OpenAI 公开了 GPT-6.1 Terra:面向 computer-use / 批量桌面任务的更快、更便宜档,标准 API 价是 $1 / M 输入、$0.05 / M 缓存输入、$5 / M 输出(以官网当日说明为准)。结论先说:批量 Agent 任务不要「看到更便宜就全量切」——先用同一评测集看完成率与失败重试,再算单位任务成本. Este artículo es对比结构:旗舰档 vs 便宜 computer-use 档,三维对照完成率 / 单位任务成本 / 失败重试。禁止编造自家内部事故百分比;数字只引可核实公开材料。最后两节给你今晚能跑完的 20 条评测与第一周验收。

先别急着全量切:便宜档解决什么、不解决什么
便宜档的诱惑很具体:同样一批「读发票进账」「填表」「点界面」任务,官宣相对上一代 Terra / 同系列旗舰有明显的价格与速度优势。演示日一跑,经理问「能不能明天全切」。问题在于任务分布:有的步骤靠视觉定位就过,有的步骤要长推理、严事实或复杂编码——后者仍可能更适合旗舰档或专用 coding 档。
公开介绍里 Terra 强调的是视觉推理 + computer use + 更清晰写作,并给出 Agents’ Last Exam、OSWorld、Terminal-Bench 等口径上的对比。这些是厂商评测与定价叙事,不是你仓库里那 20 条业务任务的完成率。把官网分数直接当成「我们明天会涨 15 个点」,是把别人的考卷当成自己的毕业证。
另一类假安全感是「单价更低所以总成本一定更低」。若便宜档失败率高、重试多、人工兜底多,单位成功任务成本可能反而更高。三维里「单位任务成本」必须是成功任务成本,不是 token 标价。
Actividades que se pueden realizar esta noche:列出你最常跑的 Agent 任务类型,标出「以 computer-use 为主」还是「以长推理/编码为主」。后者默认先不进全量切换候选。
对比三维:完成率、单位任务成本、失败重试

把两条路摆在一张桌上:
| dimensión (matem.) | 旗舰 / 高推理档 | 便宜 computer-use 档(如 Terra) |
|---|---|---|
| 完成率看什么 | 复杂推理、严事实、难编码步骤是否一次过 | 视觉定位、表单、重复桌面流是否稳定过 |
| 单位任务成本 | token 贵,但失败少时可能更省 | 标价低;要用「成功任务」均摊含重试 |
| 失败重试 | 偶发失败代价高,要限额 | 失败更常见时,重试会吃掉价差 |
| 我的默认顺序 | 难任务与金标回归仍留旗舰对照 | 高吞吐、结构清晰的 computer-use 先灰发 |
对比不是说旗舰无用,也不是说便宜档是玩具。官方材料把 Terra 放在「cost-intelligence frontier」与 computer-use 规模化一侧;对「最复杂编码」仍点名更强档。你的决策应是按任务桶分流,而不是仓库级一刀切。
Actividades que se pueden realizar esta noche:用上表三维给当前 Top 5 任务类型打勾——哪一列已有证据。缺评测的那一列写成明天任务名,而不是「先切了再说」。
公开材料怎么读:定价、定位与评测口径

读公开材料时我先抓三件事,再映射到自己的评测集:
- 定价与模型 id:官网写明 API 价与
gpt-6.1-terra可用性;以你打开页面当日为准,截图进决策文档。 - 定位边界:哪些场景官宣称强(computer-use、视觉、批量办公流),哪些仍建议更强档。边界句比分数更重要。
- 评测口径:Agents’ Last Exam / OSWorld / Terminal-Bench 等是公开对照,不是业务 SLA。你要有自己的 20 条。
工程上接 Responses / computer_use 时,跟你现有 SDK 与 cookbook 示例走,不要并行三套客户端。模型名、工具声明、重试上限写进同一份 agent-routing.md.

Actividades que se pueden realizar esta noche:把官网定价三行与「适用/不适用」各三句抄进 agent-routing.md,并注明摘录日期(Asia/Shanghai)。
今晚落地:同一评测集跑 20 条再谈切换

别等下周「模型选型专项」。今晚九十分钟,按这三步做完,明天你才有资格谈全量切换。
- 固定评测集(25 分钟):抽 20 条真实任务(可脱敏),覆盖点选、填表、读图录入、至少 3 条「已知难例」。每条写期望可观察结果,禁止「看起来行」。
- 双模型同集(40 分钟):旗舰档与便宜 computer-use 档各跑一轮;记录成功/失败、重试次数、token 或账单估算。命令写进 README,本地一键。
- 算成功任务成本(25 分钟):只对成功样本算均摊成本;失败进人工队列的要加人工分钟。谁在「完成率达标 ∩ 成功成本更低」上赢,谁进灰发名单。
# 示意:同集对比(命令名以你仓库为准) python3 scripts/run_agent_eval.py --suite evals/cua20.jsonl --model flagship --out out/flagship.jsonl python3 scripts/run_agent_eval.py --suite evals/cua20.jsonl --model cheap-cua --out out/cheap.jsonl python3 scripts/compare_cost_success.py --a out/flagship.jsonl --b out/cheap.jsonl
Actividades que se pueden realizar esta noche:先跑通 3 条冒烟,确认日志里能看到模型 id 与重试次数,再跑满 20。
第一周验收与翻车排查
- 路由表进 git:哪些任务桶默认便宜档、哪些强制旗舰、灰发比例多少;
- 完成率门槛未达标禁止提「全量切」PR;
- 每周重跑同一 20 条,模型或提示词变更必须附前后对比;
- 账单异常先查重试风暴,再查单价。
Investigación de accidentes
- 标价低但账单高:失败重试与超长轨迹。给重试设上限,超时进人工。
- 官网分高、业务分低:任务分布不同。扩难例,而不是骂评测。
- 全切后编码任务塌方:编码桶应回旗舰或 Codex 类路径,不要硬留在 computer-use 便宜档。
- 对比脚本不可复现:缺固定种子与模型 id 日志。先修日志再谈决策。
收尾再钉一次顺序:看到更便宜 → 同集 20 条 → 三维对比 → 按桶灰发 → 达标再扩。Terra 把 computer-use 的价位打下来了;缺的是你今晚开始跑的那份评测。更漂亮的切换叙事可以以后再写;先让失败重试在表格上可见。


评论列表 (0条):
加载更多评论 Cargando...