OpenAI выпустила GPT-6.1 Terra — модель для компьютерных агентов, визуального анализа и повседневой автоматизации, которая, по заявлению компании, выполняет задачи более чем втрое быстрее GPT-6 Astra и GPT-6.1 Sol. Для команд, считающих стоимость каждого агентного сценария, важнее другое: API-модель оценили в $1 за миллион входных и $5 за миллион выходных токенов — на 50% ниже GPT-5.6 Terra и GPT-6.1 Sol.
Новая модель уже доступна пользователям Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex, а также через API под именем gpt-6.1-terra, сообщает BleepingComputer. OpenAI позиционирует её как рабочую лошадку для задач, где модели нужно не только ответить текстом, но и разобраться с интерфейсом, документом, изображением или последовательностью действий на компьютере.
В список целевых сценариев компания включает заполнение форм, подготовку предложений, разбор технических чертежей, редактирование видео и повторяющиеся операции на рабочем столе. Формулировка звучит знакомо всем, кто пытался превратить демо AI-агента в процесс: качество рассуждений важно, но продукт ломается на мелочах — неверно прочитанном поле, не той кнопке или слишком дорогом цикле проверки.
OpenAI утверждает, что GPT-6.1 Terra заметно прибавила именно в таких прикладных задачах. В тесте Agents’ Last Exam модель при среднем уровне reasoning effort набрала на 15 процентных пунктов больше, чем GPT-5.6 Terra, при стоимости примерно втрое ниже. Компания также заявляет, что по этому классу задач Terra сопоставима с GPT-6 Astra, хотя цена токена у неё примерно в десять раз меньше. Это не означает равенства моделей во всех режимах, но показывает, на какой компромисс рассчитывает OpenAI: не максимальная универсальность, а предсказуемая экономика массовых агентных запусков.
Отдельно разработчик приводит данные о снижении числа ошибок. Во внутреннем бенчмарке при низком уровне reasoning effort показатель ошибок сократился с 53,6% у GPT-5.6 Terra до 16,7% у новой версии. При максимальном уровне он составил 4,3% — на 18 процентных пунктов меньше, чем у предшественницы, и почти на уровне GPT-6 Astra и GPT-6.1 Sol. Внутренние оценки поставщика не заменяют независимого тестирования, однако сама метрика важна: дешёвый агент бесполезен, если за ним приходится вручную перепроверять каждый второй шаг.
Есть прогресс и в программировании. На Terminal-Bench 4.0 при максимальном reasoning effort GPT-6.1 Terra получила 50,3%, более чем вдвое превысив результат GPT-5.6 Terra — 21,5%. При этом OpenAI не пытается выдать Terra за модель для любого инженерного случая: для наиболее сложных задач по коду компания по-прежнему рекомендует GPT-6.1 Sol или GPT-6 Astra. Для разработчиков это полезнее маркетингового тезиса о единственной модели на всё: недорогую Terra можно ставить на рутинные исправления, работу с терминалом и интерфейсами, а дорогие модели оставлять для архитектурных решений и тяжёлой отладки.
Для русскоязычных продуктовых и инженерных команд главный эффект — возможность пересчитать порог окупаемости автоматизации. При цене $1 за миллион входных токенов можно шире применять модель в служебных процессах: обработке заявок, сверке данных в админках, подготовке документов, QA-процедурах и внутренних инструментах. Но цена токена — лишь одна строка в смете. Реальная стоимость агента включает инфраструктуру, доступы, обработку сбоев, журналы действий и человека, который разберёт нестандартный случай.
Ускорение более чем в три раза может оказаться не менее значимым, чем скидка. Медленный агент терпим в ночном пакетном задании, но раздражает в процессе, где сотрудник ждёт результата в браузере или редакторе. Если заявленные показатели подтвердятся на реальных интерфейсах, GPT-6.1 Terra способна сдвинуть AI-агентов из экспериментальных пилотов в обычные рабочие контуры — при условии, что компании научатся ограничивать их права и измерять качество не красивыми демо, а долей корректно завершённых операций. Подробности анонса и заявленные результаты опубликованы у .
