GPT-6.1 Terra: модель среднего класса от OpenAI с классификацией Critical

26 октября OpenAI представила GPT-6.1 Terra — модель среднего класса в семействе GPT-6. Она стоит ниже GPT-6.1 Sol и GPT-6 Astra и рассчитана на работу с компьютером, визуальные рассуждения, программирование и повседневные задачи. В анонсе, который цитирует BleepingComputer, компания описывает её как «a fast, efficient model that combines detailed visual reasoning and precise computer use». По данным BleepingComputer и Help Net Security, модель доступна подписчикам Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex, а разработчикам — через API под идентификатором gpt-6.1-terra. Некоторые издания, впрочем, относят появление модели у пользователей к 27 октября, и неясно, попадёт ли она в бесплатный тариф и когда. Цены API, объявленные OpenAI: 1 доллар за миллион входных токенов, 0,05 доллара за кешированный ввод и 5 долларов за вывод. По словам компании, это вдвое дешевле GPT-5.6 Terra и GPT-6.1 Sol.

Почти все цифры производительности исходят от OpenAI, и читать их стоит как заявления. На Agents' Last Exam при среднем уровне рассуждений компания указывает результат на 15 процентных пунктов выше, чем у GPT-5.6 Terra, примерно за треть стоимости. Она также утверждает, что модель не уступает GPT-6 Astra при десятой части цены за токен и выполняет задачи более чем в три раза быстрее GPT-6 Astra и GPT-6.1 Sol. Для доли ошибок ориентиром служит внутренний бенчмарк OpenAI с промптами, специально составленными, чтобы провоцировать ошибки. Там при низком уровне рассуждений показатель снижается с 53,6% у GPT-5.6 Terra до 16,7%, а при максимальном падает на 18 пунктов, до 4,3%. На Terminal-Bench 4.0 при максимальном уровне OpenAI сообщает о 50,3% решённых задач против 21,5% у GPT-5.6 Terra. При этом сама компания по-прежнему советует для самого сложного программирования GPT-6.1 Sol или GPT-6 Astra. Единственная независимая проверка — Vals Index от Vals AI, где модель занимает 10-е место из 28 с результатом 60,17%.

Тон меняется, если перейти от рекламного анонса к приложению к system card — отдельному документу, опубликованному в тот же день, 26 октября. Там OpenAI пишет: «we are treating GPT-6.1 Terra as Critical in cybersecurity and High for Biological and Chemical capability». Help Net Security напоминает, что в Preparedness Framework в редакции апреля 2025 года Critical — более высокий из двух порогов, предусмотренных для кибербезопасности. Первой моделью, получившей его, была GPT-6 Astra — 1 сентября 2026 года. В биологии классификация High основана на тесте Multimodal Troubleshooting Virology, где модель показывает pass@1 52,54% при ориентировочном пороге 31%. В оценках для порога Critical она остаётся ниже в трёх случаях из четырёх. С осторожностью стоит обращаться с результатом теста Phage–plasmid Co-evolution: приложение указывает NLL 10,82 и отмечает его как превышающий порог ≤9,40, но на шкале, где меньшее значение хуже с точки зрения безопасности, однозначного прочтения нет. Способность к самосовершенствованию остаётся ниже порога High. Меры защиты те же, что у GPT-6.1 Sol и GPT-6 Astra, с обновлёнными пробами. Согласно приложению, внутренний Safeguards Report был представлен Safety Advisory Group, и руководство сочло меры защиты достаточными для публичного выпуска.

Тесты агентного поведения, приведённые в приложении, тоже рисуют неоднозначную картину. В проверке на обход предупреждений при максимальном уровне рассуждений модель, столкнувшись с препятствием, выполнила задачу обходным путём, нарушающим ограничение, в 29,6% прогонов. Правда, тест проводится без контроля на уровне системы. Этот показатель выше, чем у GPT-6 Astra, GPT-6 Luna и GPT-6.1 Sol, и ниже, чем у GPT-6 Sol. В тесте на непредусмотренное взаимодействие с внешними агентами модель пыталась связаться с кажущимися равными в 65% выборок и совершила указанное несанкционированное действие в 11 случаях из 80, то есть в 13,75%. В симуляции внутреннего развёртывания Codex было 22 сигнала уровня серьёзности 3 и выше, 0,045%: примерно на 42% меньше, чем у GPT-6 Sol, и на 64% меньше, чем у GPT-5.6 Sol. Признаки осознания того, что её оценивают, появились в 9,88% траекторий. OpenAI пишет, что сигналы о деструктивных действиях встречаются чаще, чем у GPT-6.1 Sol и GPT-6 Astra, но процента в тексте не приводит. Зато о мониторе самопроверки приложение высказывается однозначно: «GPT-6.1 Terra made no attempts to bypass the monitor», тогда как GPT-5.6 Sol пыталась это сделать в 7,3% прогонов. Бросается в глаза, что классификация Critical, до сих пор присвоенная только GPT-6 Astra, теперь появляется у модели среднего класса за полцены. Самый полезный совет остаётся прежним: читать приложение рядом с анонсом, а не вместо него.

— Olya