Den 26. oktober 2026 udgav OpenAI GPT-6.1 Terra, en mellemklassemodel bygget til én opgave, som hidtil har været for dyr at køre i stor skala: at betjene software, som et menneske gør det. Den læser skærme, klikker sig gennem apps og skriver klart, og den koster 1 dollar per million input-tokens. For teams, der bygger AI-agenter, er overskriften ikke en ny benchmarkrekord. Det er, at computer use netop er blevet billigt nok til rutinearbejde.
De vigtigste pointer
- Halv pris. Terra koster 1 dollar per million input-tokens og 5 dollar per million output-tokens, halvdelen af GPT-6.1 Sol og GPT-5.6 Terra-modellen, som den afløser, og en tiendedel af GPT-6 Astra.
- Computer use tæt på flagskibsniveau. OpenAI siger, at Terra matcher GPT-6 Astra på computer use-benchmarken Agents’ Last Exam til en tiendedel af prisen per token.
- Hurtigere og mere præcis. Den gennemførte benchmarkopgaver mere end tre gange hurtigere end Astra og Sol, og dens fejlrate for fakta faldt fra 53,6 % til helt ned til 4,3 %.
- Ikke et kodningsflagskib. OpenAI peger stadig på Sol og Astra til det sværeste kodearbejde.
- Rut, erstat ikke. Den praktiske gevinst ligger i at sende hvert trin i en workflow til den billigste model, der kan løse det godt.
Hvad er GPT-6.1 Terra?
OpenAIs egen modeldokumentation beskriver Terra som “en hurtig, effektiv model til visuel ræsonnering, præcis computer use og klar, naturlig skrivning”. Den placerer sig i GPT-6-familien mellem den budgetvenlige GPT-6 Luna og den afbalancerede GPT-6.1 Sol, med GPT-6 Astra i toppen.
Terra er tilgængelig i ChatGPT Work og Codex for Plus-, Pro-, Enterprise- og Edu-brugere og i API’et som gpt-6.1-terra. Den har et kontekstvindue på 1,05 mio. tokens, op til 128.000 output-tokens og seks indstillinger for reasoning effort, fra none til max. Dens vidensgrænse er 1. juni 2026.
Klar til at vokse din virksomhed?
Start din gratis prøveperiode i dag og se resultater inden for få dage.
Priser
Med 1 dollar ind og 5 dollar ud per million tokens underbyder Terra alle GPT-6-modeller undtagen Luna. Cachet input oplyses til 0,05 dollar per million tokens, hvilket betyder noget for agenter, der sender den samme systemprompt og de samme værktøjsdefinitioner igen ved hvert trin.
Pris per token er kun halvdelen af historien. Omkostningen ved at køre en LLM i en agent afhænger af, hvor mange tokens hver opgave brænder, og OpenAI siger, at Terra bruger færre tokens på visse opgaver end modellerne før den. En billigere model, der kræver færre trin, forstærker besparelsen.
Benchmarks
OpenAI offentliggjorde mest relative tal, så læs dem som en retning frem for absolutte scorer:
| Benchmark | Hvad OpenAI rapporterede for Terra |
|---|---|
| Agents’ Last Exam | 15 point over GPT-5.6 Terra ved medium effort, til omkring en tredjedel af prisen; på niveau med GPT-6 Astra til en tiendedel af prisen per token |
| OSWorld 2.1 | Overgår GPT-5.6 Terras bedst rapporterede score ved medium effort, med en lavere pris per opgave |
| Terminal-Bench 4.0 | 50,3 % ved max effort, op fra 21,5 % for GPT-5.6 Terra |
| Terminal-Bench-Science 0.1 | Slår GPT-6.1 Sol ved max effort, til lavere pris |
| Faktuelle fejl (internt) | 16,7 % ved low effort og 4,3 % ved max effort, ned fra 53,6 % |
Faldet i faktuelle fejl er det tal, man skal holde øje med i kundevendt arbejde. En model, der opfinder fakta halvdelen af tiden, kan ikke besvare supporttickets uden opsyn. En, der gør det et par procent af tiden, med en vidensbase bag sig, begynder at virke brugbar. For at se, hvordan Terras søskende klarer sig på tværs af et bredere sæt tests, kan du tjekke GPT-6.1 Sol benchmarks og GPT-6 Astra benchmarkprofil på vores leaderboard for AI-modeller.
Tilmeld dig vores nyhedsbrev
Få de seneste tips, trends og tilbud gratis.
Hvorfor computer use er vigtigt
Det meste forretningsautomatisering kører gennem API’er. Men en stor del af det virkelige arbejde ligger i software, der ikke har et API, eller hvor ingen har forbundet det: en gammel ERP-skærm, en leverandørportal, en offentlig blanket, et internt dashboard. Computer use lader en agent arbejde direkte i disse systemer ved at se på skærmen og handle på den. Vi gennemgik mekanikken i vores guide til computer use og browser use med LLM’er.
Problemet har altid været pris og hastighed. En computer use-agent tager et skærmbillede, ræsonnerer over det, klikker og gentager, ofte snesevis af gange per opgave. Til flagskibspriser var den løkke fin til demoer og for dyr til tusind fakturaer om dagen. Terra ændrer regnestykket på to måder:
- Pris per token. Sammenlignelige computer use-resultater med Astra til en tiendedel af prisen per token.
- Hastighed. Mere end tre gange hurtigere end Astra og Sol på benchmarkopgaver, så et langt klikforløb bliver færdigt, før en person giver op og venter.
Hvor Terra kommer til kort
Terra er ikke en drop-in-erstatning for alt:
- Svær kodning. OpenAI siger, at GPT-6.1 Sol og GPT-6 Astra fortsat er bedre egnet til det mest komplekse kodearbejde. Terras 50,3 % på Terminal-Bench 4.0 er et stort spring, men det er en score ved max effort.
- Relative tal. De fleste lanceringstal sammenligner Terra med andre OpenAI-modeller frem for at give absolutte scorer. Uafhængig test vil tage et par uger.
- Sikkerhed. OpenAI vurderer Terra til tærsklen “Critical” for cybersikkerhed i sit Preparedness Framework og leverer den med GPT-6 Astra’s sikkerhedsforanstaltninger. En model, der kan styre en computer, kan også misbruge en. Efter sommerens rapporter om, at AI-agenter brød ud af deres testsandkasser, hører enhver agent med skærmadgang til i et isoleret miljø med afgrænsede credentials.
Rut modeller efter opgave
Det kloge træk er ikke at skifte hele din stack til Terra. Det er at holde op med at bruge én model til alt. En typisk workflow blander trin af meget forskellig sværhedsgrad, og hvert trin bør gå til den billigste model, der håndterer det godt.
Tag en support-workflow. Luna tagger og ruter den indkommende ticket for en brøkdel af en cent. Terra slår ordren op i et backoffice-værktøj uden API og udkaster svaret. Sol eller Astra træder kun ind, når ticketen udvikler sig til en egentlig undersøgelse. De fleste tickets rører aldrig den dyre model.
Sådan tænker vi om flows i FlowHunt. I den visuelle AI-workflow-builder vælger hvert trin sin egen model, så du kan teste en ny udgivelse som Terra på et enkelt trin uden at røre resten af flowet.
Hvad du bør gøre nu
- Find skærmarbejdet. Lav en liste over de trin, hvor dit team eller dine agenter kopierer data mellem systemer, der ikke taler sammen. Det er Terras bedste kandidater.
- Test på dine egne opgaver. Kør 20 til 50 virkelige eksempler gennem Terra og din nuværende model, og sammenlign nøjagtighed, pris per opgave og tid.
- Start ved low effort. Terras low effort-indstilling skar allerede faktuelle fejl ned med mere end to tredjedele. Hæv kun effort, hvor resultaterne kræver det.
- Sandkasse den. Giv computer use-agenter deres eget miljø, læseadgang hvor det er muligt, og et menneskeligt godkendelsestrin før noget uopretteligt.
- Hold modellerne udskiftelige. Nye udgivelser kommer hver få uge. En no-code AI-agent-platform, der lader dig skifte model per trin, gør hver udgivelse til en hurtig test i stedet for en migrering.
Bundlinjen
GPT-6.1 Terra topper ikke alle leaderboards, og det er heller ikke meningen. Det, den gør, er at bringe computer use – at læse skærme og betjene software – ned i en prisklasse, hvor den kan køre på hverdagsopgaver i stedet for showcase-projekter. For alle, der automatiserer arbejde på tværs af værktøjer, som aldrig var bygget til at være forbundet, betyder det mere end endnu en benchmarkrekord.
