Qu'est-ce qui a changé par rapport à GPT-5.6 Terra ?
Compréhension visuelle et utilisation de l'ordinateur
L'introduction d'OpenAI met l'accent sur un raisonnement visuel détaillé, une utilisation précise de l'ordinateur et une rédaction plus claire. Imaginez un agent examinant l'écran d'une application, décidant quel champ remplir et inspectant le résultat après avoir saisi les données.
Votre intégration fournit l'environnement d'exécution. Le modèle interprète les informations et propose des actions ; les outils connectés les exécutent et renvoient un retour. La lecture d'une capture d'écran est donc une tâche d'intégration plus simple que l'utilisation fiable d'un navigateur.
Une discussion communautaire le jour du lancement a décrit Terra comme offrant un « excellent rapport qualité-prix », en particulier pour la compréhension visuelle. Il s'agit d'une réaction initiale aux résultats publiés, sans test privé reproductible documenté dans la publication.
Meilleure fiabilité factuelle et codage quotidien
OpenAI rapporte un score de 50,3 % sur Terminal-Bench 4.0 avec un effort de raisonnement maximal, contre 21,5 % publiés pour GPT-5.6 Terra. Sur ses invites internes génératrices d'erreurs, le taux d'erreurs factuelles à faible effort est passé de 53,6 % à 16,7 %.
Ces mesures justifient une mise à niveau, avec des limites : l'évaluation de la véracité utilise des invites difficiles sélectionnées, et le score de codage décrit une configuration de test particulière. OpenAI recommande toujours Sol et Astra pour les tâches de programmation les plus complexes.
À quoi pouvez-vous utiliser GPT-6.1 Terra ?
Les vérifications de produits et de catalogues constituent un point de départ pratique. Donnez au modèle une photo de produit et ses spécifications écrites, puis demandez-lui d'identifier les incohérences visibles. Exigez des références aux détails pertinents de l'image afin qu'un examinateur puisse vérifier chaque constatation.
L'analyse de captures d'écran offre une autre tâche délimitée. Fournissez une capture de page, la mise en page attendue et une question spécifique. Demandez d'identifier les éléments qui se chevauchent, les étiquettes manquantes ou la prochaine action probable. Vérifiez les observations dans l'application réelle avant d'autoriser une modification automatisée.
Pour le codage de routine, utilisez un bug reproductible et un test d'acceptation clair. Les premiers tests de GitHub ont révélé que Terra résolvait plus de tâches de terminal et de C# que son prédécesseur, en mettant l'accent sur un travail bien défini. GitHub n'a pas publié de méthodes quantitatives complètes dans cette annonce.
Ce sont des propositions de tâches d'évaluation. Commencez par un petit ensemble, enregistrez les échecs et décidez quels résultats peuvent être acceptés automatiquement.
Gardez les entrées et les critères d'acceptation cohérents lors de la comparaison des modèles. Pour une vérification de catalogue, incluez une incohérence évidente, une liste correcte et un cas où l'image est trop floue pour décider. Un résultat utile doit identifier l'incohérence, laisser la liste correcte telle quelle et reconnaître l'incertitude dans le cas ambigu. Cela rend l'essai plus instructif que de juger une seule réponse fluide.
Tarification de GPT-6.1 Terra : combien coûte une tâche ?
La documentation du modèle Terra et la documentation du modèle Sol indiquent ces prix officiels Standard, en dollars américains par million de jetons :
| Modèle |
Entrée |
Entrée en cache |
Sortie |
| GPT-6.1 Terra |
1,00 $ |
0,05 $ |
5,00 $ |
| GPT-6.1 Sol |
2,00 $ |
0,10 $ |
10,00 $ |
Pour une requête hypothétique avec 10 000 jetons d'entrée et 1 000 jetons de sortie facturés au total, Terra coûte 0,015 $ et Sol coûte 0,030 $. Ce calcul suppose l'absence de cache ou de frais d'outils supplémentaires et une utilisation facturée identique.
Un agent peut consacrer des quantités différentes de raisonnement et de sortie à une même tâche. Les tentatives répétées et les étapes d'outils supplémentaires affectent également la facture. Enregistrez le coût total en indiquant si le résultat final a réussi vos contrôles.
Pour une comparaison interne, enregistrez les requêtes, les jetons facturés, les résultats acceptés et les minutes de correction manuelle. Divisez les dépenses totales par le nombre de résultats acceptés, tout en gardant le temps de révision visible. Une requête moins chère qui génère plus de vérifications peut tout de même être inadaptée à votre équipe.
Les invites longues ont une autre condition : au-delà de 272 000 jetons d'entrée, OpenAI applique deux fois les tarifs d'entrée et de cache et 1,5 fois le tarif de sortie à l'ensemble de la requête. Consultez la tarification actuelle de Terra sur GPT Proto pour connaître les tarifs applicables et les options prises en charge par la plateforme.
GPT-6.1 Terra vs Sol, Sonnet 5.5 et GLM-5.3
L'instantané suivant provient de l'Intelligence Index v4.3.2 d'Artificial Analysis, vérifié le 27 octobre. L'indice est un score composite, pas un pourcentage. Le coût de la tâche est son coût d'évaluation moyen pondéré.
GPT-6.1 Terra vs GPT-6.1 Sol
Terra max et Sol medium affichent tous deux 48 points, pourtant le coût de tâche mesuré de Sol medium est inférieur. L'obtention de scores globaux arrondis identiques n'établit pas des capacités identiques. Cela vous donne cependant une raison de comparer les configurations avant de régler chaque requête sur « max ».
Je testerais Terra sur des tâches de routine avec des contrôles clairs et j'inclurais GPT-6.1 Sol lors de l'évaluation de travaux de codage plus complexes. Gardez un chemin d'escalade pour les cas que Terra ne peut pas accomplir de manière fiable.
GPT-6.1 Terra est-il meilleur que Sonnet 5.5 ?
La configuration Sonnet affichée obtient des scores plus élevés et coûte plus cher par tâche d'évaluation. Son paramètre « Default Fallback » fait partie de la configuration testée et doit accompagner toute interprétation du score.
Si vous utilisez déjà les outils Claude, comparez Sonnet 5.5 et Terra sur votre flux de travail réel, y compris la gestion des outils et le temps de révision. Ce tableau ne peut pas identifier à lui seul le meilleur choix pour votre application.
GPT-6.1 Terra vs GLM-5.3
Terra max obtient des scores plus élevés et présente un coût de tâche mesuré plus faible dans cet instantané. Artificial Analysis répertorie également Terra avec une entrée d'image, tandis que GLM-5.3 est uniquement textuel et possède des poids ouverts.
Cela fait du travail visuel et des exigences de déploiement des critères de sélection utiles. Consultez l'accès à l'API GLM-5.3 si ce modèle convient à votre application, et incluez vos formats d'entrée requis dans la comparaison.
Pouvez-vous utiliser GPT-6.1 Terra dans Codex ou Claude Code ?
Oui. Vous pouvez connecter GPT-6.1 Terra à la fois à Codex et Claude Code via les intégrations API de GPT Proto. Pour une configuration rapide, ouvrez la page du modèle GPT-6.1 Terra et utilisez Essayer ce modèle pour accéder aux options de configuration dédiées.
Cliquez sur « Essayer ce modèle ». Cela ouvre le panneau de démarrage rapide sur la page du modèle.
Choisissez votre outil de codage. Sous Laisser l'IA terminer l'intégration, sélectionnez Claude Code ou ChatGPT (Codex) pour démarrer la configuration en un clic.
Terminez la connexion. Suivez les instructions de configuration pour connecter votre clé API GPT Proto et configurer GPT-6.1 Terra.
Vous pouvez également cliquer sur Copier le Markdown pour l'IA dans le même panneau et coller le guide d'intégration dans votre assistant de codage. Il fournit les instructions spécifiques au modèle que votre assistant peut utiliser pour aider à configurer la connexion dans votre projet.
Comment essayer GPT-6.1 Terra sur GPT Proto
Ouvrez la page du modèle Terra, vérifiez l'accès et les prix actuels, et utilisez son exemple d'utilisation de l'API. Copiez la requête actuelle de la page dans votre assistant de codage IA si vous souhaitez obtenir de l'aide pour l'intégrer. Le même compte GPT Proto vous permet de comparer les alternatives prises en charge et leurs tarifs actuels à mesure que votre charge de travail évolue.
Pour un test de base du texte, le modèle de requête est :
curl --fail-with-body https://gptproto.com/v1/chat/completions \
-H "Authorization: Bearer $GPTPROTO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6.1-terra",
"messages": [{
"role": "user",
"content": "Simplify this label: Commence account creation."
}]
}'
Définissez GPTPROTO_API_KEY localement et confirmez l'identifiant du modèle par rapport à l'exemple actuel de la page avant d'exécuter cette requête facturable. Ce modèle textuel n'a pas été testé en direct avec la route Terra pour ce guide.
Une réponse confirme l'accès de base. Ensuite, essayez une tâche représentative avec une vérification d'acceptation claire. OpenAI nécessite l'API Responses pour l'appel d'outils Terra ; vérifiez la route correspondante de GPT Proto avant d'étendre l'exemple dans un agent.
Commencez par un flux de travail répétable et comparez le coût total des résultats qui répondent à vos exigences. Explorez GPT-6.1 Terra sur GPT Proto, avec Sol disponible pour les tâches qui en ont besoin.
