OpenAIは10月26日、APIの価格を先代の半額に抑えた「GPT-6.1 Terra」を発表した。速さと安さを軸にしたモデルで、請求書の読み取りや伝票入力のように、件数で費用が決まる仕事を狙っている。
GPT-6.1 TerraはTerra系の2代目
OpenAIのモデルは今、4つの名前で並ぶ。最上位のGPT-6 Astra、バランス型のGPT-6.1 Sol、安くて速いTerra、最も軽いLunaだ。GPT-6.1 TerraはGPT-5.6 Terraの後継で、Terraというグレードでは2代目になる。
Terraは旗艦ではない。OpenAI自身が「速く、効率的」という言葉を最初に置いている。資料作成、技術図面の読み解き、フォームの入力、動画の編集。そういう一日の大半を占める作業を、なるべく安く回すためのモデルだ。
その代わり、最も難しいコーディングや科学研究の一部では、SolとAstraに譲る。OpenAIの発表文にも「最も複雑なコーディング作業ではSolとAstraのほうが適している」と書いてある。全部を一番にしたモデルではない。
API価格は100万トークンあたり入力1ドル、出力5ドル
価格は標準APIで、入力が100万トークンあたり1ドル、出力が5ドル。キャッシュ済みの入力は0.05ドル。GPT-5.6 Terraが入力2ドル、出力12ドルだったので、入力は半額、出力は半分以下になる。
Artificial Analysisの集計では、キャッシュの書き込みも100万トークンあたり1.25ドルと半分になり、読み出しは0.20ドルから0.05ドルへ下がった。同じ文章を何度も読ませる使い方ほど、差が開く。
日本円に直すと、入力100万トークンでおよそ150円。請求書1万枚を読ませるような案件でも、以前なら数十万円だった処理が半分以下になる計算だ。ただし実際の請求額は為替と、入力と出力の比率で変わる。
もう一つ見落としやすいのが、推論の強さをどれだけ使うかで費用が変わる点だ。Terraはlow、medium、maxといった推論の強さを選べる。同じ質問でも、設定次第で消費トークンが数倍違う。安い単価は、設定を上げたときにどこまで膨らむかを含めて評価しないと意味がない。
事務作業を測るAgents' Last Examで15ポイント増
OpenAIが最初に挙げたのは、コンピュータを操作する能力だ。Agents' Last Examは、建築図面を3Dモデルに起こす、映画の映像をショットごとに見てタイムコード付きのログを作る、といった専門職向けの作業を集めたベンチマークである。
中程度の推論設定で、GPT-6.1 TerraはGPT-5.6 Terraを15ポイント上回った。費用はおよそ3分の1。OpenAIの説明では、トークン単価が10分の1のAstraと同等の成績になる場面もあるという。
視覚推論を測るMMMU-Proでも、すべての設定でGPT-5.6 Terraを上回った。AstraやSolの点数に近づきながら、費用は大きく下がる。デスクトップアプリを操作して多段の作業をこなすOSWorld 2.1では、中程度の設定でGPT-5.6 Terraの最高得点を超えた。
図面を読む、表を埋める、動画を切る。どれも「見て、判断して、手を動かす」作業である。Terraが強調しているのは、この3つを1つのモデルで通せることだ。用途ごとにモデルを切り替える手間が減る。
ただしこれは同社の発表資料の数字で、第三者が同じ条件で追試した結果ではない。ベンチマークの点数は、測り方を作った側の設計に左右される。
OpenAIは比較の言葉も自分で用意している。最大設定でのトークン効率はClaude Opus 5.5の3倍以上、トークン単価は4分の1なので、1タスクあたりの費用は約9分の1になるという。この9倍という数字は、同社が選んだ条件での比較だ。競合のモデルを同じ土俵で測った第三者の数字ではない。
Terminal-Bench 4.0は50.3%、コーディングの最上位は依然Sol
コマンドラインの操作を測るTerminal-Bench 4.0では、最大の推論設定で50.3%を解いた。GPT-5.6 Terraが公表していた21.5%の2倍以上にあたる。読み込み中のレイアウトが崩れるウェブページを直す、といった作業が含まれる。
科学計算の作業を測るTerminal-Bench-Science 0.1では、最大設定でGPT-6.1 Solを上回った。Claude Opus 5.5まで5ポイント以内に迫り、推定費用は5分の1未満だという。こちらもOpenAIの集計である。
数字が良いのは確かだが、コーディングエージェントとしての総合力ではSolが上に残る。OpenAIはそこを隠していない。Terraは「安いから何度も試せる」モデルであって、「一度で決めたい仕事」の担当ではない。
ターミナル作業の点数が伸びた背景には、命令を組み立てて実行し、結果を見て直すループの精度が上がったことがある。従来のモデルでは、途中で別のコマンドに脱線したまま戻れない場面があった。Terraはその往復を短く畳む。数秒で終わる作業を何百回も回す場面では、この差が待ち時間になる。
Artificial Analysisの評価、低・中推論で費用対効果が最前線
第三者の評価は、もう少し冷静である。Artificial AnalysisのIntelligence Indexで、GPT-6.1 Terraは最大設定でGPT-5.6 Terraを6ポイント上回った。1タスクあたりの費用は0.40ドル対1.40ドル。推論の強さを低め、中程度に落とすと、伸び幅は7ポイントから13ポイントに広がる。
評価の中で重要なのは、低と中程度の設定だけが「賢さと費用」の最前線に乗るという点だ。高い設定は最前線の後ろに回る。つまり、何でも最大設定で使うと、Terraのうまみは薄れる。
コーディングエージェントの指標では48点。GPT-6.1 Solが54点、GPT-6 Lunaが31点なので、間に入る位置づけだ。最高の1段下にあたるxhighと、lowの設定が費用対効果の面で最前線に来る。
この評価は、Terraを「万能の安物」と読む見方を否定している。maxで使えばコーディングではSolに6点届かないまま、費用だけが近づく。一方、lowとmediumで回せる仕事なら、競合より少ない費用で同じ水準に届く。設定の選び方が、そのまま損得になる。
幻覚率は88%から38%に下がった
実務で効くのは、正解を知らないときの振る舞いだろう。Artificial AnalysisのAA-Omniscienceで、答えが分からない質問に対して「推測して答える」割合が38%になった。GPT-5.6 Terraは88%だったので、50ポイントの改善になる。
同時に正答率も2ポイント上がっている。当てずっぽうが減り、かつ正解も増えた。請求書の金額を読み違えて、それらしい数字を返す。そういう事故が減る方向の変化である。
OpenAIも自社の誤り誘導テストを出している。低い推論設定での誤答率は53.6%から16.7%へ下がり、最大設定では4.3%になった。この種の社内テストは公表されないことが多いので、数字の裏取りはしにくい。
AA-Omniscienceは、知識の広さと、知らないことを素直に認められるかを同時に見る。ここで38%という数字は、3回に1回以上はまだ推測で埋めるという意味だ。人の確認を省いていい水準ではない。読み取りの仕事では、金額と日付だけは必ず突き合わせる仕組みを残したい。
幻覚が減った理由について、OpenAIは今年に入って誤りを減らす訓練を強化したと説明している。Terraの改善は、その施策がモデルの小さめのグレードにも届いたことを示す。上位モデルだけが賢くなる時代から、安いモデルも同じ方向で底上げされる時代に移りつつある。
サイバー分野はCritical、安全性の説明は自社評価
安全性については、OpenAIのPreparedness Frameworkでサイバーセキュリティの「Critical」しきい値に達したと説明する。GPT-6 Astraで作った防御機構をそのまま引き継いでいる。
プロンプトインジェクションの試験では、利用者の指示から逸らそうとする悪意ある命令への耐性が高いという。制約や障害を隠さず伝える傾向も強まったと、同社は書いている。これらも自社評価であり、外部監査の結果ではない。
Criticalという区分は、その能力が悪用された場合に重大な被害が出うるという意味であって、危険なモデルだという意味ではない。OpenAIは展開にあたって追加の監視と拒否の仕組みを入れ、悪用の兆候を監視するとしている。システムカードには、どの試験で何点だったかの内訳が載っている。
安全側の説明で気になるのは、安いモデルほど広く配られるという点だ。価格が下がれば、これまで様子見だった企業や個人が使い始める。同じ防御機構が効くという主張は、使う相手が増えたときの前提でもある。
どの仕事をTerraに流すか
Terraが向くのは、量が多く、1件あたりの失敗がすぐ分かる仕事だ。請求書の読み取り、経費の分類、問い合わせの一次仕分け、フォームの転記、取材音声の下書き。間違えても人が最後に確認できる工程が残っている作業である。
逆に、一度の判断が大きく響く仕事はSolかAstraに残す。設計の最終確認、法務文書の起草、複雑なリファクタリング。安さにつられて全部をTerraに寄せると、手戻りの費用のほうが高くつく。
判断の目安は、間違いを見つける費用のほうが、モデルを呼ぶ費用より安いかどうかだ。請求書の数字が1桁ずれていれば、経理が気づく。顧客向けの提案文が事実と違えば、取り返しに時間がかかる。前者はTerra向き、後者は上級モデル向きである。
では、その線引きは誰が決めるのか？現場の担当者が毎回判断するのは現実的ではない。工程ごとに許容できる誤り率を決め、それを超えたら上位モデルに回す。そういう仕組みを先に作っておくほうが、モデルの選定より効く。
同じ理由で、パイプライン全体をTerraに置き換えるより、工程ごとに振り分けるほうが現実的だ。下読みと整形はTerra、最終判断はSol。この組み合わせなら、品質を落とさずに費用の大半を削れる。
安さが意味するのは、試行回数を増やせること
API価格が半額になるということは、同じ予算で2倍の回数を試せるということだ。エージェントに同じ作業を3回やらせて、結果が一致したものだけ採用する。そういう使い方が現実的な費用でできるようになる。
OpenAIはこのモデルを、ChatGPT WorkとCodexではすでにPlus、Pro、Enterprise、Eduの各利用者に開放している。開発者はAPIのgpt-6.1-terraで呼べる。同じ利用枠でこなせる作業量は、同社の社員がXに投稿したところによれば、GPT-6.1 Solのおよそ2倍になる。
次の注目点は、Artificial Analysisの追試が設定を変えても同じ傾向を示すか、そして実際の業務でどれだけ手戻りが減るかである。安いモデルは、使う回数を増やして初めて価値が出る。値段だけを見て導入し、回数を増やさなければ、ただ安いモデルを高い設定で回すだけになる。
