AREX Feed Article
Browser Use 实测 GPT-6.1 Terra 得 78.5 分：基本达到 GPT-6.1 Sol 水平，成本低 35%
北京时间今天（10 月 27 日）上午 10 时 05 分，浏览器代理基准团队 Browser Use 的官方认证 X 账号：在其 Browser Use Benchmark 上，OpenAI 这款新模型得 78.5 分。Browser Use 称这一成绩「基本达到 GPT-6.1 Sol 的性能（79.7 分）而成本低 35%」，并以「帕累托前沿再度由 OpenAI 主导」作结。该结果出自单一基准团队，帖文未附方法学细节。
GPT-6.1 Terra 是 OpenAI 于 10 月 26 日发布的高效模型，主打详细视觉推理与精确的计算机使用能力；OpenAI 称其擅长起草提案、解读技术图纸、填写表单、剪辑视频，也适合读取发票并把信息录入会计软件这类大批量自动化工作。模型已向 Plus、Pro、Enterprise、Edu 用户在 ChatGPT Work 与 Codex 开放，API 名为 gpt-6.1-terra；标准 API 价格较 GPT-5.6 Terra 与 GPT-6.1 Sol 低 50%，为每百万 token 输入 1 美元、缓存输入 0.05 美元、输出 5 美元（、）。
附图细看：160 个任务、16 个模型，Terra 分数第二
帖文开头写着「GPT-6.1 Terra 在浏览器使用上好得惊人」，附图给出了对比的整体框架：Browser Use Benchmark v2.1，160 个共享评分任务、16 个模型，横轴为每任务估计成本（美元），纵轴为平均评分（满分 100）。图中 GPT-6.1 Terra 与 GPT-6.1 Sol 均为 high 推理档，分别标为 78.5 分与 79.7 分；按分数排名，Terra 在 16 个模型中列第二，之后是 Kimi K3.1 Pro（high 档，76.8 分），再往后是 Opus 5.5（74.9 分）、Grok 4.7（73.4 分）等。Terra 的数据点落在横轴左侧的低价区，明显低于 Sol 的成本位置；「成本低 35%」为 Browser Use 自行计算的口径。
截至本文写作时，这篇帖文获得约 250 次点赞、1.1 万次浏览。
Artificial Analysis 测算：低/中推理档帕累托最优，max 档仍比 Sol 低 4 分
独立评测机构 在北京时间 27 日凌晨 02:11（比 Browser Use 的帖文早约 8 小时）发布了另一套读数：GPT-6.1 Terra 在低、中推理档处于智能-成本帕累托前沿——同等成本下没有分数更高的模型，其余档位则落在前沿之后。按其口径，max 档下 Terra 的 Intelligence Index（智能指数）比 GPT-5.6 Terra 高 6 分，单任务成本从 1.40 美元降到 0.40 美元，不足前代三分之一；更低档位的领先幅度扩大到 7～13 分。但 max 档的智能指数仍比 GPT-6.1 Sol 低 4 分，比 GPT-6 Luna 高 10 分。
编码方面，Terra 在 AA 新发布的 Coding Agent Index v2.0（编码代理指数）上得 48 分，比 GPT-6.1 Sol（54 分）低 6 分，比 GPT-6 Luna（31 分）高 17 分，其中 xhigh 与 low 档落在该榜的成本效率前沿上。AA 另外测到：在 AA-Omniscience 知识与幻觉基准上，模型不知道答案时的猜测率从上一代的 88% 降至 38%，准确率同时提高 2 分；Terminal-Bench 4.0 得分较前代高约 20 分，AA 称 max 档下已可比肩 GPT-6.1 Sol。AA 称这是自 GPT-5.6 以来首个 Terra 级模型，「智能更高，成本不到三分之一」，并给出定价对照：缓存写入价减半至每百万 token 1.25 美元，缓存输入价降至前代四分之一的 0.05 美元。以上数字均为 AA 一家的独立测算。
Huryn 的 105 个重植 bug：max 档领先，低档位骤降
北京时间 27 日 07:22，独立测试者 公布了他对 Terra 的自建基准。他往 2 个代码仓库重植 105 个 bug，让模型自行找出并修复。结果：GPT-6.1 Terra 的 max 档得 40.7 分，比 GPT-5.6 Terra max 档的 32 分高出 8.7 分；但 xhigh 档跌到 11.3 分、high 档 9.7 分，不但低于上一代 Terra 同档的 20 分与 18 分，他称也「远低于 Haiku 5.5（xhigh）」。上一代在同测试里同样是 max 档最高，但新一代低档位跌得更深。Huryn 的结论是：「成本与时间上合算，但刚过 max 档，性能就急剧下滑。」该帖获得 770 次点赞、13.3 万次浏览。测试方法为作者自报，未经第三方复核。
OpenAI 的自评：网络安全按 Critical 处理，安全数据未经外部验证
在第三方数据之外，OpenAI 部署安全站点于 10 月 26 日发布：依 Preparedness Framework（风险准备度框架），GPT-6.1 Terra 在网络安全维度按 Critical 处理，生物与化学维度为 High，沿用 GPT-6.1 Sol 与 GPT-6 Astra 的同一防护栈。文档称其生产基准与 GPT-5.6 Terra 大体持平，Extremism、Hate、Sexual/minors 三类的回退「无统计显著性」，并附有一张 Safety Pareto 图：GPT-6.1 Terra 在「安全处理有害请求」与「对正常请求不过度拒绝」两项上的位置都比 GPT-5.6 Terra 更好。与上面三份第三方数据不同，这些结论是 OpenAI 的自我评估，不构成外部验证。
三份读数的分歧：max 档以下可用性尚待裁决
把发布后陆续出现的三份独立数据摆在一起，结论并不一致：Browser Use 在浏览器任务上测到以更低成本逼近 Sol，AA 在通用智能指数上把低/中推理档标在成本效率前沿，Huryn 的修 bug 测试里 max 档以下成绩骤降。三份读数出自三家互不相同的评测方，测的任务互不相同——同样是 max 档以下，AA 的指数里是更划算的档位，Huryn 的环境里却大幅落后于上一代。哪一条更接近真实生产负载，现有材料无法裁决。
Browser Use 的验证也有待补齐：帖文未附任务构成、评分流程与成本口径，78.5 分与 35% 的成本差目前无法由其他团队复算。