企业官网建设流程全解析

10 月 27 日凌晨，OpenAI 放出了 GPT-6.1 Terra。

发布时间挑在半夜，语气也很克制：一款主打「用更低成本完成复杂电脑操作」的模型，擅长视觉推理，擅长操作桌面软件，能处理发票，能读技术图纸。

真正扎眼的是那一句对比。在最高推理强度下，Terra 完成每项任务的成本约为 Claude Opus 5.5 的九分之一。

九分之一不是 API 报价的九分之一。API 报价上，Terra 是每百万输入 token 1 美元、缓存输入 0.05 美元、输出 5 美元，比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%。

价格降一半，成本降九成。中间那 8 个点，藏着一个没人明说但所有做 agent 的人都在算的问题：一件工作到底花多少钱。

报价单上的三个数字

先把价目抄清楚，单位都是每百万 token。

缓存输入是输入的 1/20。这个比例不是装饰。

一个跑长循环的 agent，每一轮都要把系统提示、工具定义、前几轮的对话重新喂一遍。同一段上下文被反复计费，缓存命中的那部分只收 0.05 美元，没命中的收 1 美元。

差距是 20 倍。所以同样一份提示词，缓存做得好和做得差，账单能差出一个数量级。

Terra 今天起向 Plus、Pro、Enterprise、Edu 用户开放，入口在 ChatGPT Work 和 Codex，开发者通过 API 调用，模型标识gpt-6.1-terra。

任务成本怎么被压到九分之一

OpenAI 这次给出的对比方式，值得单独说一句：它没有停在 token 单价上，而是一路算到了「每项任务」。

这两个单位不是一回事。token 单价是原料价，任务成本是成品价。成品价 = 原料价 × 用量 × 重试次数。

三个变量都能压。

先说用量。Terra 的定位是中等规模、高频重复的专业任务，不是最难的推理。推理链短，输出 token 少，单任务的 token 消耗跟着降。OpenAI 没有公布平均每任务消耗多少 token，这是这份材料里最关键的缺口（待核实：单任务 token 数）。

agent 的 token 结构值得摊开算一遍。一个跑十步的任务，输出可能只有两千 token，输入却有十万。系统提示、工具定义、每一步的历史结果，全都要重新贴进去。输入是输出量的几十倍，这是长流程自动化的常态。

所以输入价才是账单的大头。1 美元和 5 美元之间的差别，在纯问答里不重要，在十步 agent 里就是主要成本。

缓存的作用就在这里。缓存按前缀命中：提示词开头的系统指令、工具清单不变，第二次调用就能直接命中，收 0.05 美元；中途变了的部分从头计费。把不变的内容放在前面、把每次都要变的内容放在后面，这一步工程做得对不对，账单能差好几倍。

这也是为什么「API 降价 50%」和「任务成本降 89%」能同时成立。单价降一半，缓存命中率上去再省一半，推理链短了再省一截，三笔账叠起来才够。

再说重试。这一条对自动化流程的影响比单价更大。

OpenAI 用一套内部基准测事实性错误：低推理强度下，Terra 的错误率 16.7%，GPT-5.6 Terra 是 53.6%，掉了 36.9 个百分点。推到最高档，Terra 的错误率 4.3%，比上一代低 18 个百分点，接近 GPT-6 Astra 和 GPT-6.1 Sol 的水平。

53.6% 的错误率意味着什么？一条发票处理流水线，两单里有一单出错，每单都要人工复核。这种流程根本没法上线，不是钱的问题。16.7% 意味着六单里错一单，还是得复核，但流水线能跑了。

重试次数从「必须有人兜底」变成「抽样检查」，省下的是人力，不是 token。

第三是速度。OpenAI 称 Terra 的任务执行速度是 GPT-6 Astra 和 GPT-6.1 Sol 的 3 倍以上。对单个请求来说，这只影响等待时间；对一批并发任务来说，3 倍吞吐等于同样的机器跑三倍的活。

三个变量乘起来，才有「每任务成本 1/9」这个数。单看 API 报价会低估这件事的幅度。

模型矩阵里空出来的那一格

把 OpenAI 现在的阵容排开，Terra 的位置很清楚。

这张表里最值钱的一格，是「中档主力」。

上一代的中档模型（GPT-5.6 Terra）有个尴尬之处：便宜，但错得多，企业不敢全自动跑。结果是企业一边买旗舰模型的额度，一边拿中档模型做草稿，中间靠人接。这套流程的成本大头不在 token，在人。

它冲的就是这一段。成绩对标旗舰，价格对标上一代中档，错误率降到能进流水线。它不需要比 Astra 聪明，它需要比 Astra 便宜到可以一次开十路。

一家公司愿不愿意为这个位置掏钱，取决于任务量。跑一百次的任务，贵一点也能忍；跑十万次的任务，九分之一的差价就是预算表上的一个科目。

三张基准，各说一件事

Agents’ Last Exam 测的是复杂专业工作。测试题目包括按建筑图纸建三维模型，以及逐个记录电影镜头供修复团队使用。都是长流程、多步骤、需要看懂图的任务。

中等推理强度下，Terra 比 GPT-5.6 Terra 高 15 个百分点，成本只有后者的约三分之一。与旗舰 GPT-6 Astra 相比，Terra 的成绩不相上下，每个 token 的价格约是后者的十分之一。

OSWorld 2.1 测桌面软件操作，多步骤任务。中等强度下，Terra 超过了 GPT-5.6 Terra 此前的最好成绩，每任务成本明显更低。这一项直接对应 OpenAI 给 Terra 定的场景：发票、图纸、桌面自动化。

MMMU-Pro 测视觉推理。Terra 在所有推理强度下都超过 GPT-5.6 Terra，成绩接近 Astra 和 Sol。

编程这一项要分开看。Terminal-Bench 4.0 测命令行里解决实际问题的能力，比如修复网页加载时的布局偏移。最高推理强度下，Terra 完成了 50.3% 的任务，GPT-5.6 Terra 是 21.5%。

翻了一倍多。但 OpenAI 自己在材料里加了一句：最难的编程任务，还是建议用 GPT-6.1 Sol 或 GPT-6 Astra。

这句话很重要。它说明 Terra 抢的不是旗舰模型的活，是那些「用旗舰模型太贵、用上一代又不够准」的活。这个区间以前是空的。

同一周里，另一家也在降价

把时间轴拉长一点，Terra 不是孤立事件。

上周，月之暗面发布 Kimi K3.1 Pro。3 万亿级参数，100 万上下文，官方定位「迄今能力最强」，代码、3D 创作、金融研究、长程 Agent 四个方向提得最多。同时发了一个 Highspeed 版本：智能水平相同，输出速度约 2 到 3 倍，价格 2 倍。

一个往下压成本，一个往上加价换速度。两家在做同一件事的两端：把「每 token 一个价」拆成「按任务、按时延分别定价」。

需要提醒的是，Kimi 公布的 Terminal-Bench 4.0 分数与 Terra 的 50.3% 不能直接横比。两家用的推理档位、评测脚手架、重试策略都不一样，同一个基准名下面是两套跑法。想比，得在同一套 harness 上重跑。

谁在为此付钱

第一拨是企业里管自动化预算的人。

过去两年，企业试 agent 的方式是「先在一个流程上跑通，再算 ROI」。卡点几乎都在账单上：一个跑十步的任务，输入 token 累积起来比输出还多，账单常常超出一开始估的三五倍。

这一类模型把账改写了。同样的发票识别流程，输入是发票图片加提示词，输出是结构化字段，中间没有长推理链。单价降一半、缓存命中率上去、重试次数下来，单张发票的成本可能降一个量级。

第二拨是做 agent 产品的开发者。计价单位从 token 转向任务，产品定价才有得谈：客户不想听「每百万 token 多少钱」，客户想知道「处理一千张发票多少钱」。

第三拨是 Anthropic。Opus 5.5 被拿来当分母，本身就是一种市场动作。Anthropic 上半年的毛利率是 85%，算力支出占营收 55%，还有降价空间。但它的收入结构里 80% 按用量计费，价格战打起来，最先动的就是这一块。

对国内厂商，压力传导得更快。Kimi 已经把「加量降价」写进发布节奏，DeepSeek 那边开源算子的一周里也在压成本。API 价格这条线，今年下半年基本是单向的。

中间还有一层容易被漏掉：跑在模型之上的编排层。

企业用 agent，很少直接调一家。常见做法是接一个路由层，按任务难度分给不同模型，简单的给便宜模型、难的给贵模型。这一层过去受制于「便宜模型不准」，只能把八成流量导向旗舰。Terra 这类模型出来，路由比例可以改，旗舰模型的调用量会往下掉。

对卖 token 的云厂商，这是量的重新分配；对做 API 转售的平台，这是毛利结构的变化。便宜模型的加价空间薄，靠的是走量。

哪些是边界，谁在质疑

有三处需要打折扣。

一是「九分之一」这个对比的分母。它比较的是最高推理强度下每任务成本对 Opus 5.5，而 Opus 5.5 的任务配置、上下文长度、是否开缓存都没写。不同配置下的任务成本能差好几倍。

二是错误率的适用边界。4.3% 出现在最高推理强度，那时候 token 消耗也上去了，成本优势会缩小。16.7% 出现在低强度，便宜，但对财务对账、医疗记录这类流程还是不够——错一单的代价远高于省下的钱。

三是安全门槛。按 OpenAI 的准备框架评估，Terra 的网络安全能力达到了「关键级」门槛。这个评级意味着模型在攻防方向的能力被限制，企业拿它做安全运营要重新评估；同时也说明这类能力已经强到需要单独设闸。

还有几件事 OpenAI 没说：单任务的平均 token 消耗、缓存命中率的实测数据、API 的速率限制、以及「3 倍速度」是在什么并发条件下测的。这些数决定了财报上那个「1/9」能不能落到自己的账单上。

一个月后看两个数

第一个是自己的账单。跑同一批任务，把 Terra 和现在用的模型各跑一遍，算总花费除以任务数，别看单价。

第二个是人工复核比例。自动化流程上线后，被抽检退回的比例如果从三成降到一成以下，说明错误率那个数字是真的；如果没降，说明基准和真实任务之间还有一段路。

这两件事都不需要等发布会，跑两周就有数。

来源

• IT之家：《OpenAI 低成本新模型 GPT-6.1 Terra 深夜炸场：每项任务成本仅 Claude Opus 5.5 九分之一，更快更准确》https://www.ithome.com/1/018/200.htm
• 爱范儿早报（2026-10-27）：OpenAI 发布 GPT-6.1 Terra，API 价格减半 https://www.ifanr.com/1685979
• 开源中国：《Kimi K3.1 Pro 发布：代码超 GPT-6 Astra、开放权重版主动移除网络攻防能力》https://www.oschina.net/news/503221
• 极客公园：《Kimi 发布 K3.1 Pro，加量降价挑战 Opus 5.5》http://www.geekpark.net/news/372943
• 钛媒体：《半年亏掉807亿美元，Anthropic公开递交招股书》https://www.tmtpost.com/8182734.html

本文由 AI 辅助整理，事实已核对原始来源。