，遠高於同價位帶的中位數 28；輸出速度 90.9 tokens/秒，略快於同價位比較組的中位數 89.7；跑完一次智慧指數任務的平均成本約 0.40 美元。該機構的總結是：這是 GPT-5.6 之後第一個 Terra 級模型，智慧提升的同時把性價比前沿再往外推。

讀這組數字有兩個訣竅。第一，48 分是 max effort 的成績，同機構的比較推文指出 Terra 在對等設定下比 GPT-5.6 Terra 高 6 分，單任務成本從約 1.40 美元降到 0.40 美元，所以「便宜變聰明」這句話有資料基礎，但幅度要看你用哪個 effort 檔。第二，max effort 的代價是思考時間：查閱時該頁列出的首 token 延遲約為 77.96 秒，對延遲敏感的即時互動仍需實測。要拿 Terra 做即時問答類產品，可先從 medium 或更低 effort 測起，再依首字延遲與品質決定；max 則可優先用在能容許較長等待的離線工作。

API 價格總整理：四檔模型對照與計費細節

價格是這次更新最直接的訊息。依 模型文件頁刊載的標準費率，GPT-6.1 Terra 輸入每百萬 tokens 1 美元、輸出 5 美元，快取命中只要 0.05 美元。對照前代 GPT-5.6 Terra 的輸入 2 美元、輸出 12 美元，輸入正好減半，輸出降幅接近六成，官方口徑「標準 API 價格降 50%」甚至略為保守。下面把四個相關檔位放在同一張表：

標準費率之外還有幾條會改變帳單的規則，逐條看對工作流的影響：超過 27.2 萬輸入 tokens 的長提示，輸入與快取費率乘 2、輸出乘 1.5 全程計算，這對把整本手冊或程式庫塞進 context 的做法是實質懲罰，值得先做摘要或分段；Batch 與 Flex 打五折，適合可以等幾小時的離線批次，例如夜間跑的圖片標籤批次；Fast mode 兩倍價、區域化處理加收 10%，兩者都只在你主動選用時生效。快取命中與寫入分開計費：30 分鐘保留的寫入為每百萬 tokens 1.25 美元，12 小時保留為 2.50 美元，命中輸入則為 0.05 美元。重複請求必須符合可重用前綴與快取邊界等條件，不能只因文字相同就假設一定命中；是否省錢要一起計算寫入次數與實際重用量。web_search 等工具可能另有呼叫費，搜尋內容也可能按模型輸入費率計算；computer use 還要計入畫面與回傳資料所用 tokens，以及執行環境成本。不同工具的計費單位不同，請逐項對照定價頁，不能假設每次點擊都有相同固定費。

拿一個可重算的情境感受價差。假設一個讀圖代理人每月消耗 3,000 萬輸入 tokens（其中六成會命中快取）與 300 萬輸出 tokens：Terra 的月費是 1,200 萬乘 1 美元加 1,800 萬乘 0.05 美元再加 300 萬乘 5 美元，僅這三項合計約 27.9 美元（尚未計入快取寫入、工具與執行環境費用，且假設各次請求都適用短上下文標準費率）；同用量在 GPT-5.6 Terra 要約 63.6 美元；全跑 GPT-6 Astra 則要約 288 美元。在這組用量與費率假設下，Terra 的三項 token 費用約為 Astra 的十分之一；完整帳單還要加上各自的寫入、工具與執行費用。此估算未含長文加價與工具呼叫費，實際數字會隨你的快取命中率變動。

跟 GPT-6.1 Sol、GPT-6 Astra 差在哪：選擇判準

公告裡官方把話說得很白：需要深度研究或複雜編碼，選 GPT-6.1 Sol 或 GPT-6 Astra；Terra 負責的是高量日常。在 ChatGPT Work 與 Codex 裡，同樣的用量額度用 Terra 會比用前代撐得更久，更遠高於 Sol 與 Astra 的消耗速度。價格階梯也延續同樣邏輯：Sol 的每 token 價格是 Terra 的兩倍，Astra 是十倍。

功能面有一個反向差異值得開發者注意：Terra 支援把 reasoning effort 設成 none，Astra 與 GPT-6.1 Sol 都不支援，最低只能到 low。要做純分類、抽欄位、格式轉換這種不需要思考的工作，Terra 可以完全關掉推理直接省錢，這在兩個高階模型上做不到。先前對 GPT-6.1 Sol 的更新重點有興趣的讀者，可以把這點視為兩者最實用的分工線。

很多開發者會卡在另一個問題：調高 effort 和換更大的模型，到底差在哪？兩者作用在不同地方。effort 控制的是單一模型在回答前願意花多少推理 tokens，把難題想久一點；模型檔位決定的是基礎能力、冷門知識召回與可靠度。同一個 Terra 從 low 拉到 max，錯誤率從 16.7% 降到 4.3%，這是 effort 的槓桿；但遇到 Terra 檔位本身就答不動的罕見知識或開放式研究，effort 拉再高也只是把錯誤想得更仔細，這時才需要換 Sol 或 Astra。實務上的順序是：先用中階模型配適當 effort 跑，把答不動的任務挑出來集中給高階模型，成本結構會比全程用旗艦健康得多。

社群的看法比官方宣稱保守。Hacker News 上有人整理測試結果後認為，除了 Agents’ Last Exam 這項電腦操作測試，GPT-6.1 Sol 在其餘基準幾乎全面勝過 Terra，而每任務成本的差距沒有牌面單價那麼大，因為 Sol 往往用更少的推理 tokens 完成同一件事。這個提醒合理：牌面價格是每百萬 tokens 的單價，真正該比的是「完成你的任務」的總成本，而這只能用你自己的工作負載量出來。

把選擇判準收斂成三條，依序檢查比逐個比價快：

• 任務形態：要看懂畫面並反覆操作軟體、量大、對速度敏感，選 Terra；官方把它對準的就是這種工作日的重複工，成本與速度都站在你這邊。
• 難度上限：開放式研究、難除錯的程式、需要最強把關的文件，轉向 Sol 或 Astra；Terra 在多數非操作類基準仍落後兩個高階檔，省下的錢可能要花在重試上。
• 中間地帶：同一批任務在 Terra 與 Sol 上跑對照，用品質差距是否值得價差來決定，不要只看牌面單價，要看完成任務的總成本。

至於跨廠的比較，例如與同樣主打中階性價比的 Claude Sonnet 5.5 對比，可以從 Claude Sonnet 5.5 的評測與 effort 設定一文取得對照基準，本文不展開。

哪裡能用：ChatGPT Work、Codex、API 與 GitHub Copilot

供應範圍是漸進推出的。還不熟悉兩個工作入口，可以先看 ChatGPT Work 與 Codex 的分工。OpenAI 的說法是：GPT-6.1 Terra 正在陸續上線，ChatGPT Work 與 Codex 裡所有 Plus、Pro、Enterprise 與 Edu 用戶都可使用，開發者也能透過 OpenAI API 以 gpt-6.1-terra 這個模型 ID 呼叫。Codex 是 OpenAI 的工程代理人產品，可用性仍以帳號方案、管理者設定與實際推出狀況為準。免費方案用戶何時拿到，公告未提及，截稿前也查不到補充資料，這一項先視為未取得，不替官方推測時程。

企業與開發者端的動作比消費端更快。GitHub 在同一天宣布把 GPT-6.1 Terra 帶進 Copilot，依 官方 changelog，範圍涵蓋 Pro、Pro+、Max、Business、Enterprise 五個付費方案，採漸次推出，使用者會在模型選單裡看到 Terra，用量的計費跟著供應商牌價走，不是方案內含。GitHub 的早期測試回報，Terra 解掉的終端機與 C# 任務明顯多於 GPT-5.6 Terra，定位是範圍明確的代理人編碼與終端機工作；Business 與 Enterprise 的管理者可以用 model policy 關閉它，新模型預設是開啟的。想在台灣的團隊流程裡接上 OpenAI 的代理人工具，可回頭參考站上的 Codex 工程代理人的用法。

API 端的通路也不只 OpenAI 官方一條。依 Artificial Analysis 的統計，發布當天已有六個 API 供應商提供 gpt-6.1-terra，聚合平台通常會在官方價之外加價或提供統一帳單，多人共用的團隊可以比價後再決定走哪條路。無論走哪條，費率基準仍以 OpenAI 模型頁的牌價為參考原點，第三方供應商的加價幅度與帳單週期是比價時的兩個主要變數。

API 遷移筆記：從 gpt-5.6-terra 換到 gpt-6.1-terra

對已經在用 GPT-5.6 Terra 的服務，先處理端點與推理設定，再估算遷移工作量。依 GPT-6 遷移指南：模型 ID 直接換成 gpt-6.1-terra，兩代都支援 Chat Completions 與 Responses 兩種介面；不過工具呼叫（function calling、computer use、web_search 等）在 Terra 上必須走 Responses API，若你原本在 Chat Completions 裡掛工具，這部分要改寫。推理設定方面，Terra 支援 none、low、medium（預設）、high、xhigh、max，官方建議從 medium 起測，品質提升值得時間與 tokens 時再往上加；從 5.6 Terra 遷移時，用相同的 effort 與代表性圖片、流程做對照測試，成績才可比。

把遷移整理成四個步驟，按順序做可以少走回頭路：

1. 盤點依賴：列出目前用到的端點與工具，確認沒有即時語音、微調這類 Terra 不支援的項目，有的話該流程留在原模型。
2. 改寫工具呼叫：把 Chat Completions 的工具流程搬到 Responses API，先用少量樣本驗證行為一致。
3. 對照測試：固定同一批任務與 reasoning effort，量成功率、重試率與每任務成本，兩代各跑一輪。
4. 漸進切流：先切一成流量觀察一週，輸出解析與帳單都穩定後再全切，中途隨時可退回。

端點支援有得有失。Chat Completions、Responses 與 Batch 都可用，Batch 還有半價，適合離線大量處理；Realtime、語音相關端點與微調（fine-tuning）不支援，依賴這些的工作流不能搬過來。速率限制依帳戶用量層級自動調升，最低的 Build 層就有每分鐘 5,000 次請求與 100 萬 tokens 的上限，對多數代理人的初期導入夠用，量大時往 Launch、Grow 層爬即可，不必預先申請。長內容工作流要注意超過 27.2 萬輸入 tokens 的加價規則，RAG 塞整本文檔的場景記得先試算；有資料落地需求的企業則有一個小利多：Fast mode 的 EU 資料駐留支援 Terra，而 Astra 與 GPT-6 Sol 反而沒有。目前模型只有一個預設 snapshot，要鎖版本行為的團隊關注後續別名更新即可。

值不值得換：三種使用者的判斷

訂閱用戶（ChatGPT Work、Codex）：模型選單裡試用 Terra 的門檻是零。日常文書、看圖說明、表單整理這類工作，它更快也更省額度；但若你買 Plus、Pro 是為了最難的研究與編碼，主力留在 Astra 與 Sol，把 Terra 當成額度吃緊時的備援。例如每天要整理幾十張表單截圖的營運同事，切到 Terra 之後額度消耗速度會立刻有感，這正是官方說額度會走得更遠的實際場景。前述 Hacker News 討論者對訂閱端的形容是「不是震撼彈」。

API 開發者：如果你的產品有高量的影像理解或軟體操作流程，這次降價讓單位經濟模型直接翻新，前述情境估算的五六成成本降幅是合理預期。導入方式建議保守：先讓 10% 到 20% 的流量走 Terra，用相同驗收條件比對三個指標，任務成功率、重試次數與每任務總成本，三項都不輸前代再全切。輸出風格與前代不同（官方特別強調寫作更自然），對輸出格式敏感的解析邏輯要重測，JSON 解析失敗率這類小地方常常才是遷移後的實際成本來源。

已在用 GPT-5.6 Terra 的團隊：值得優先安排對照測試：標準單價降低、官方公布的多項基準改善，上下文規格也相同。工程側仍須檢查工具端點、快取設定、輸出解析與任務成功率，確認每個完成任務的總成本確實下降，再決定遷移。發布不足一天的現實也要放進判斷：Artificial Analysis 已有第一輪獨立數字，更深的第三方評測、各區域供應狀況與免費方案的開放時程都還沒有資料。把「換」當成一次有驗收的遷移專案，而不是按下就好的開關，才能確認單價優勢是否落實到自己的流程。

GPT-6.1 Terra 常見問題

GPT-6.1 Terra 是什麼時候發布的？

OpenAI 於台灣時間 2026 年 10 月 27 日（美國時間 10 月 26 日）發布，發布當天 ChatGPT Work、Codex 與 API 宣布提供，GitHub Copilot 也宣布漸進推出。它跳過 GPT-6 世代，直接從 GPT-5.6 Terra 升到 6.1，補回 OpenAI 中階檔位空了一個多月的缺口，也讓四檔命名在今年內補齊。想跟進後續細節，以官方公告與模型文件為準，第三方深度整理通常晚一至兩天才消化完成。

GPT-6.1 Terra 的 API 價格多少？

標準費率為輸入每百萬 tokens 1 美元、輸出 5 美元，快取命中輸入 0.05 美元；對比 GPT-5.6 Terra 的 2 美元與 12 美元，輸入正好減半。Batch 與 Flex 再打五折，超過 27.2 萬輸入 tokens 的長提示全程加價，Fast mode 為兩倍價，web_search 等工具呼叫另按次收費。換算成實例：多次請求合計一千萬未快取輸入與一百萬輸出 tokens，各次輸入都不超過 27.2 萬、且不含快取寫入與工具費時，標準價為 15 美元，Batch 為 7.5 美元。

GPT-6.1 Terra 和 GPT-6.1 Sol 有什麼差別？

兩者上下文規格相同，但 Sol 每 token 單價是 Terra 的兩倍，官方定位 Sol 給深度研究與複雜編碼，Terra 給高量日常操作。Terra 支援把推理設成 none 而 Sol 不支援，適合純分類與格式化工作；Sol 則在其餘多數基準領先，兩者共用 6.1 家族的訓練背景。挑選原則是以任務形態分流，同一套流程讓兩個模型各跑一批真實樣本，用總成本對比品質最準。

免費版 ChatGPT 用得到 GPT-6.1 Terra 嗎？

官方公告只寫明 ChatGPT Work 與 Codex 的 Plus、Pro、Enterprise、Edu 用戶可用，免費方案並未出現在供應清單。截稿前也沒有免費版開放的補充資料，是否跟進仍屬未知，是否可選以帳號方案、管理者設定與實際推出狀況為準，可在應用內模型選單確認。若改用 API 小量測試，仍須另外支付 API 費用，並非免費方案的替代額度。

GPT-6.1 Terra 的上下文與知識截止日是多少？

上下文視窗 105 萬 tokens，最大輸入 92.2 萬、最大輸出 12.8 萬，與 Astra、Sol 相同。知識截止日為 2026 年 6 月 1 日，比 Astra 與 GPT-6.1 Sol 的 4 月 30 日更晚，是目前 GPT-6 家族中訓練資料最新的成員，但較晚的知識截止日不保證個別事件的回答完整或正確。既有 5.6 Terra 流程仍須確認工具端點與輸出相容性；長文情境也要把加價規則納入試算。

API 要怎麼改用 gpt-6.1-terra？

把請求裡的模型 ID 換成 gpt-6.1-terra 即可，Chat Completions 與 Responses 兩種介面都支援。要注意工具呼叫必須走 Responses API，原本在 Chat Completions 掛工具的程式需要改寫；遷移時沿用相同 reasoning effort（預設 medium），用代表性任務對照前後品質與成本最穩妥，第一批結果沒問題再把流量全數切換。若走 Batch 端點，費率減半但等待時間較長，適合離線工作。

GPT-6.1 Terra 有獨立評測可以參考嗎？

Artificial Analysis 在發布當天已完成首輪量測：max 設定智慧指數 48 分，遠高於同價位中位數 28，輸出速度每秒 90.9 tokens，單任務成本約 0.40 美元。要注意 48 分是最高推理設定的成績，且首日數字可能隨樣本微調。更深入的第三方評測與長期實務回報仍在累積，採購決策建議輔以自家任務的對照測試再定案。

已在用 GPT-5.6 Terra 的團隊值得換嗎？

標準單價降低、官方公布的多項基準改善、上下文規格相同，值得安排對照測試；是否遷移仍要看實際任務成功率與完成成本。實務上把遷移當成小專案處理：工具呼叫搬到 Responses API，重跑輸出格式解析與驗收測試，再逐步放量。發布不足一天，先讓部分流量試跑一至兩週，成功率與單位成本穩定後全切最保險，期間新舊並行也不影響服務。