GPT-6.1 Terra 與 GPT-6 Luna：視覺推理還是高量自動化？
GPT-6.1 Terra 和 GPT-6 Luna 都是 OpenAI 目前模型系列中的高效成員，但「高效」描述的是兩種不同的優先方向。Terra 專為視覺推理、精確的電腦操作和清晰的寫作而設計。Luna 則是 OpenAI 在專注、高量任務上最具成本效益的模型。
對於營運團隊而言，這個差異可能決定整個系統的設計。視覺檢查工作流程可能受益於 Terra 的專業化，而分類、提取及其他範圍緊密的工作則可能偏好 Luna 顯著較低的代幣價格。
規格對照表
| 規格 | GPT-6.1 Terra | GPT-6 Luna |
|---|---|---|
| 模型 ID | gpt-6.1-terra | gpt-6-luna |
| 主要角色 | 視覺推理與電腦使用 | 專注、高量工作 |
| 上下文窗口 | 1,050,000 個標記 | 1,050,000 個標記 |
| 最大輸出 | 128,000 個令牌 | 128,000 個令牌 |
| 知識截止日期 | 2026年6月1日 | 2026年5月18日 |
| 標準輸入 | 每 1M 代幣 $1.00 | 每 1M 代幣 $0.10 |
| 標準輸出 | 每 1M tokens 5.00 美元 | 每 1M tokens 0.50 美元 |
| 快取輸入 | 每 1M tokens 0.05 美元 | 每 1M tokens 0.01 美元 |
| 推理強度 | 無到最大 | 無到最大 |
| 影像輸入 | 支援 | 支援 |
兩者皆支援文字與圖片輸入、文字輸出、串流傳輸，以及主要的 Responses API 工具。兩個模型頁面均未列出原生音訊或影片輸入功能。核心問題在於，Terra 的視覺與電腦使用導向，是否足以顯著提升您所接受的結果，從而合理化標準未快取輸入與輸出 Token 費率之間高達十倍的差異。
選擇 Terra 進行視覺與螢幕判斷
Terra 是一個強而有力的初步測試，當模型必須推論圖像或介面的含義，而不僅僅是提取明顯的文字時。範例包括偵測產品照片與其列表之間的不一致、比較活動變體、解讀技術圖紙，或檢查分鏡圖格是否遵循參考資料。
螢幕工作也涉及空間情境。模型可能需要辨識正確的控制項、理解當前的應用程式狀態，並判斷某個操作是否安全。Terra 的官方定位使其特別適合這類問題。
使用 Terra 時：
- 元素之間的視覺關係很重要。
- 此工作流程包含螢幕截圖和電腦操作。
- 最終輸出需要清晰的說明或修訂摘要。
- 遺漏的差異會造成有意義的下游成本。
- 此任務可根據可見證據進行驗證。
選擇 Luna 處理狹窄、重複的任務
Luna 的優勢在於經濟性。以目前的標準價格計算，一百萬個輸入 token 和一百萬個輸出 token 使用 Luna 的費用為 0.60 美元，而使用 Terra 則為 6.00 美元。大多數實際請求使用的輸入和輸出量差異很大，但在大規模應用中，相對差距仍然很重要。
Luna值得針對具有穩定指令和明確輸出架構的聚焦任務進行評估：路由支援訊息、擷取欄位、指派標籤、摘要簡短記錄，或產生標準化變體。它也支援影像輸入，因此在驗收標準明確的情況下，可能可以進行低成本視覺分類。
在以下情況使用 Luna：
- 這項任務重複性高且時間緊湊。
- 結構描述定義了所需的結果。
- 吞吐量與單位成本為主導因素。
- 人工或自動驗證的成本低廉。
- 評估顯示，額外的視覺推理帶來的效益有限。
更好的架構：按難度路由
許多團隊不需要為每個請求選擇單一模型。一個實用的流程從 Luna 處理例行案件開始，並將不確定、視覺複雜或高影響力的項目交給 Terra。
例如，Luna 可能從一批產品圖像中提取可視標籤，並與已知的目錄欄位進行比對。那些信心度低、文字衝突或佈局異常的項目，則可交由 Terra 進行更具脈絡性的審查。最終系統應採用可量化的路由信號，而非僅靠自我回報的信心度陳述。
有用的信號包括結構驗證失敗、兩次掃描之間的不一致、缺少必要證據、異常的影像尺寸，或審查者定義的風險類別。
成本情境
假設一個每月有5000萬未快取輸入Token和500萬輸出Token的標準模式工作：
- Terra: 50 × $1 + 5 × $5 = $75。
- Luna：50 × $0.10 + 5 × $0.50 = $7.50。
現在假設 Luna 將 15% 的案件轉送給 Terra。路由設計可能保留 Luna 大部分的成本優勢，同時在視覺情境重要的地方應用 Terra。實際總額還包括圖像代幣費用、工具、重試、快取寫入和基礎設施。
創意工作流程範例
創意團隊可以使用 Luna 來標準化鏡頭元數據或對大型資產庫進行分類。接著，Terra 可以檢查選定的分鏡幀，以確保角色連貫性、裁切安全、可見文字以及與簡報的一致性。審查完成後，團隊可以將核准的方向交給所選的圖像或影片生成環境。
評估計劃
在選擇預設值之前，先建立一個小型基準測試：
- 收集 50 到 200 個具代表性的案例，包括已知的失敗案例。
- 定義正確的輸出與不可接受的錯誤。
- 使用相同的指示和相當的努力來執行 Luna 和 Terra。
- 記錄接受率、延遲、令牌、重試次數及審查時間。
- 測試一個能升級處理困難案例的路由器。
- 在提示、介面或模型變更後，重新檢查基準測試。
不要只針對平均準確度進行最佳化。一個工作流程可能在表面上看似成功，卻在承擔最高業務風險的小類別上反覆失敗。
常見問題
露娜是否總是比泰拉便宜十倍？
其列出的標準未快取輸入與輸出Token費率為Terra的十分之一。總請求成本可能因輸出長度、快取Token、影像Token、長上下文倍數、工具、處理模式及重試次數而有所不同。
GPT-6 Luna 能分析圖片嗎？
是的。OpenAI 為其最新旗艦模型（包括 Luna）列出了影像輸入與視覺支援。該模型的官方定位著重於專注、高容量的工作，而非 Terra 的視覺推理與電腦使用定位。
哪個模型應該處理電腦操作？
兩個模型頁面都將電腦使用列為支援的 Responses API 工具之一。Terra 是更直接定位於精確電腦使用的選擇，但團隊應在隔離的測試環境中比較任務完成度與安全行為。
判決
當視覺情境與螢幕判斷決定成敗時，請選擇 Terra。若任務範圍狹窄、重複且成本敏感，則選擇 Luna。對於混合型工作負載，採取經過衡量的 Luna 至 Terra 升級路徑，往往比宣稱任一模型為通用贏家更為實用。
