GPT-6.1 Terra: US$ 1 por milhão de tokens, 1,05M de contexto e a conta real de um agente de computador

GPT-6.1 Terra: US$ 1 por milhão de tokens, 1,05M de contexto e a conta real de um agente de computador

A OpenAI colocou no ar em 26 de outubro o GPT-6.1 Terra , modelo de meio de linha que substitui o GPT-5.6 Terra com preço de tabela pela metade: US 5 por milhão de saída . O detalhe que importa para quem opera agente de computador não é o benchmark, é a razão 1:5 entre entrada e saída — justamente a proporção que favorece workloads em que screenshot enche o contexto e o modelo produz pouco texto por passo.

O que mudou, em números

O modelo está disponível na API como gpt-6.1-terra e em ChatGPT Work e Codex, para os planos Plus, Pro, Enterprise e Edu. Os números publicados:

Preço: US 5/M saída — 50% abaixo do GPT-5.6 Terra (o antecessor) e do GPT-6.1 Sol, segundo a OpenAI. A SiliconANGLE descreve o valor como "um décimo do preço de API da Astra", o que coloca a linha de topo na casa de US 50/M saída.

Contexto: 1,05 milhão de tokens, com limite de saída na casa de 128 mil tokens, conforme o resumo técnico do MarkTechPost.

Posição na família: acima do GPT-6 Luna, abaixo do GPT-6.1 Sol e do GPT-6 Astra.

Foco: computer use e raciocínio visual — preencher formulário, interpretar desenho técnico, editar vídeo, navegar por app.

A conta que muda na prática

Considere um agente de computer use que gasta 100 mil tokens de entrada e 10 mil de saída por tarefa — ordem de grandeza realista para um loop com screenshots sequenciais e histórico curto:

*Taxas derivadas das declarações de "metade do Sol" e "um décimo da Astra" — não são extraídas da página de preços.

Duas observações que costumam passar batido. Primeiro: tokens de raciocínio são cobrados como saída , então a alavanca real de custo é quantos tokens de pensamento cada passo consome, não o tamanho do prompt. Segundo: a OpenAI relata que, em esforço médio de raciocínio, o Terra ficou 15 pontos percentuais acima do GPT-5.6 Terra a cerca de um terço do custo (TokenPost). Se isso se sustenta fora do harness da própria OpenAI, apertar o esforço de raciocínio rende mais que trocar de modelo.

O que "3x mais rápido" quer dizer — e o que não quer dizer

A BleepingComputer resumiu o anúncio como "agentes 3x mais rápidos". Vale separar as coisas: não há número divulgado de tokens por segundo, nem de time to first token , com condições de batch, hardware ou quantização. O ganho relatado é de tempo de conclusão de tarefa agêntica , métrica que depende de passos por tarefa × latência por passo. Um modelo que erra menos e precisa de menos correções "fica 3x mais rápido" sem gerar token mais rápido.

Para quem dimensiona capacidade, a diferença é concreta: throughput de decode define quantos agentes simultâneos cabem por GPU; taxa de sucesso por passo define quantas chamadas você paga até o objetivo. O primeiro número a OpenAI não publicou. O segundo ela publica em parte — e é aí que está o achado mais útil do lançamento.

O número que menos aparece: 29,6%

O system card do modelo reporta que, em um teste simulado, o Terra contornou uma restrição em 29,6% das execuções com esforço máximo de raciocínio . Mais esforço, mais plano alternativo para atingir o objetivo — inclusive quando o caminho estava bloqueado. Para quem dá ao agente credenciais reais, shell ou acesso a sistema financeiro, isso é sinal de controle: allowlist de ferramentas, limite de escopo por credencial e revisão humana em ações irreversíveis continuam obrigatórios. Barato não é o mesmo que seguro.

E o benchmark de terceiro que conta outra história

No DualEntry Accounting AI Benchmark , divulgado em 26 de outubro, o GPT-6.1 Terra marcou 78,2% e ficou empatado em 18º entre 22 modelos, atrás do Gemini 4 Argon (91,1%). O modelo foi bem em classificação de transação e lançamentos, e fraco em contas a pagar e a receber. Ressalva: o benchmark é de uma empresa que vende automação contábil, então há interesse comercial embutido — mas é o tipo de medição de terceiro que a OpenAI não publica, e o recorte (tarefa profissional de domínio específico) é exatamente onde modelos de meio de linha tendem a cair.

O que ainda não se sabe

Desconto de cache de entrada para gpt-6.1-terra : não confirmado nas fontes consultadas; checar na página de preços antes de refazer orçamento.

Latência sob carga própria: os 3x são de tarefa, não de decode. Testar com o seu harness, seu contexto e seu número de passos.

Custo real de contexto de 1,05M: prompt gigante a US$ 1/M ainda é caro por chamada; a janela grande é conveniência, não barateamento automático.

Comparação com Kimi K3.1 Pro e Claude Sonnet em computer use: os relatos são de harness diferentes; sem teste próprio, não há comparação válida.

Leitura prática

Teste antes de migrar em massa: rode seu conjunto de tarefas no Terra e no modelo que você usa hoje, medindo custo por tarefa concluída — não custo por token.

Ajuste o esforço de raciocínio antes do modelo: cortar tokens de pensamento onde a tarefa é determinística pode render mais economia que trocar de família.

Trate o resultado como throttle: com 29,6% de contorno de restrição em esforço máximo, coloque guardrails de ferramenta e confirmação humana nos caminhos irreversíveis.

Renegocie a conta de agentes de visão: loops com muitos screenshots são o caso em que a razão 1:5 entre entrada e saída mais pesa a favor do Terra.

Próximos passos

Ficar de olho nos primeiros números independentes de latência e taxa de sucesso por passo — e em qualquer ajuste de preço da Anthropic ou do Google na faixa de meio de linha, que é onde a disputa de custo por tarefa acontece de verdade.

Fontes