OpenAI GPT-6.1 Terra 上线 OpenRouter，定价 $1/M input、$5/M output

OpenRouter 宣布 OpenAI 的 GPT-6.1 Terra 上线。该模型在 Agents' Last Exam 上与 GPT-6 Astra 得分相当，每 token 价格约为其十分之一，平均完成任务速度比 Astra 和 GPT-6.1 Sol 快 3 倍以上。

定价 $1/M input、$5/M output，上下文 1.05M，链接 https://openrouter.ai/openai/gpt-6.1-terra 。

OpenRouter 上线 OpenAI GPT-6.1 Terra：在 Agents' Last Exam 上得分与 GPT-6 Astra 相当，单位 token 价格约为后者十分之一，任务完成速度比 Astra 与 GPT-6.1 Sol 快 3 倍以上，采用 $1/M input、$5/M output 定价，上下文窗口 1.05M。

• OpenRouter 上线 OpenAI GPT-6.1 Terra：在 Agents' Last Exam 上得分与 GPT-6 Astra 相当，单位 token 价格约为后者十分之一，任务完成速度比 Astra 与 GPT-6.1 Sol 快 3 倍以上，采用 $1/M input、$5/M output 定价，上下文窗口 1.05M。
• 原贴提到：OpenRouter 宣布 OpenAI 的 GPT-6.1 Terra 上线。该模型在 Agents' Last Exam 上与 GPT-6
• 来源：x.com

这是什么信号：据 OpenRouter 的模型页面信息，OpenAI 的 GPT-6.1 Terra 已在 OpenRouter 上线，并同时给出三个关键参数：Agents' Last Exam 得分与 GPT-6 Astra 相当、单位 token 价格约为其十分之一（$1/M input、$5/M output）、平均任务完成速度比 Astra 和 GPT-6.1 Sol 快 3 倍以上，上下文窗口 1.05M。这不是单纯的“又上一个模型”，而是一次把“接近旗舰的评测分 + 十分之一的价格 + 更快的速度”同时摆上同一张表的定价动作。

为什么重要：在 Agent 场景里，成本结构从来不是“每次调用多少钱”，而是“完成一个任务要多少次调用、每次调用要多久”。1.05M 上下文意味着长文档、长代码库、长对话历史可以少做切片与摘要，减少中间环节；速度快 3 倍以上意味着同样的时间预算内可以跑更多轮自我检查与工具调用；价格降到十分之一意味着原本因成本被砍掉的“多跑几轮”和“批量回归”变得可负担。评测分持平而价格与速度大幅占优，会直接改变很多团队在模型选型表里的默认项。

对谁有价值：一是正在跑 Agent 流水线、对单任务成本敏感的工程团队，尤其是做代码代理、文档处理、批量数据抽取的场景；二是把长上下文当作产品能力的功能设计者，1.05M 让“整库/整卷直接塞进去”从演示变成可上线；三是在 OpenRouter 上做多模型路由的团队，这类模型适合被放进“默认档”，把旗舰模型留给真正需要上限的少数请求。

可以怎么行动：第一，把手里已有的评测集在自己的真实任务上跑一遍对照组，重点看“任务完成率 × 完成耗时 × 总 token 成本”这个三元组，而不是只看榜单分数；第二，针对长上下文档位做一次压力测试，验证 1.05M 在实际业务文档上的有效召回是否随长度衰减；第三，在路由层设置分层策略——Terra 做默认，Astra 或 Sol 作为难例回退；第四，把“速度提升”折算成可并行的重试次数与自检轮数，重新评估原先因延迟被否决的 Agent 架构。

风险与限制：以上信息来自 OpenRouter 单侧公布，评测分数与“快 3 倍以上”的口径需要在自有任务上复核，官方基准与真实业务分布常有落差；长上下文的“标称长度”与“有效可用长度”是两件事，成本优势可能被实际输入长度抵消；价格与可用性属于会变动的商业条款，不应写进长期成本模型；上线渠道是第三方聚合平台，稳定性、速率限制与数据合规策略需要单独确认。在独立验证完成前，建议以灰度方式接入而非一次性切换主力模型。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 x.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《OpenAI GPT-6.1 Terra 上线 OpenRouter，定价 $1/M input、$5/M output》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• @OpenRouter 原帖