GPT-6.1 Terra と GPT-6 Luna：視覚推論か高容量自動化か？
GPT-6.1 Terra と GPT-6 Luna は、どちらも OpenAI の現在のモデルラインナップにおける効率的なメンバーですが、「効率的」という言葉は二つの異なる優先順位を表しています。Terra は視覚的推論、正確なコンピュータ使用、明確な文章作成を中心に設計されています。Luna は、集中した高量タスクに対して、OpenAI が最もコスト効率の高いモデルです。
運用チームにとって、この違いがシステム全体の設計を左右する可能性があります。視覚的な検査ワークフローはTerraの専門性の恩恵を受ける一方、分類、抽出、その他範囲が明確なジョブでは、Lunaの大幅に低いトークン価格が好まれるかもしれません。
仕様比較
| 仕様 | GPT-6.1 Terra | GPT-6 Luna |
|---|---|---|
| モデル ID | gpt-6.1-terra | gpt-6-luna |
| 主要キャラクター | 視覚推論とコンピュータ使用 | 集中、高量作業 |
| コンテキストウィンドウ | 1,050,000 トークン | 1,050,000 トークン |
| 最大出力 | 128,000 トークン | 128,000 トークン |
| 知識の最終更新日 | 2026年6月1日 | 2026年5月18日 |
| 標準入力 | 100万トークンあたり $1.00 | 100万トークンあたり $0.10 |
| 標準出力 | 100万トークンあたり5.00米ドル | 100万トークンあたり0.50米ドル |
| キャッシュ入力 | 100万トークンあたり$0.05 | 100万トークンあたり$0.01 |
| 推論努力 | 最大まで | 最大まで |
| 画像入力 | 対応 | 対応 |
両方ともテキストと画像の入力、テキスト出力、ストリーミング、および主要なResponses APIツールをサポートしています。両方のモデルページには、ネイティブの音声またはビデオ入力は記載されていません。核心的な問題は、Terraのビジュアルとコンピューター使用指向が、受け取る結果を大幅に向上させ、標準の非キャッシュ入力および出力トークン料金の10倍の差を正当化するかどうかです。
視覚と画面判断にTerraを選択
Terraは、モデルが画像やインターフェースの意味を推論しなければならない場合の強力な初期テストであり、単に明らかなテキストを抽出するだけではありません。例としては、製品写真とそのリストの不一致の検出、アクティビティのバリエーションの比較、技術図面の解釈、またはストーリーボードのフレームがリファレンスに従っているかの確認などが含まれます。
画面での作業には、空間的な文脈も関わります。モデルは正しいコントロールを認識し、現在のアプリケーションの状態を理解し、特定の操作が安全かどうかを判断する必要があります。Terraの公式な位置づけにより、この種の問題に特に適しています。
以下の場合にTerraを使用します：
- 要素間の視覚的な関係が重要です。
- ワークフローにはスクリーンショットとコンピュータ操作が含まれます。
- 最終出力には明確な説明または修正の注記が必要です。
- 見落とされた差異は、意味のある後続コストをもたらす。
- このタスクは、目に見える証拠に基づいて検証することができます。
狭い範囲の反復的なタスクにはLunaを選択
Lunaの強みは経済性にあります。現在の標準価格で計算すると、100万入力トークンと100万出力トークンをLunaで使用する場合、0.60ドルかかりますが、Terraを使用する場合は6.00ドルかかります。実際のリクエストの入出力量は大きく異なりますが、大規模なアプリケーションでは、この相対的な差は依然として重要です。
Lunaは、安定した指示と明確な出力パターンを持つ集中タスクに対して評価する価値があります：メッセージのルーティング、フィールドの抽出、タグの割り当て、短いレコードの要約、または標準化されたバリアントの生成をサポートします。また、画像入力もサポートしているため、受け入れ基準がシンプルで明確な場合、低コストで視覚的分類を実現できる可能性があります。
以下の場合にLunaを使用します：
- このタスクは反復性が高く、手順がコンパクトです。
- モードが必要な結果を定義します。
- スループットと単位コストが支配的です。
- 手動または自動の検証コストが低い。
- 評価によると、追加の視覚的推論によるメリットはごくわずかである。
より良いアーキテクチャ：難易度によるルーティング
多くのチームは、すべてのリクエストに対して同じモデルを選択する必要はありません。実用的なフローとしては、通常のケースではまずLunaで処理し、不確実性が高い、視覚的に複雑、または影響が大きいプロジェクトはTerraに任せることです。
例えば、Lunaは製品画像のバッチから可視ラベルを抽出し、それを既知のカタログフィールドと照合できます。信頼度が低い、テキストが矛盾する、またはレイアウトが異常な項目は、その後、Terraによるより文脈に即したレビューに回すことができます。最終的なシステムは、単なる自己申告の信頼度の説明ではなく、定量化可能なルーティングシグナルを使用すべきです。
有用なシグナルには、パターン検証の失敗、2回の処理結果の不一致、必要な証拠の欠如、画像サイズの異常、またはレビュアーが定義したリスクカテゴリが含まれます。
コストシナリオ
月間5000万の未キャッシュ入力トークンと500万の出力トークンがある標準モードのタスクを想像してみてください：
- Terra：50 × $1 + 5 × $5 = $75。
- Luna：50 × $0.10 + 5 × $0.50 = $7.50。
今、Lunaが案件の15%をTerraに割り当てると仮定します。ルーティング設計はLunaのコスト優位性の大部分を維持しつつ、視覚的なコンテキストが重要な場合にTerraを適用する可能性があります。実際の総額には、画像トークン費用、ツール、リトライ、キャッシュ書き込み、インフラストラクチャも含まれます。
クリエイティブワークフローの例
クリエイティブチームはLunaを使用して、ショットのメタデータを標準化したり、大規模な素材ライブラリを分類したりできます。その後、Terraは選択したストーリーボードフレームをチェックし、キャラクターの一貫性、セーフエリアのトリミング、表示テキスト、ブリーフとの整合性を確認できます。レビューが完了すると、チームは承認された方向性を、選択した画像または動画生成環境に渡すことができます。
評価計画
デフォルト値を選択する前に、小さなベンチマークテストを実施します。
- 50から200の代表的なケースを収集し、既知の失敗事例を含む。
- 正しい出力と許容できないエラーを定義する。
- 同じ指示と同程度の努力でLunaとTerraを実行します。
- 受入率、遅延、トークン、再試行回数、および審査時間を記録します。
- アップグレード処理の困難なケースをテストするルーター。
- プロンプト、インターフェース、またはモデルの変更後にベンチマークを再確認してください。
平均精度だけを最適化してはいけません。あるワークフローは表面的には成功しているように見えても、最も高いビジネスリスクを負う小さなカテゴリで繰り返し失敗することがあります。
よくある質問
Luna は常に Terra より10倍安いですか？
公開されたStandardの未キャッシュ入力および出力トークン料金は、Terraの10分の1です。総リクエストコストは、出力長、キャッシュトークン、画像トークン、長文脈倍率、ツール、処理モード、およびリトライによって異なる場合があります。
GPT-6 Luna は画像を分析できますか？
はい。OpenAIは最新のフラッグシップモデル（Lunaを含む）に対して、画像入力とビジョンサポートを挙げています。このモデルの公式な位置づけは、Terraの視覚推論やコンピュータ使用の位置づけではなく、高容量の作業に焦点を当てることです。
どのモデルがコンピュータ操作を処理すべきか？
2つのモデルページは、コンピュータ使用をサポートするResponses APIツールとして挙げています。Terraは正確なコンピュータ使用に直接特化した選択肢ですが、チームは隔離されたテスト環境でタスクの完了状況とセキュリティ動作を比較する必要があります。
判決
視覚的な背景と画面ベースの判断が成否を分ける場合、Terraを選択してください。タスクの範囲が狭く、反復的で、コストに敏感な場合は、Lunaを選択してください。混合ワークロードには、いずれかのモデルを汎用の勝者と宣言するよりも、LunaからTerraへの段階的なアップグレードパスを採用する方が実用的であることが多いです。
