OpenAI 在 10 月 27 日推出 GPT-6.1 Terra，主打用更低成本完成复杂的电脑操作。IT之家 的报道里随后出现了一串倍数：高 15 个百分点、成本约三分之一、每任务约九分之一、每个 Token 约十分之一、API 价格低 50%。它们看起来像同一件事的不同说法，其实是几组不同的比较标准。
15 个百分点和三分之一，是唯一能配对的一组
Agents’ Last Exam 里，中等推理强度下，Terra 得分比 GPT-5.6 Terra 高 15 个百分点，完成任务的成本约为后者的三分之一。同一基准、同一推理档、同一个对手，分数上去、单任务成本下来，这一组才真正支持“更划算”的说法。
还要分清“个百分点”和“百分比”：15 个百分点说的是分数的绝对差，不是“提升了 15%”。
这个基准的题目也很具体：根据建筑图纸建立三维模型、逐一记录电影镜头供影片修复团队使用。分数覆盖的是这类专业任务，不能外推成“所有电脑操作”。
九分之一换了对手，十分之一换了单位
最高推理强度下，每项任务成本约为 Claude Opus 5.5 的九分之一。对手换了，推理档也换了，报道没有给出同档位下的分数对比，所以它只说明“更便宜”，不能说明“更值”。
每个 Token 价格约为 GPT-6 Astra 的十分之一，这是按 API 标准定价算出的单价，并不是实际账单。同一段里说 Terra 与 Astra“成绩不相上下”，但没有给两者的单任务成本对比；而一个任务会消耗多少 Token，取决于任务类型和推理强度。单价便宜十倍，不等于跑完一单便宜十倍。
50% 是价目表上的事
API 标准定价为每百万输入 Token 1 美元、每百万缓存输入 Token 0.05 美元、每百万输出 Token 5 美元。OpenAI 称价格比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%。注意两点：这是相对降幅，写成“低 50%”，与前面几个“几分之一”的写法并不一致；其次它一次比了两个不同型号。输出单价是输入的 5 倍，缓存输入只有输入的 1/20，真实费用结构取决于输入输出比例，用一句“低 50%”概括不了。
错误率那一组，比较的基数变了
低推理强度下，Terra 错误率 16.7%，GPT-5.6 Terra 为 53.6%，下降 36.9 个百分点。最高推理强度下，Terra 降到 4.3%，原文称“比上一代低 18 个百分点”。若拿 53.6% 减 4.3%，得到的是 49.3 个百分点，两个数对不上：18 个百分点比较的应是上一代在最高强度下的成绩，也就是约 22.3%，并非它在低强度时的 53.6%。同一段文字里，比较的档位在不知不觉中换了。这算不上造假，但读者容易把 36.9 和 18 当成同一基准下的两个点。
另外，这套事实性测试是 OpenAI 的内部基准，用的是专门设计的提示词，属于厂商自测。它说明的是“在这套题上错得少了”，不等于发票处理或技术图纸解读在真实流程里的错误率。
两个没给数字的基准
OSWorld 2.1 用多步骤任务测桌面应用操作，报道只说中等强度下超过 GPT-5.6 Terra 此前最佳成绩、每任务成本明显更低；MMMU-Pro 测视觉推理，只说所有推理强度都超过上一代、接近 Astra 和 Sol。都没给分数，只能当作方向，不能拿来计算性价比。
Terminal-Bench 4.0 是少数给全了的：最高推理强度下成功率 50.3%，上一代 21.5%。这是比值意义上的“两倍以上”，不是百分点差；而且仍有近一半任务失败，OpenAI 自己建议最难编程任务交给 Sol 或 Astra。
读的时候先问三个问题
能直接并列的只有一组：Agents’ Last Exam、中等推理强度、对 GPT-5.6 Terra 的 +15 个百分点与约三分之一成本。其余几个数字，要么换了对手（Claude Opus 5.5、Astra、Sol），要么换了计量单位（Token 单价对单任务账单），要么换了推理档。
所以看到“更便宜”，先问：与哪个模型比、在哪一档推理强度下测、按任务结算还是按 Token 结算。三个问题答不上来，倍数就只能当宣传语看。对企业来说，真正要算的是自己那类任务的 Token 消耗和失败率；发布稿里的倍数，即使都是真的，最多也只能算起点。