GPT-6.1 Terra für Computer Use: Worker im Agent-Stack, nicht Reviewer

OpenAI hat GPT-6.1 Terra am 26. Oktober vorgestellt, als „a fast, efficient model that combines detailed visual reasoning and precise computer use“. Es kostet $1 pro Million Input-Tokens, $0.05 für gecachten Input und $5 Output. In der API heißt es gpt-6.1-terra, dazu gibt es das Modell in ChatGPT Work und Codex für Plus, Pro, Enterprise und Edu.

Der Launch-Post verkauft Terra über die Kosten pro Aufgabe. Bei Computer Use würde ich zuerst auf eine andere Zahl schauen: was dich eine einzige falsche Aktion kostet und ob du sie abfängst, bevor sie Folgen hat.

Was kostet GPT-6.1 Terra im Vergleich zu Claude und GPT-6 Luna?

Die Hälfte von Claude Sonnet 5.5, ein Viertel von Opus 5.5, das Zehnfache von Haiku 5.5. Pro Million Tokens kostet Terra $1 Input und $5 Output. Sonnet 5.5 liegt bei $2 und $10, Opus 5.5 bei $4 und $20 (die vollständige Claude-Tabelle), Haiku 5.5 bei $0.10 und $0.50 (unterhalb der 100K-Grenze, dieselben Preise wie GPT-6 Luna). Gecachter Input kostet bei Terra $0.05, die Hälfte von Sonnets $0.10 für Cache-Reads.

Innerhalb der OpenAI-Palette kostet Terra die Hälfte von GPT-6.1 Sol und ein Zehntel von GPT-6 Astra. Simon Willison verortet es dort, wo bei Anthropic Sonnet sitzt: „not the cheapest or the most expensive, making it harder to decide when to use it.“ Damit ist es ein Sonnet zum halben Preis.

Was behauptet OpenAI über Computer Use mit GPT-6.1 Terra?

Werte auf Astra-Niveau zu einem Zehntel von Astras Preis pro Token, laut OpenAIs eigenem Diagramm. Bei Agents’ Last Exam, einem Benchmark mit professionellen Aufgaben wie der Umwandlung von Architekturzeichnungen in ein 3D-Modell, soll Terra mit mittlerem Effort 15 Prozentpunkte über GPT-5.6 Terra liegen, „at about one-third the cost“, und „on par with GPT-6 Astra“. Mit maximalem Effort sei es „over three times as token efficient as Claude Opus 5.5“, mit „a ~9x lower cost per task“, und es erledige Aufgaben mehr als dreimal so schnell wie Astra und Sol.

MMMU-Pro (visuelles Schlussfolgern) und OSWorld 2.1 erzählen dieselbe Geschichte. Bei Terminal-Bench 4.0 löst Terra mit maximalem Effort 50,3 %, gegenüber 21,5 % für GPT-5.6 Terra. Für das härteste Coding bleiben laut OpenAI aber Sol und Astra „the better choice“. Ted Sanders von OpenAI wurde in einem Hacker-News-Kommentar deutlicher, den Simon Willison zitiert hat:

Terra is probably better than Astra and Sol at technical communication,
similar on vision and computer use (but much faster!), and a bit worse on
most other things.

Welche Angaben zu GPT-6.1 Terra kannst du heute prüfen?

Die Preise. Agents’ Last Exam gibt es nur als Diagramm ohne Tabelle, für die Geschwindigkeit fehlen absolute Zeiten, und das Ergebnis zur Fehlerrate (von 53,6 % auf 16,7 %, gemessen bei niedrigem Effort) stammt aus „our internal benchmark of error-inducing prompts“. Der Post veröffentlicht davon nicht genug, um es nachzustellen.

Prüfen kannst du, ob der Opus-Vergleich aufgeht. Würde „over three times as token efficient“ für die gesamten Kosten gelten, kämst du bei einem Viertel des Preises auf über 12x. Würde Terra gar keine Tokens sparen, ergäbe der Preisunterschied allein 4x. OpenAIs ~9x liegen dazwischen. Nach dieser Rechnung deckt die Effizienz also nicht die Gesamtkosten ab, und die Ankündigung sagt nicht, welchen Teil. Ich würde mit allem zwischen 4x und 12x planen. Ein Computer-Use-Loop schickt bei jedem Schritt erneut einen Screenshot, also zähl zuerst deine eigenen Input-Tokens pro Schritt.

Was ändert GPT-6.1 Terra für einen Agent-Stack?

Das Mittelklassemodell eines zweiten Anbieters ist bei Bildschirmarbeit jetzt konkurrenzfähig, und es trägt eine Risikoeinstufung. OpenAI schreibt, Terra „meets the Critical threshold in cybersecurity under our Preparedness Framework“, und das Modell behält die Schutzmaßnahmen, die für GPT-6 Astra gebaut wurden. Die Schwelle bewertet, was das Modell im Cyberbereich kann, und wegen dieser Einstufung gelten Astras Schutzmechanismen auch hier. Zu Prompt Injection spricht die Ankündigung von „strong resistance“ und verweist für Details auf die System Card. Für einen Agenten, der beliebige Seiten liest, ist das der Abschnitt, den du vor dem Benchmark-Diagramm lesen solltest.

Schau dir die Aufgaben an, die OpenAI ausgewählt hat. Architekturzeichnungen werden zu einem 3D-Modell, ein Restaurierungsteam bekommt ein Protokoll Aufnahme für Aufnahme, und in OpenAIs eigenem Beispiel liest das Modell eingehende Rechnungen und trägt sie in eine Buchhaltungssoftware ein. Jede davon liefert ein Ergebnis, das du mit der Quelle abgleichen kannst, bevor jemand danach handelt. In einem Benchmark kostet eine gescheiterte Aufgabe Punkte. In einem Konto, in dem der Agent eingeloggt ist, hat ein Klick, der eine Nachricht verschickt oder eine Einstellung ändert, seine Wirkung schon entfaltet, wenn du ihn prüfen kannst. Ein Diagramm aus Kosten und Score hat dafür keine Achse.

Wo GPT-6.1 Terra meiner Lesart nach hinpasst

Auf den Worker-Platz, für Jobs, bei denen die Prüfung vor der Konsequenz kommt: Formulare ausfüllen und Daten aus Bildschirmen extrahieren, wobei ein stärkeres Modell oder ein Validierungsschritt das Ergebnis liest, bevor es abgeschickt wird. Das Argument stützt sich auf die Prüfbarkeit. „A bit worse“ kann es nicht tragen. Ich habe schon früher argumentiert, dass der Reviewer-Stuhl an das Modell geht, das mehr zweifelt, und nichts in der Ankündigung sagt, ob Terra dieses Modell ist. Sie sagt, Terra sei billig, schnell und gut am Bildschirm. Das beschreibt einen Worker, dessen doppelte Prüfung du dir leisten kannst.

Ob dieser Worker von OpenAI kommen sollte, ist eine andere Frage. Läuft dein Stack auf Claude, ist Terra zum halben Sonnet-Preis eine Ersparnis, aber ein zweiter Anbieter bringt dir eine zweite Rechnung und einen zweiten Cache, den du warm halten musst. Trenn die Anbieter nach Rollen. Ein Reviewer, der die Ausgabe des Workers in seiner eigenen Konversation liest, verliert nichts, während ein Router, der mitten in der Konversation das Modell wechselt, das mitgeführte Reasoning verlieren kann. Ich vermute, dass sich die zweite Integration bei einem Job mit hohem Volumen bezahlt macht und bei einem gelegentlichen nicht.

Wenn du Terra in einem Agenten ausprobierst, nimm eine Aufgabe, deren Ausgabe du gegen eine Quelle abgleichen kannst, bevor sie verwendet wird, lass sie mit mittlerem Effort laufen und protokolliere die Input-Tokens pro Schritt, bevor du dem Faktor 9 traust. Das Diagramm bepreist eine gescheiterte Aufgabe mit einem niedrigeren Score. Deine Logs bepreisen sie mit dem, was der falsche Klick angerichtet hat.