GPT-6.1-Terra实测：性价比与速度的平衡之作

在模型迭代速度越来越快的当下，单纯比拼跑分已经很难指导实际选型。真正影响开发体验的，往往是单位任务成本、响应速度以及特定场景下的完成质量。B站UP主的最新实测视频，恰好提供了这样一个观察样本：新发布的GPT-6.1-Terra在价格和速度上表现突出，但在前端设计等环节仍有明显短板。

价格优势：完成相同任务成本仅为竞品零头

视频中最直观的对比来自费用消耗。完成相同任务时，GPT-6.1-Terra的费用消耗为0.85，而Claude Opus 5.5高达13.41，GPT-6.2也达到7。这意味着Terra的成本与部分竞品相差十几倍。

对于需要频繁调用模型、批量处理任务的开发者来说，这种量级的成本差异会直接改变工作流设计——原本因为token费用而需要精打细算的场景，现在可以更放心地交给模型处理。UP主在测试Pro订阅额度时也印证了这一点：完成一个完整的3D停车场网页搭建任务，额度消耗仅约1%。

Token费用是大模型API调用成本的核心计量单位。模型将输入文本和输出文本分割为token（约为一个汉字或英文单词的一部分），按token数量计费。不同模型的单价差异巨大，且输出token通常比输入token贵数倍。对于批量处理或高频调用的场景，单价差异会随调用量线性放大，直接决定项目可行性。文章中的"完成相同任务费用"正是以token消耗量乘以单价计算得出的横向对比指标。

综合评分第八，后端能力亮眼但前端偏弱

从评分维度看，GPT-6.1-Terra的综合评分排在第八位。其中后端处理能力位列第三，这是它相对强势的领域。前端交互的排名则靠后，大约在第18位。

UP主在视频中直言，如果涉及前端设计相关任务，DeepSeek^广告在前端方面的评分非常高，是更合适的选择。这种能力分布的不均衡，说明Terra的定位并非全能选手，而是有明确侧重的生产力工具。

Computer Use（计算机使用）指AI模型通过模拟鼠标点击、键盘输入等操作直接控制图形界面完成任务的能力，区别于通过API调用工具。它依赖视觉理解屏幕内容并规划操作序列，对模型的感知与决策连贯性要求很高，因此实际表现常受网络延迟、界面渲染速度等因素影响。文中UP主测试面试系统页面点击，正是典型的Computer Use场景。

3D停车场实战：不到10分钟出可交互成果

为了验证实际表现，UP主给模型下达了一段提示词，要求搭建一个可交互的3D停车场网页，并将思考深度拉到最高档Ultra。模型通过Codex完成开发，总用时10分52秒——其中还包含几分钟的网络连接问题排查，实际纯开发时间不到10分钟。

从成品效果看，视角可以随意切换，放大后能查看细节，点击任意车辆即可切换到该车附近视角。UP主评价称，这么快的时间做出这样的效果符合预期，但若要进一步提升效果，还需在前端设计上继续调整，且坦承效果不如DeepSeek。

Codex在此处指OpenAI提供的代码生成/执行环境（或基于该能力构建的编程代理），模型可在其中编写、运行和调试代码，从而完成网页搭建等开发任务。与纯文本生成不同，Codex环境让模型能实际执行代码并观察结果，适合需要迭代验证的工程类任务。UP主将思考深度调至"Ultra"档，意味着模型在生成前进行更长的推理链，通常能提升复杂任务的完成质量，但也会增加响应时间。

Computer Use实测：点击提速但仍有卡顿

在Computer Use环节，UP主用自己开发的面试系统测试业务主流程的页面点击。模型被要求通过实际点击的方式完成测试。

实测显示，GPT-6.1-Terra的点击速度比之前使用的6.1版本更快，但过程中仍会出现卡顿——在选择某些选项时会停顿思考，UP主不确定这是否与网络状况有关。整个业务自测流程下来，额度消耗甚至不到1%，再次印证了其省token的特性。

选型建议：按场景分配任务

综合来看，GPT-6.1-Terra的定位相当清晰：它适合对成本敏感、需要快速响应的后端处理和自动化操作场景；而在前端设计这类需要精细审美的任务上，DeepSeek等模型仍有优势。对于同时使用多个模型的开发者，将任务按能力矩阵拆分——前端交给专精模型、后端和流程自动化交给Terra——可能是现阶段更务实的策略。