GPT-6.1 Terra contre GPT-6 Luna : raisonnement visuel ou automatisation à haute capacité ?
GPT-6.1 Terra et GPT-6 Luna sont tous deux des membres efficaces de la gamme actuelle de modèles d'OpenAI, mais le terme « efficace » décrit deux priorités différentes. Terra est conçu autour du raisonnement visuel, de l'utilisation précise de l'ordinateur et de l'écriture claire. Luna est le modèle le plus rentable d'OpenAI pour les tâches ciblées et à volume élevé.
Pour les équipes d'exploitation, cette différence peut déterminer la conception de l'ensemble du système. Les flux de travail d'inspection visuelle pourraient bénéficier de la spécialisation de Terra, tandis que les tâches de classification, d'extraction et autres travaux bien définis pourraient préférer le prix nettement inférieur des tokens de Luna.
Comparaison des spécifications
| Spécifications | GPT-6.1 Terra | GPT-6 Luna |
|---|---|---|
| ID du modèle | gpt-6.1-terra | gpt-6-luna |
| Rôles principaux | Raisonnement visuel et utilisation de l'ordinateur | Travail ciblé et à volume élevé |
| Fenêtre de contexte | 1 050 000 jetons | 1 050 000 jetons |
| Sortie maximale | 128 000 jetons | 128 000 jetons |
| Date limite des connaissances | 1er juin 2026 | 18 mai 2026 |
| Entrée standard | 1,00 $ par million de tokens | 0,10 $ par million de tokens |
| Sortie standard | 5,00 $US par million de tokens | 0,50 $US par million de tokens |
| Entrée en cache | 0,05 $ pour 100 000 jetons | 0,01 $ pour 100 000 jetons |
| Effort de raisonnement | Aucun au maximum | Aucun au maximum |
| Entrée d'image | Pris en charge | Pris en charge |
Les deux prennent en charge les entrées texte et image, les sorties texte, la diffusion en continu ainsi que les principaux outils de l'API Responses. Aucune des deux pages de modèles ne répertorie d'entrée audio ou vidéo native. La question centrale est de savoir si l'orientation visuelle et informatique de Terra suffit à améliorer significativement les résultats que vous obtenez, justifiant ainsi l'écart décuplé entre les tarifs standard des jetons d'entrée et de sortie non mis en cache.
Choisir Terra pour le jugement visuel et d'écran
Terra est un test préliminaire puissant, lorsque le modèle doit raisonner sur la signification d'une image ou d'une interface, et non pas simplement extraire le texte évident. Les exemples incluent la détection d'une inadéquation entre la photo d'un produit et sa fiche, la comparaison de variantes d'une campagne, l'interprétation de dessins techniques, ou la vérification qu'une image de storyboard suit la référence.
Le travail sur écran implique également un contexte spatial. Le modèle peut avoir besoin d'identifier les bons contrôles, de comprendre l'état actuel de l'application et de déterminer si une action est sûre. Le positionnement officiel de Terra le rend particulièrement adapté à ce type de problèmes.
Utilisez Terra dans les cas suivants :
- Les relations visuelles entre les éléments sont importantes.
- Le flux de travail comprend des captures d'écran et des opérations informatiques.
- La sortie finale nécessite une explication claire ou des notes de révision.
- Les différences omises entraînent des coûts significatifs par la suite.
- Cette tâche peut être vérifiée sur la base de preuves visibles.
Choisir Luna pour traiter des tâches étroites et répétitives
L'avantage de Luna réside dans son économie. Selon les prix standard actuels, un million de tokens en entrée et un million de tokens en sortie coûtent 0,60 $ avec Luna, contre 6,00 $ avec Terra. Bien que les volumes réels d'entrée et de sortie des requêtes varient considérablement, cet écart relatif reste important lors d'une application à grande échelle.
Luna mérite d'être évaluée pour des tâches ciblées avec des instructions stables et des schémas de sortie clairs : acheminer des messages de support, extraire des champs, attribuer des étiquettes, résumer de courts enregistrements ou générer des variantes normalisées. Elle prend également en charge les entrées d'images, ce qui permet une classification visuelle à faible coût lorsque les critères d'acceptation sont simples et clairs.
Utilisez Luna dans les cas suivants :
- Cette tâche est très répétitive et ses étapes sont serrées.
- Le mode définit le résultat souhaité.
- Le débit et le coût unitaire dominent.
- Le coût de la vérification manuelle ou automatique est faible.
- L'évaluation montre que le raisonnement visuel supplémentaire apporte très peu d'avantages.
Meilleure architecture : routage par difficulté
De nombreuses équipes n'ont pas besoin de sélectionner le même modèle pour chaque requête. Un processus pratique consiste à utiliser Luna pour les cas courants, tout en confiant les projets incertains, visuellement complexes ou à fort impact à Terra.
Par exemple, Luna peut extraire les étiquettes visibles d'un lot d'images de produits et les comparer aux champs de catalogue connus. Les éléments présentant une faible confiance, des conflits de texte ou des anomalies de mise en page peuvent ensuite être transmis à Terra pour un examen plus contextuel. En fin de compte, le système devrait utiliser des signaux de routage quantifiables — plutôt qu'une simple déclaration de confiance auto-rapportée.
Les signaux utiles incluent : échec de validation du modèle, résultats de traitement incohérents entre deux passages, absence de preuves nécessaires, dimensions d'image anormales, ou catégories de risque définies par le réviseur.
Scénario de coûts
Imaginez une tâche de modèle standard avec 50 millions de jetons d'entrée non mis en cache et 5 millions de jetons de sortie par mois :
- Terra : 50 × 1 $ + 5 × 5 $ = 75 $.
- Luna : 50 × 0,10 $ + 5 × 0,50 $ = 7,50 $.
Supposons maintenant que Luna attribue 15 % des cas à Terra. La conception du routage pourrait conserver la plupart des avantages de coût de Luna, tout en appliquant Terra lorsque le contexte visuel est important. Le montant total réel inclut également les frais de jetons d'image, les outils, les tentatives, les écritures en cache et l'infrastructure.
Exemple de flux de travail créatif
L'équipe créative peut utiliser Luna pour normaliser les métadonnées des plans ou classer de grandes bibliothèques de rushes. Ensuite, Terra peut vérifier les storyboards sélectionnés afin d'assurer la continuité des personnages, la sécurité du recadrage, la visibilité du texte et la conformité avec le brief. Une fois la révision terminée, l'équipe peut transmettre les orientations approuvées à son environnement de génération d'images ou de vidéos choisi.
Plan d'évaluation
Avant de choisir la valeur par défaut, établissez d'abord un petit test de référence :
- Collectez 50 à 200 cas représentatifs, y compris des cas d'échec connus.
- Définir la sortie correcte et les erreurs inacceptables.
- Exécutez Luna et Terra avec les mêmes instructions et un niveau d'effort similaire.
- Enregistrez le taux d'acceptation, la latence, les jetons, le nombre de tentatives et le temps de modération.
- Tester un routeur qui gère des cas difficiles de mise à niveau.
- Revérifiez les repères après des modifications de l'invite, de l'interface ou du modèle.
Ne vous contentez pas d'optimiser uniquement le taux de précision moyen. Un flux de travail peut sembler réussi en apparence, tout en échouant de manière répétée sur les petites catégories qui portent les risques métier les plus élevés.
Foire aux questions
Luna est-elle toujours dix fois moins chère que Terra ?
Les tarifs Standard publiés pour les tokens d'entrée et de sortie non mis en cache représentent un dixième de ceux de Terra. Le coût total des requêtes peut varier en fonction de la longueur de la sortie, des tokens mis en cache, des tokens d'image, du multiplicateur de contexte long, des outils, du mode de traitement et des tentatives.
GPT-6 Luna peut-elle analyser des images ?
Oui. OpenAI liste la prise en charge des entrées d'image et de la vision pour son dernier modèle phare, y compris Luna. Le positionnement officiel de ce modèle est de se concentrer sur les tâches à forte capacité, plutôt que sur le raisonnement visuel et l'utilisation informatique de Terra.
Quel modèle devrait gérer les opérations informatiques ?
Les deux pages de modèles listent l'utilisation de l'ordinateur comme outil pris en charge par l'API Responses. Terra est le choix plus directement orienté vers une utilisation précise de l'ordinateur, mais les équipes devraient comparer l'accomplissement des tâches et les comportements de sécurité dans un environnement de test isolé.
Jugement
Lorsque le contexte visuel et les jugements basés sur l'écran déterminent le succès ou l'échec, choisissez Terra. Lorsque les tâches sont étroites, répétitives et sensibles aux coûts, choisissez Luna. Pour les charges de travail mixtes, adopter une voie de mise à niveau progressive de Luna vers Terra est souvent plus pratique que de déclarer l'un ou l'autre modèle comme vainqueur universel.
