GPT-6.1 Terra vs. GPT-6.1 Sol

GPT-6.1 Terra kostet auf jeder Zeile der Preisliste halb so viel wie GPT-6.1 Sol: 1 $/5 $ pro Million Tokens gegenüber 2 $/10 $. OpenAI zufolge erledigt Terra Aufgaben im Durchschnitt mehr als dreimal schneller. Sol ist nach wie vor das stärkere Modell, mit 6 Punkten Vorsprung im Coding Agent Index von Artificial Analysis (54 vs. 48), und OpenAI selbst empfiehlt Sol oder GPT-6 Astra für die komplexesten Coding-Aufgaben und eingehende Recherche.

Die Frage ist also nicht, welches besser ist. Sondern ob Ihre Workload diese Lücke braucht. Dieser Vergleich stellt Spezifikationen, Preise, Benchmarks und API-Unterschiede gegenüber und endet mit einer Routing-Regel, die Sie verwenden können. Hintergrundinformationen zu den einzelnen Modellen finden Sie unter was GPT-6.1 Terra ist und was GPT-6.1 Sol ist.

Direkter Vergleich

Die Preise sind Standardtarife für Prompts mit bis zu 272K Input-Tokens, von OpenAIs Preisseite. Beide Modelle teilen dieselbe Regel für lange Prompts: Oberhalb von 272K Input-Tokens wird die gesamte Anfrage mit dem 2-fachen Input- und Cache-Tarif und dem 1,5-fachen Output-Tarif abgerechnet.

Preis: Terra kostet genau die Hälfte

Jeder Tarif von Terra ist halb so hoch wie der von Sol. Das macht den Kostenvergleich einfach: Bei gleicher Token-Anzahl kostet Terra 50 % weniger. Nehmen wir einen Agent-Schritt mit einem gecachten Präfix von 100.000 Tokens, 8.000 neuen Input-Tokens und 2.000 Output-Tokens:

Die Token-Anzahlen werden in der Praxis nicht identisch sein: Das Modell, das länger nachdenkt, verbraucht mehr Output. Dass Terra schneller ist, deutet jedoch darauf hin, dass es seine Geschwindigkeit nicht mit zusätzlichen Tokens erkauft. Artificial Analysis hat für Terra bei maximalem Aufwand in seiner Suite 0,40 $ pro Aufgabe gemessen. Unser GPT-6.1 Terra Pricing Guide enthält die vollständige Preisliste sowie die Varianten Batch, Flex und Fast.

Noch ein Datenpunkt: Terra im Fast-Modus kostet 2 $/10 $, genau der Standardpreis von Sol. Wenn Sie Sol-Preise zahlen, können Sie zwischen der zusätzlichen Leistungsfähigkeit von Sol und Terra mit höherer Geschwindigkeit wählen.

Benchmarks: eine knappe Lücke

Die Zahlen stammen aus OpenAIs Launch-Materialien und von Artificial Analysis. Artificial Analysis sagt, dass Terras Terminal-Bench-4.0-Ergebnis bei maximalem Aufwand „nun mit“ GPT-6.1 Sol mithält. Keine Quelle, die wir gefunden haben, veröffentlicht die Ergebnisse beider Modelle für jeden Benchmark im selben Diagramm, daher sollten Sie die Tabelle als Richtung und Größe der Lücke betrachten, nicht als exaktes Ranking.

Das Muster ist über alle Quellen hinweg konsistent: Sol führt bei der schwierigsten agentischen Coding-Arbeit, und zwar im einstelligen Bereich. Bei Terminal-Aufgaben und allgemeiner Agent-Arbeit liegt Terra nahe dran. Zur Einordnung: Terra liegt im selben Intelligence Index 10 Punkte über GPT-6 Luna, der Schritt von Sol zu Terra ist also weniger als halb so groß wie der Schritt von Terra zu Luna.

Zuverlässigkeit

Die größte einzelne Verbesserung von Terra betrifft Halluzinationen. Artificial Analysis hat in seinem AA-Omniscience-Test eine Halluzinationsrate von 38 % gemessen, gegenüber 88 % bei GPT-5.6 Terra. In OpenAIs internem Faktualitätstest liegt die Fehlerrate von Terra bei maximalem Aufwand bei 4,3 %, was laut OpenAI „nahezu“ an GPT-6 Astra und GPT-6.1 Sol heranreicht. Bei niedrigem Aufwand sind es 16,7 %.

Das Fazit: Bei hohem Aufwand machen Terra und Sol in OpenAIs Test einen ähnlichen Anteil an Faktenfehlern. Sols Vorsprung liegt beim schwierigeren Reasoning, nicht bei der grundlegenden Genauigkeit.

API-Unterschiede, die Ihren Code betreffen

Der meiste Code läuft mit beiden Modellen, wobei nur die Modell-ID geändert werden muss. Drei Unterschiede sind relevant:

1. none-Aufwand. Terra unterstützt reasoning.effort: "none"; Sol nicht. Ein Entwickler im Community-Forum von OpenAI berichtet, dass none bei Terra auch das Setzen von temperature und top_p erlaubt. Wenn Sie eine Klassifizierungsaufgabe von GPT-6 Sol wegverlagert haben, weil 6.1 Sol none gestrichen hat, bringt Terra sie zurück.
2. Cache-Ökonomie. Gecachter Input kostet 0,05 $ bei Terra und 0,10 $ bei Sol. Agents, die lange Präfixe wiederverwenden, sparen bei Terra proportional mehr.
3. Geschwindigkeitsempfindliche Logik. Wenn Ihre UI an einen Nutzer streamt oder Ihr Agent viele sequenzielle Schritte ausführt, verändert Terras Geschwindigkeit das Erlebnis. Die 3x-Angabe von OpenAI ist ein Durchschnitt über seine Aufgaben; messen Sie Ihre eigenen.

Beide unterstützen dieselben gehosteten Tools in der Responses API, darunter computer_use, web_search, file_search, code_interpreter und mcp. Der GPT-6.1 Terra API Guide und der GPT-6.1 Sol API Guide behandeln die Einrichtung für beide.

In ChatGPT und Codex

Beide sind in ChatGPT Work und Codex für kostenpflichtige Tarife verfügbar, und keines ist in Free oder Go enthalten. Für Terra listet OpenAI Plus, Pro, Enterprise und Edu auf. Der praktische Unterschied liegt in der Nutzung: Laut OpenAI reicht Ihr Work- und Codex-Kontingent mit Terra „deutlich weiter“ als mit GPT-6.1 Sol oder GPT-6 Astra. Wenn Sie bei Sol an die Codex-Limits stoßen, streckt das Ausführen von Routineaufgaben auf Terra (codex -m gpt-6.1-terra, Codex CLI 0.159.0 oder neuer) denselben Tarif. Unser Codex-Nutzungslimits-Guide erklärt, wie das Kontingent funktioniert.

Welches sollten Sie verwenden?

Verwenden Sie GPT-6.1 Terra für:

• Computer Use: durch Apps klicken, Bildschirme lesen, Formulare ausfüllen. Das ist der zentrale Anwendungsfall.
• Schreiben und Verfassen von Texten, Zusammenfassungen, Antworten.
• Coding-Aufgaben mittlerer Schwierigkeit: Änderungen an einzelnen Dateien, Tests, Skripte, Reviews.
• Agent-Schleifen mit vielen Schritten, bei denen sich Geschwindigkeit und Kosten pro Schritt summieren.
• Extraktion und Klassifizierung, die mehr erfordern, als Luna leisten kann, besonders mit none-Aufwand.

Verwenden Sie GPT-6.1 Sol für:

• Große Refactorings über mehrere Dateien und Architekturarbeit.
• Lange Rechercheketten, bei denen ein falscher Schritt das Ergebnis entgleisen lässt.
• Aufgaben, bei denen Terra bereits gescheitert ist. OpenAI selbst lenkt die schwierigsten Coding-Aufgaben zu Sol oder Astra.

Eine Routing-Regel, die funktioniert: Standardmäßig Terra verwenden und zu Sol eskalieren, wenn eine Aufgabe ihre Prüfungen nicht besteht oder in eine bekannt schwierige Kategorie fällt. Bei einem Preisverhältnis von 50/50 zahlen Sie selbst dann, wenn Sie ein Drittel Ihres Traffics zu Sol schicken, nur etwa zwei Drittel einer reinen Sol-Rechnung. Wenn Sie laboreübergreifend vergleichen, behandelt unsere Gegenüberstellung GPT-6.1 Sol vs. Claude Sonnet 5.5 die 2 $/10 $-Kategorie.

Lassen Sie Ihren Coding-Agent den Vergleich mit Apidog CLI durchführen

Benchmarks sagen Ihnen etwas über die Aufgaben anderer Leute. Der schnellste Weg zur Entscheidung ist, Ihre eigenen Prompts mit beiden Modellen auszuführen und zu vergleichen – und Ihr Coding-Agent kann das mit Apidog CLI erledigen.

Einmal einrichten:

npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
apidog skill install

Dann geben Sie Claude Code, Codex oder Cursor einen Prompt:

In Apidog project <id>, create a test case for POST https://api.openai.com/v1/responses
that sends model {{MODEL}} at reasoning effort medium, iterating over the 20 prompts in
prompts.csv. Assert status 200 and that each output passes our JSON schema. Run it with
MODEL=gpt-6.1-terra and MODEL=gpt-6.1-sol against the <env> environment, then report
pass rate, average output tokens and estimated cost for each model.

Der Agent validiert die Payload, erstellt den Testfall und führt beide Modelle mit denselben Daten aus:

apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -d prompts.csv --env-var "MODEL=gpt-6.1-terra" -r cli,json
apidog run --test-case <caseId> --project <id> -e <envId> -d prompts.csv --env-var "MODEL=gpt-6.1-sol" -r cli,json

Wenn Terras Bestehensrate bei Ihren Prompts mit der von Sol übereinstimmt, haben Sie die Rechnung mit Belegen halbiert. Wenn nicht, zeigen Ihnen die fehlgeschlagenen Zeilen, welche Aufgaben Sie zu Sol routen sollten. Behalten Sie den Vergleich in der CI mit -r junit (Apidog CLI CI/CD-Guide) und führen Sie ihn erneut aus, wann immer eines der Modelle aktualisiert wird. Die Codex-Einrichtung finden Sie unter Apidog CLI in Codex.

FAQ

Ist GPT-6.1 Terra besser als GPT-6.1 Sol? Nein. Sol erzielt höhere Werte (54 vs. 48 im Coding Agent Index von Artificial Analysis). Terra kostet die Hälfte und ist laut OpenAI über 3x schneller.

Wie viel günstiger ist Terra als Sol? Bei jedem Tarif genau 50 %: 1 $ vs. 2 $ Input, 0,05 $ vs. 0,10 $ gecacht, 5 $ vs. 10 $ Output.

Haben Terra und Sol dasselbe Kontextfenster? Ja: 1.050.000 Tokens, 922.000 Input und 128.000 Output bei beiden.

Welches ist besser fürs Coding? Sol für die schwierigsten Arbeiten, wie OpenAI empfiehlt. Terra für alltägliches Coding, wo es bei Terminal-Aufgaben zum halben Preis nahe herankommt.

Kann ich zwischen ihnen wechseln, ohne den Code zu ändern? Größtenteils ja. Ändern Sie die Modell-ID; wenn Sie reasoning.effort: "none" verwenden, funktioniert das nur bei Terra.

Fazit

GPT-6.1 Terra liefert Ihnen das meiste von GPT-6.1 Sol zum halben Preis und mit einem Bruchteil der Wartezeit. Nehmen Sie standardmäßig Terra, behalten Sie Sol für die schwierigen Fälle und lassen Sie Ihren Agent die Aufteilung mit Ihren eigenen Prompts über Apidog CLI belegen, bevor Sie sich festlegen.