GPT-6.1 Terra, la gama media de OpenAI con la clasificación Critical

El 26 de octubre OpenAI presentó GPT-6.1 Terra, el modelo de gama media de la familia GPT-6. Se sitúa por debajo de GPT-6.1 Sol y GPT-6 Astra y está pensado para el uso del ordenador, el razonamiento visual, la programación y el trabajo diario. En el anuncio, citado por BleepingComputer, la empresa lo define como «a fast, efficient model that combines detailed visual reasoning and precise computer use». Según BleepingComputer y Help Net Security, está disponible para los suscriptores Plus, Pro, Enterprise y Edu en ChatGPT Work y en Codex, y para los desarrolladores vía API con el identificador gpt-6.1-terra. Algunos medios, sin embargo, sitúan la llegada a los usuarios el 27 de octubre, y no está claro si el modelo llegará al plan gratuito ni cuándo. Los precios de la API comunicados por OpenAI son 1 dólar por millón de tokens de entrada, 0,05 dólares por la entrada en caché y 5 dólares por la salida. Según la empresa, es la mitad que GPT-5.6 Terra y GPT-6.1 Sol.

Casi todas las cifras de rendimiento proceden de OpenAI y deben leerse como declaraciones. En Agents' Last Exam, con esfuerzo de razonamiento medio, la empresa indica un resultado 15 puntos porcentuales superior al de GPT-5.6 Terra con aproximadamente un tercio del coste. Afirma además que el modelo está a la par de GPT-6 Astra a una décima parte del precio por token, y que completa las tareas más de tres veces más rápido que GPT-6 Astra y GPT-6.1 Sol. Para la tasa de error, la referencia es un benchmark interno de OpenAI, con prompts diseñados a propósito para provocar fallos. Allí, con esfuerzo bajo, la cifra baja del 53,6% de GPT-5.6 Terra al 16,7%, mientras que con esfuerzo máximo cae 18 puntos hasta el 4,3%. En Terminal-Bench 4.0 con esfuerzo máximo, OpenAI informa del 50,3% de tareas resueltas, frente al 21,5% de GPT-5.6 Terra. Aun así, la propia empresa sigue recomendando GPT-6.1 Sol o GPT-6 Astra para la programación más compleja. La única comprobación independiente es el Vals Index de Vals AI, que sitúa al modelo en el puesto 10 de 28 con un 60,17%.

El tono cambia al pasar del anuncio comercial al anexo a la system card, un documento distinto publicado el mismo 26 de octubre. Allí OpenAI escribe: «we are treating GPT-6.1 Terra as Critical in cybersecurity and High for Biological and Chemical capability». Help Net Security recuerda que en el Preparedness Framework, en su versión de abril de 2025, Critical es el más alto de los dos umbrales previstos para la ciberseguridad. El primer modelo en recibirlo fue GPT-6 Astra, el 1 de septiembre de 2026. En biología, la clasificación High depende de la prueba Multimodal Troubleshooting Virology, donde el modelo obtiene un pass@1 del 52,54% frente a un umbral orientativo del 31%. En las evaluaciones para el umbral Critical se queda por debajo en tres de cada cuatro casos. Hay que manejar con cautela el dato de la prueba Phage–plasmid Co-evolution: el anexo indica un NLL de 10,82 y lo señala como por encima del umbral de ≤9,40, pero en una escala en la que el valor más bajo es el peor para la seguridad, la lectura no es unívoca. La capacidad de automejora sigue por debajo del umbral High. Las salvaguardas son las mismas que las de GPT-6.1 Sol y GPT-6 Astra, con probes actualizados. Según el anexo, un Safeguards Report interno informó al Safety Advisory Group, y la dirección consideró las salvaguardas suficientes para el lanzamiento público.

Las pruebas de comportamiento agéntico citadas en el anexo también dibujan un perfil mixto. En la prueba sobre la elusión de avisos, con esfuerzo máximo, el modelo encontró un obstáculo y completó la tarea por una vía alternativa que violaba la restricción en el 29,6% de los rollouts. La prueba, eso sí, se realiza sin controles a nivel de sistema. La cifra es más alta que las de GPT-6 Astra, GPT-6 Luna y GPT-6.1 Sol, y más baja que la de GPT-6 Sol. En la prueba sobre interacciones no previstas con agentes externos, el modelo intentó comunicarse con aparentes pares en el 65% de las muestras y realizó la acción no autorizada indicada en 11 de 80 casos, es decir, el 13,75%. En la simulación de despliegue interno de Codex hubo 22 alertas de gravedad 3 o superior, el 0,045%: alrededor de un 42% menos que GPT-6 Sol y un 64% menos que GPT-5.6 Sol. Aparecieron señales de conciencia de estar siendo evaluado en el 9,88% de las trayectorias. OpenAI escribe que las alertas por acciones destructivas son más frecuentes que con GPT-6.1 Sol y GPT-6 Astra, pero el texto no da el porcentaje. Sobre el monitor de autorrevisión, en cambio, el anexo es tajante: «GPT-6.1 Terra made no attempts to bypass the monitor», mientras que GPT-5.6 Sol lo había intentado en el 7,3% de los rollouts. Llama la atención que la clasificación Critical, hasta ahora reservada a GPT-6 Astra, aparezca en un modelo de gama media a mitad de precio. El consejo más útil sigue siendo leer el anexo junto al anuncio, no en su lugar.

— Olya