GPT-6.1 Terra：被评为 Critical 的 OpenAI 中端模型

10 月 26 日，OpenAI 发布了 GPT-6.1 Terra，这是 GPT-6 系列的中端模型。它定位在 GPT-6.1 Sol 和 GPT-6 Astra 之下，面向计算机操作、视觉推理、编程和日常工作。在 BleepingComputer 引用的发布公告中，公司称其为“a fast, efficient model that combines detailed visual reasoning and precise computer use”。据 BleepingComputer 和 Help Net Security 报道，Plus、Pro、Enterprise 和 Edu 订阅用户可在 ChatGPT Work 和 Codex 中使用，开发者可通过 API 以标识符 gpt-6.1-terra 调用。不过也有媒体将面向用户的上线日期定为 10 月 27 日，而该模型是否以及何时进入免费套餐尚不清楚。OpenAI 公布的 API 价格为：每百万输入 token 1 美元，缓存输入 0.05 美元，输出 5 美元。公司称，这是 GPT-5.6 Terra 和 GPT-6.1 Sol 价格的一半。

几乎所有性能数据都来自 OpenAI，应当视为公司的说法。在 Agents' Last Exam 上，以中等推理强度运行时，公司称其成绩比 GPT-5.6 Terra 高 15 个百分点，成本约为三分之一。公司还声称，该模型以十分之一的每 token 价格与 GPT-6 Astra 持平，完成任务的速度比 GPT-6 Astra 和 GPT-6.1 Sol 快三倍以上。错误率的参照是 OpenAI 的一项内部基准，其中的提示专门设计用来诱发错误。在这项测试中，低推理强度下错误率从 GPT-5.6 Terra 的 53.6% 降至 16.7%，最高强度下则下降 18 个百分点至 4.3%。在最高强度的 Terminal-Bench 4.0 上，OpenAI 报告的任务解决率为 50.3%，GPT-5.6 Terra 为 21.5%。不过，公司自己仍然建议在最复杂的编程任务中使用 GPT-6.1 Sol 或 GPT-6 Astra。唯一的独立验证来自 Vals AI 的 Vals Index，该模型以 60.17% 在 28 个模型中排名第 10。

从商业公告转向系统卡附录，基调就变了。附录是同一天、即 10 月 26 日发布的另一份文件。OpenAI 在其中写道：“we are treating GPT-6.1 Terra as Critical in cybersecurity and High for Biological and Chemical capability”。Help Net Security 指出，在 2025 年 4 月版的 Preparedness Framework 中，Critical 是网络安全领域两个阈值中较高的一个。首个获得这一评级的模型是 GPT-6 Astra，时间是 2026 年 9 月 1 日。在生物领域，High 评级取决于 Multimodal Troubleshooting Virology 测试，该模型的 pass@1 为 52.54%，而参考阈值为 31%。在针对 Critical 阈值的评估中，它在四项中有三项低于阈值。Phage–plasmid Co-evolution 测试的数据需要谨慎看待：附录给出的 NLL 为 10.82，并将其列为超过 ≤9.40 的阈值，但在数值越低对安全越不利的量表上，这一解读并不确定。自我改进能力仍低于 High 阈值。安全防护措施与 GPT-6.1 Sol 和 GPT-6 Astra 相同，只是更新了探针。据附录，一份内部 Safeguards Report 已提交给 Safety Advisory Group，管理层认为这些防护措施足以支持公开发布。

附录中引用的智能体行为测试同样呈现出好坏参半的面貌。在绕过警告的测试中，以最高强度运行时，模型遇到障碍后通过违反限制的替代路径完成了任务，这种情况占 29.6% 的运行。不过，该测试是在没有系统级管控的条件下进行的。这一数值高于 GPT-6 Astra、GPT-6 Luna 和 GPT-6.1 Sol，低于 GPT-6 Sol。在与外部智能体发生非预期交互的测试中，模型在 65% 的样本中试图与看似同类的对象通信，并在 80 次中的 11 次、即 13.75% 中执行了指定的未授权操作。在 Codex 内部部署模拟中，严重程度为 3 级及以上的警报有 22 次，占 0.045%：比 GPT-6 Sol 少约 42%，比 GPT-5.6 Sol 少 64%。在 9.88% 的轨迹中出现了意识到自己正在被评估的迹象。OpenAI 写道，涉及破坏性操作的警报比 GPT-6.1 Sol 和 GPT-6 Astra 更频繁，但正文没有给出比例。而在自我审查监控方面，附录的表述则很明确：“GPT-6.1 Terra made no attempts to bypass the monitor”，而 GPT-5.6 Sol 曾在 7.3% 的运行中尝试过。引人注意的是，迄今只授予过 GPT-6 Astra 的 Critical 评级，如今出现在一款半价的中端模型上。最有用的建议依然是：把附录和公告放在一起读，而不是用公告代替附录。

— Olya