GPT-6.1 Terra vs. GPT-6 Luna: Visuelles Denken oder Hochvolumen-Automatisierung?
GPT-6.1 Terra und GPT-6 Luna sind beide effiziente Mitglieder der aktuellen Modellreihe von OpenAI, aber „effizient“ beschreibt zwei unterschiedliche Prioritäten. Terra ist auf visuelles Denken, präzise Computernutzung und klares Schreiben ausgelegt. Luna ist OpenAIs kosteneffizientestes Modell für fokussierte Aufgaben mit hohem Volumen.
Für ein Betriebsteam kann dieser Unterschied das gesamte Systemdesign bestimmen. Ein visueller Inspektionsworkflow kann von Terras Spezialisierung profitieren, während Klassifizierung, Extraktion und andere eng begrenzte Aufgaben von Lunas deutlich niedrigerem Token-Preis profitieren.
Technische Daten im Vergleich
| Spezifikation | GPT-6.1 Terra | GPT-6 Luna |
|---|---|---|
| Modell-ID | gpt-6.1-terra | gpt-6-luna |
| Hauptrolle | Visuelles Denken und Computernutzung | Fokussierte, umfangreiche Arbeit |
| Kontextfenster | 1.050.000 Token | 1.050.000 Token |
| Maximale Ausgabe | 128.000 Token | 128.000 Token |
| Wissensstand | 1. Juni 2026 | 18. Mai 2026 |
| Standardeingabe | 1,00 $ pro 1 M Token | 0,10 $ pro 1 M Token |
| Standardausgabe | 5,00 $ pro 1 Mio. Tokens | 0,50 $ pro 1 Mio. Tokens |
| Zwischengespeicherte Eingabe | 0,05 $ pro 1 Mio. Tokens | 0,01 $ pro 1 Mio. Tokens |
| Denkaufwand | Kein bis maximal | Kein bis maximal |
| Bildeingabe | Unterstützt | Unterstützt |
Beide unterstützen Text- und Bildeingabe, Textausgabe, Streaming und die wichtigsten Tools der Responses API. Keine der Modellseiten listet native Audio- oder Videoeingabe auf. Die zentrale Frage ist, ob Terras visuelle und computerorientierte Ausrichtung Ihr akzeptiertes Ergebnis ausreichend verbessert, um einen zehnfachen Unterschied bei den Standardraten für ungecachte Eingabe- und Ausgabe-Tokens zu rechtfertigen.
Wählen Sie Terra für visuelle und bildschirmbasierte Beurteilungen
Terra ist ein starker erster Test, wenn das Modell darüber nachdenken muss, was ein Bild oder eine Oberfläche bedeutet, und nicht nur offensichtlichen Text extrahieren muss. Beispiele umfassen das Erkennen einer Diskrepanz zwischen einem Produktfoto und seiner Auflistung, das Vergleichen von Kampagnenvarianten, das Interpretieren einer technischen Zeichnung oder das Prüfen, ob ein Storyboard-Bild einer Referenz folgt.
Bildschirmarbeit umfasst auch den räumlichen Kontext. Ein Modell muss möglicherweise das richtige Bedienelement identifizieren, den aktuellen Anwendungszustand verstehen und entscheiden, ob eine Aktion sicher ist. Terras offizielle Positionierung macht es für diese Art von Problem besonders relevant.
Verwenden Sie Terra, wenn:
- Die visuelle Beziehung zwischen Elementen ist wichtig.
- Der Workflow umfasst Screenshots und Computeraktionen.
- Die endgültige Ausgabe benötigt eine klare Erklärung oder einen Überarbeitungsauftrag.
- Eine übersehene Abweichung verursacht erhebliche Folgekosten.
- Die Aufgabe kann anhand sichtbarer Beweise überprüft werden.
Wählen Sie Luna für enge, wiederholte Aufgaben
Lunas Vorteil liegt in den Kosten. Bei den aktuellen Standardpreisen würden eine Million Eingabe-Token und eine Million Ausgabe-Token mit Luna 0,60 $ kosten, während es mit Terra 6,00 $ wären. Die meisten echten Anfragen nutzen sehr unterschiedliche Eingabe- und Ausgabevolumina, aber der relative Unterschied bleibt im großen Maßstab bedeutend.
Luna eignet sich für die Bewertung fokussierter Aufgaben mit stabilen Anweisungen und klaren Ausgabeschemata: Weiterleiten von Support-Nachrichten, Extrahieren von Feldern, Zuweisen von Labels, Zusammenfassen kurzer Datensätze oder Erstellen standardisierter Varianten. Sie unterstützt auch Bildeingaben, sodass eine kostengünstige visuelle Klassifizierung möglich sein kann, wenn die Akzeptanzkriterien einfach sind.
Verwenden Sie Luna, wenn:
- Die Aufgabe ist repetitiv und streng begrenzt.
- Ein Schema definiert das erforderliche Ergebnis.
- Durchsatz und Stückkosten dominieren.
- Die menschliche oder automatisierte Validierung ist kostengünstig.
- Bewertungen zeigen, dass zusätzliches visuelles Denken nur wenig Nutzen bringt.
Eine bessere Architektur: Nach Schwierigkeit routen
Viele Teams müssen nicht für jede Anfrage ein Modell auswählen. Eine praktische Pipeline beginnt mit Luna für Routinefälle und leitet unsichere, visuell komplexe oder besonders wichtige Fälle an Terra weiter.
Zum Beispiel könnte Luna sichtbare Etiketten aus einer Charge von Produktbildern extrahieren und mit bekannten Katalogfeldern vergleichen. Artikel mit geringer Konfidenz, widersprüchlichem Text oder ungewöhnlichen Layouts können dann zur kontextbezogeneren Überprüfung an Terra weitergeleitet werden. Das endgültige System sollte messbare Routing-Signale verwenden – nicht nur einen selbst gemeldeten Konfidenzsatz.
Nützliche Signale sind Schema-Validierungsfehler, Diskrepanz zwischen zwei Durchläufen, fehlende erforderliche Nachweise, ungewöhnliche Bildabmessungen oder eine vom Prüfer definierte Risikokategorie.
Kostenszenario
Stellen Sie sich einen monatlichen Job mit 50 Millionen ungecachten Eingabetokens und 5 Millionen Ausgabetokens im Standardmodus vor:
- Terra: 50 × $1 + 5 × $5 = $75.
- Luna: 50 × 0,10 $ + 5 × 0,50 $ = 7,50 $.
Angenommen, Luna sendet 15 % der Fälle an Terra. Ein geroutetes Design kann den Großteil des Kostenvorteils von Luna behalten, während Terra dort eingesetzt wird, wo visueller Kontext wichtig ist. Die tatsächlichen Gesamtkosten umfassen auch Bild-Token-Gebühren, Tools, Wiederholungen, Cache-Schreibvorgänge und Infrastruktur.
Beispiel für einen kreativen Workflow
Ein kreatives Team könnte Luna nutzen, um Shot-Metadaten zu normalisieren oder eine große Asset-Bibliothek zu klassifizieren. Terra kann dann ausgewählte Storyboard-Frames auf Charakterkontinuität, Beschnittsicherheit, sichtbaren Text und Übereinstimmung mit einem Briefing prüfen. Nach der Überprüfung kann das Team die genehmigte Richtung an seine gewählte Bild- oder Videogenerierungsumgebung übergeben.
Evaluierungsplan
Erstellen Sie einen kleinen Benchmark, bevor Sie einen Standard auswählen:
- Sammeln Sie 50 bis 200 repräsentative Fälle, einschließlich bekannter Fehler.
- Definieren Sie korrekte Ausgaben und inakzeptable Fehler.
- Führen Sie Luna und Terra mit denselben Anweisungen und vergleichbarem Aufwand aus.
- Erfassen Sie Akzeptanzrate, Latenz, Tokens, Wiederholungen und Prüfzeit.
- Testen Sie einen Router, der schwierige Fälle eskaliert.
- Überprüfen Sie den Benchmark nach Änderungen an Prompt, Schnittstelle oder Modell erneut.
Optimieren Sie nicht nur auf die durchschnittliche Genauigkeit. Ein Workflow kann erfolgreich erscheinen, während er wiederholt in der kleinen Kategorie versagt, die das höchste Geschäftsrisiko birgt.
Häufig gestellte Fragen
Ist Luna immer zehnmal günstiger als Terra?
Die angegebenen Standardraten für ungecachte Input- und Output-Token betragen ein Zehntel von denen von Terra. Die Gesamtkosten einer Anfrage können aufgrund der Ausgabelänge, gecachter Token, Bild-Token, Langkontext-Multiplikatoren, Tools, Verarbeitungsmodus und Wiederholungen variieren.
Kann GPT-6 Luna Bilder analysieren?
Ja. OpenAI listet Bild-Eingabe und Vision-Unterstützung für seine neuesten Flaggschiff-Modelle, einschließlich Luna. Der offizielle Schwerpunkt des Modells liegt auf fokussierter, hochvolumiger Arbeit, nicht auf Terras visueller Argumentation und Computer-Nutzungspositionierung.
Welches Modell sollte Computeraktionen übernehmen?
Beide Modellseiten listen Computer Use unter den unterstützten Responses-API-Tools auf. Terra ist die direkter positionierte Wahl für präzises Computer Use, aber Teams sollten Aufgabenabschluss und Sicherheitsverhalten in einer isolierten Testumgebung vergleichen.
Urteil
Wählen Sie Terra, wenn visueller Kontext und bildschirmbasierte Beurteilung den Erfolg bestimmen. Wählen Sie Luna, wenn die Aufgabe eng, wiederholt und kostenempfindlich ist. Für gemischte Arbeitslasten ist ein gemessener Eskalationspfad von Luna zu Terra oft nützlicher, als eines der Modelle zum universellen Gewinner zu erklären.
