GPT-6.1 Terra 开发体验与 Token 消耗实测对比
GPT-6.1 Terra を開発に使い、使い勝手やトークン消費を普段使っているAIモデルと比べてみた
让 GPT-6.1 Terra 处理工作时，虽然界面操作和实现进展迅速，但也不止一次需要重新解释意图。我最近还汇总了主要使用的模型的日志，比较了其易用性和令牌消耗量。
TL;DR
- Terra 在 GUI 操作和日常简单任务上速度很快。代码修改和实现的推进也很有节奏感。
- 在讨论规格时，有时无法传达意图，不得不反复重新解释，这让我感到不满。在某些情况下，我觉得比 Luna 更难沟通。
- 汇总的 Terra 日志仅包含使用开始后的前两天数据。根据模型不同，委托的工作内容也有很大差异，这种差异也反映在了消耗量上。
- API 单价是 Sol 的一半。不过，由于处理速度快，我并没有感受到配额消耗较少的实际体验。
前言
最近公开亮相的 GPT-6.1 Terra 是 OpenAI 面向图像与屏幕理解、PC 操作及文本创作而推出的快速模型。它可在 Codex 和 ChatGPT Work 中使用。
在 Codex 中试用后，我喜欢它在代码修改、屏幕操作以及处理日常琐事方面的高效表现。
不过，在讨论方案时，即便我指出了存在的问题，它在下一次建议中仍会回到同样的问题上，导致需要反复重新解释。虽然单项任务执行迅速，但要连续委托它工作仍需多加留意。
除了易用性之外，我也关注到了其消耗量问题，因此对近期开发中主要使用的模型的日志进行了统计。涉及的模型包括 Luna / DeepSeek / Opus / Sol / Terra / Astra。
本文并非在相同条件下测量模型性能差异的比较文章，而是基于日常运营中的 token 消耗与使用体验，探讨适合 Terra 的使用方式。尽管使用 Terra 的时间尚短，但我在此总结目前为止的感受，同时也借此机会对日常用法进行了一次梳理。
日常使用的模型与委托的工作
平时我制作游戏和开发工具。我将从规格咨询到实现、审查、画面确认等工作都委托给AI。
统计的是残留在4台开发环境中的Codex / Claude Code / OpenCode的日志。平时我会按以下方式区分使用模型。以下在表格括号内使用模型名的简称。
| 模型 | 使用的工具 | 用法与选择理由 | 可识别消费量的响应数量 |
|---|---|---|---|
| GPT-5.6 Luna (Luna) | Codex | 在引入 DeepSeek 之前使用的廉价子代理。现在当 OpenCode / Qoder 达到使用限制时仍会使用 | 821 |
| DeepSeek V4.1 Flash (DeepSeek) | OpenCode | 负责在限定范围内进行调查与实现的子代理。近期已成为该角色的核心 | 30,171 |
| Claude Opus 5.5 (Opus) | Claude Code | 与 GPT 系列进行交叉审查，以及视频制作与设计。当接近 GPT 系列的使用限制时，分散工作负荷 | 2,720 |
| GPT-6.1 Sol (Sol) | Codex | 因为喜欢它的聪明和令牌效率，所以将其作为日常开发的主要使用工具 | 124,822 |
| GPT-6.1 Terra (Terra) | Codex | GUI 操作、屏幕确认、代码修改、日常简单任务、规格咨询 | 8,225 |
| GPT-6 Astra (Astra) | Codex | 重要的评论和复杂的任务。在重置前使用额度有剩余时也可以使用 | 39,921 |
Sol 有时会一边商量规格一边继续实现。由于与像父母一样长时间商谈的人，以及被赋予确定范围工作的子代理之间的对话长度不同，这种差异也影响了本次统计的 token 消耗量。
此响应数量包括在调用工具推进工作过程中的响应。一次请求会多次响应，因此表格统计的是与模型的交互次数。
推理设置也符合日常使用习惯。Sol 主要使用 high 和 ultra，Terra 主要使用 high，Luna 主要使用 medium，这也包含了设置的差异。
作为主打速度的模型，GUI 操作和屏幕确认进展迅速。代码修改和实现也能顺利进行，委托相对简单的日常任务时响应速度也很快。想要快速完成琐碎事务时很有帮助。
令人担心的是规格的协商。有时误解了之前传达的前提，或者虽然同意了指出问题，但在下一个建议中又回到了同样的问题上。需要重新解释想协商的内容，导致进展缓慢。
在意图传达的清晰度方面，有时会觉得比 Luna 更难沟通。虽然它的作业速度令人欣慰，但反复重新说明的情况让我感到不满。
如果继续委托后续工作，也需要我这边察觉中途的偏差并重新下达指示。特别是在边确定规格边推进的工作中需要多加留意。
利用日志中看到的 Token 消耗
由于各模型的用途和对话长度各不相同，以下请作为日常使用时的消耗量参考。Terra 的日志仅包含开始使用后的前两天的数据。
输入统计包含了利用缓存的部分，输出统计则包含推理 Token。已排除重复记录的相同响应。
| 模型 | 总消耗（亿Token） | 平均输入（Token/回复） | 平均输出（Token/回复） | 输入缓存比例 |
|---|---|---|---|---|
| Luna | 0.74 | 90,364 | 350 | 93.69% |
| DeepSeek | 31.78 | 104,596 | 754 | 97.45% |
| Opus | 5.98 | 219,118 | 864 | 96.95% |
| Sol | 221.66 | 176,934 | 648 | 97.84% |
| Terra | 18.16 | 220,634 | 159 | 99.26% |
| Astra | 55.25 | 137,940 | 454 | 96.83% |
总消耗量方面，长期使用下来的 Sol 最多。单次回复的输出量中，Terra 约为159个token，Sol 约为648个token。
单次回复的平均输出token数。
输出中用于推理的量
我们还比较了输出令牌的构成。
| 模型 | 平均出力 | 平均推論 | 输出中推理所占的比例 |
|---|---|---|---|
| Luna | 350 | 72 | 20.6% |
| DeepSeek | 754 | 429 | 56.9% |
| Opus | 864 | 396 | 45.8% |
| Sol | 648 | 249 | 38.4% |
| Terra | 159 | 35 | 21.8% |
| Astra | 454 | 111 | 24.4% |
平均的单位是 token/响应。Opus 的推理基于有记录的2,711条数据计算得出。
Sol 和 Astra 的平均输出差异约为194个token，其中约138个token来自推理差异。DeepSeek 的平均输出中超过一半由推理构成。
如果仅比较回答的长度来查看输出 token，这一点就会变得不明显。本次日志中，Terra 的推理和其他输出的 token 都较少。
输入与缓存
所有模型聚合后的 token 中，99% 以上为输入，其中约 94%~99% 的输入使用了缓存。
Terra 每次回复的平均输入量约为 22 万 token，规模较大。扣除使用缓存的部分后，Terra 的平均值约为 1,626 token，Sol 约为 3,817 token。
灰色表示使用缓存的输入，蓝色表示其他输入。
在长对话中，会重复输入之前的指令和工具结果。Terra 平均输入量较大，也包含了在开始阶段通过长对话继续工作的影响。
消费量和委托的工作
Terra 和 Sol 的 API 费用如下。在通常费用和输入272K token以下的条件下，每100万token的价格。
| 模型 | 入力 | 缓存输入 | 出力 |
|---|---|---|---|
| Terra | $1.00 | $0.05 | $5.00 |
| Sol | $2.00 | $0.10 | $10.00 |
API 单价是 Terra 的一半。不过，在使用 Codex 的过程中，感觉使用额度会相应减少。
在此期间，工作进展也更快，有时会觉得在相同的 token 数下，Sol 能完成的工作更多。但反复重新解释意图很麻烦。
Terra 似乎适合委托已确定目的的日常任务或屏幕操作。特别是，将包含 GUI 操作的验证交给子代理这种用法我认为很合适。由父代理决定需要确认的内容，然后让 Terra 负责屏幕操作和结果报告。
虽然在协商确定规格的工作中仍有不满，但对于已确定要验证的内容，似乎能发挥其速度优势。在选择模型时，我也希望结合打算委托哪些工作来一起考虑。
\n 结语
我喜欢 Terra 在屏幕操作和实现方面速度快，能快速处理日常简单事务的特点。另一方面，在协商规格时，有时意图无法传达，需要反复重新解释。
我现在觉得，最好利用速度优势，将包含屏幕操作在内的验证工作作为子代理来委托。
来源：marvelousu · LLM游戏功能与开发实践 · zenn.dev