GPT-6.1 Terra veröffentlicht: Die Positionierung der vier Modelle der GPT-6-Familie auf einen Blick

Am 26. Oktober 2026 hat OpenAI GPT-6.1 Terra offiziell vorgestellt. Der Preis pro Token beträgt nur die Hälfte des Sol-Preises und ein Zehntel des Astra-Preises. Bei einigen Tests zum visuellen Verständnis und zur Computerbedienung erreicht Terra dennoch nahezu Flaggschiff-Niveau. Das sorgt für Aufmerksamkeit. Viele Entwickler fragen sich zunächst: Warum bringt OpenAI neben dem leistungsstärksten Modell Astra, dem Allrounder Sol und dem günstigsten Modell Luna noch ein weiteres Modell namens Terra heraus?

Das ist kein Gerücht. Die offizielle Ankündigung, die API-Modellseite und die Preisseite von OpenAI sind bereits online. Auch unabhängige Anbieter wie Artificial Analysis, Plotly und DualEntry haben am Tag der Veröffentlichung eigene Testergebnisse veröffentlicht. Dieser Artikel führt die Informationen zusammen und erklärt, welchen Platz GPT-6.1 Terra in der GPT-Familie einnimmt.

Das Wichtigste auf einen Blick: In wenigen Minuten erfahren Sie alles über die wichtigsten Eckdaten, Preise und Testergebnisse von GPT-6.1 Terra – und darüber, wofür sich Terra, Astra, Sol und Luna jeweils eignen.

GPT-6.1 Terra: Die wichtigsten Fakten im Überblick

Zunächst die grundlegenden Fakten. Die Tabelle fasst die Informationen zusammen, die OpenAI in seiner offiziellen Ankündigung und API-Dokumentation bestätigt hat:

Bei der Versionsnummer gibt es ein Detail: Zuvor war Terra bei GPT-5.6 stehen geblieben. Nun erfolgte der direkte Sprung von 5.6 Terra auf 6.1 Terra – ein GPT-6.0 Terra wurde nie offiziell veröffentlicht. Zum zeitlichen Ablauf: Am 3. September erschien das Flaggschiff GPT-6 Astra, am 22. September folgten Sol und Luna. Am 29. September wurde Sol auf 6.1 aktualisiert, und mit Terra am 26. Oktober war die vierstufige GPT-6-Familie komplett.

Die Grenzen von GPT-6.1 Terra

Terra unterstützt Streaming-Ausgaben, strukturierte Ausgaben und Funktionsaufrufe. Tool-Aufrufe laufen über die Responses API; darüber lassen sich unter anderem Websuche, Dateisuche, Computer Use, Shell, Code Interpreter und MCP anbinden.

Wichtig: Dass das Modell mithilfe von Software Videos schneiden kann, bedeutet nicht, dass es Videogenerierung nativ unterstützt. Ebenso wenig kann es nach der API-Anbindung automatisch den Computer eines Nutzers bedienen, nur weil es Screenshots versteht. Was es konkret leisten kann, hängt von den konfigurierten Tools und der Laufzeitumgebung ab. Das Kontextfenster von 1,05 Millionen Token liegt zudem auf demselben Niveau wie bei Sol und Astra und ist kein exklusiver Vorteil von Terra.

GPT-6.1 Terra innerhalb der GPT-Familie

Um Terra zu verstehen, lohnt sich ein Blick auf die Aufgabenteilung innerhalb der Modellfamilie. Der offizielle Auswahlleitfaden von OpenAI ordnet die aktuellen Hauptmodelle vier Ebenen zu, die jeweils für unterschiedliche Aufgaben und Budgets gedacht sind.

GPT-6.1 Terra ist kein abgespecktes Sol

Terra liegt zwischen Sol und Luna, ist aber nicht einfach eine durchgehend schwächere Version von Sol. OpenAI betont die vollständige Kette vom „Verstehen der Informationen“ bis zur „Ausführung der Handlung“: etwa einen Screenshot erkennen, entscheiden, welche Schaltfläche angeklickt werden muss, anschließend Daten in verschiedenen Programmen eintragen und ein Ergebnis ausgeben. Solche Aufgaben erfordern gutes visuelles Verständnis und präzise Bedienung, aber nicht unbedingt die umfassende Schlussfolgerungsfähigkeit eines Flaggschiffmodells.

Daran zeigt sich ein Wandel in OpenAIs Ansatz: Statt allen Nutzern dasselbe leistungsstärkste Modell anzubieten, werden die Modelle nach Aufgabenschwierigkeit, Ausführungsgeschwindigkeit und Kosten gestaffelt. Terra füllt genau die Lücke für Aufgaben, die Luna nicht gut genug erledigt und für die Sol zu teuer wäre.

🎯 Technischer Tipp: Wenn du Astra, Sol, Terra und Luna im selben Code miteinander vergleichen möchtest, kannst du sie über die OpenAI-kompatible Schnittstelle von APIYI auf apiyi.com einheitlich aufrufen. Für den Modellwechsel musst du nur den Parameter model ändern.

GPT-6.1 Terra: Preisvergleich und tatsächliche Kosten

Der Preis ist das offensichtlichste Verkaufsargument von Terra. Die folgende Tabelle zeigt die offiziellen Standard-API-Preise von OpenAI in US-Dollar pro Million Token für Anfragen mit kurzem Kontext:

Gemessen am Einzelpreis kostet Terra halb so viel wie Sol, ein Zehntel von Astra und das Zehnfache von Luna. Im Vergleich zum Vorgänger 5.6 Terra ist die Eingabe um 50 %, die Ausgabe um etwa 58,3 % und das Lesen aus dem Cache um 75 % günstiger. Bei einer Aufgabe mit 100.000 Eingabe- und 10.000 Ausgabe-Token kostet Astra etwa $1.50, Sol etwa $0.30, Terra etwa $0.15 und Luna etwa $0.015.

Fallstricke bei der Abrechnung von GPT-6.1 Terra

Ein niedriger Einzelpreis bedeutet nicht zwangsläufig niedrige Gesamtkosten. Diese Abrechnungsregeln sollten Sie kennen:

• Aufschlag für langen Kontext: Überschreitet die Eingabe einer einzelnen Anfrage 272.000 Token, werden Eingabe und Cache für die gesamte Anfrage zum doppelten Preis und die Ausgabe zum 1,5-fachen Preis berechnet.
• Servicestufen: Batch und Flex kosten etwa die Hälfte des Standardpreises, Fast das Doppelte.
• Schreiben in den Cache: Das Schreiben in einen 30-Minuten-Cache kostet $1.25 pro Million Token, in einen 12-Stunden-Cache $2.50 pro Million Token.
• Reasoning-Intensität: Je höher die Stufe, desto mehr Reasoning-Token werden verbraucht. Für Tool-Aufrufe können zusätzliche Kosten anfallen.

Besonders aufschlussreich sind die Daten im offiziellen OSWorld-Diagramm: Terra max kostet pro Aufgabe etwa $1.19, Sol max etwa $1.15. Mit steigendem Reasoning-Aufwand und mehr Arbeitsschritten ist Terra trotz des halb so hohen Einzelpreises also nicht unbedingt die günstigste Wahl.

GPT-6.1 Terra: Leistungsdaten im Praxistest

Offizielle Benchmarks: Bei einzelnen Fähigkeiten nah an den Flaggschiffen

OpenAI hat mehrere Testergebnisse veröffentlicht. Einige vollständige Zahlen wurden von Kingy.ai aus den interaktiven Diagrammen von OpenAI übertragen; es handelt sich um Herstellerangaben. Die folgende Tabelle zeigt die Ergebnisse, die Terras Positionierung am besten verdeutlichen:

An diesen Daten fällt einiges auf. In Agents‘ Last Exam erreicht Terra auf der Reasoning-Stufe medium 57,6 % und liegt damit 15 Prozentpunkte über den 42,6 % der Vorgängergeneration auf derselben Stufe. Die geschätzten Kosten pro Aufgabe sinken von 0,84 auf 0,29 US-Dollar. Zugleich liegt Terra damit gleichauf mit Astra auf medium. Beim visuellen Schlussfolgern trennen Terra und Astra auf der Stufe max nur 1,2 Prozentpunkte – eine der überzeugendsten Stärken von Terra.

Die Schwächen sind ebenfalls deutlich. Bei komplexen Programmieraufgaben verbessert sich Terra gegenüber dem Vorgänger zwar um 28,8 Prozentpunkte, bleibt aber hinter Sol und Astra zurück. Die offiziellen Diagramme zeigen außerdem, dass Sol auf medium in Terminal-Bench 4.0 bereits 52,7 % erreicht und damit über den 50,3 % von Terra auf max liegt. Zugleich kostet eine Aufgabe bei Sol rund 1,02 US-Dollar, bei Terra auf max dagegen rund 1,84 US-Dollar. In Agents‘ Last Exam liegt Claude Opus 5.5 auf max mit 63,2 % weiterhin vor Terra.

Erwähnenswert ist auch die Verbesserung bei der Rate sachlicher Fehler. In internen Tests von OpenAI sank Terras Fehlerrate bei niedriger Reasoning-Intensität von 53,6 % beim Vorgänger auf 16,7 %; bei höchster Intensität lag sie bei 4,3 %. Diese Werte stammen allerdings aus speziell entwickelten schwierigen Wissensfragen. Sie bedeuten nicht, dass die Halluzinationsrate in alltäglichen Chats nur 4,3 % beträgt.

Tests von Drittanbietern: effizient, aber Stabilität noch nicht belegt

Herstellerangaben allein liefern kein vollständiges Bild. Tests von Drittanbietern bieten weitere Anhaltspunkte:

Artificial Analysis hebt hervor, dass die Stufen low und medium von Terra auf der Pareto-Front für Intelligenz und Kosten liegen. Auf der Stufe medium erreicht Terra einen Intelligence Index von 41 bei Kosten von rund 0,10 $ pro Aufgabe. Anders gesagt: Nicht alle Reasoning-Stufen bieten das gleiche Preis-Leistungs-Verhältnis. Der AA-Omniscience-Test der Organisation zeigt ausserdem, dass Terra bei Fragen, deren Antwort es nicht kennt, deutlich seltener einfach rät: Der Anteil sank von rund 88 % bei der Vorgängerversion auf etwa 38 %.

Interessant sind auch die Beobachtungen von Plotly. Terra erzeugt pro Aufgabe durchschnittlich rund 1.460 Token und wird etwa 4,5-mal aufgerufen. Die tatsächliche Ausgabegeschwindigkeit liegt bei rund 64 Token pro Sekunde. Terra ist unter anderem deshalb schneller, weil die Ausgaben knapper sind und weniger Schritte umfassen. Das wirft allerdings eine Frage auf: Bleiben bei der Straffung notwendige Arbeitsschritte auf der Strecke? Auch die Ergebnisse von DualEntry deuten darauf hin: Terra braucht durchschnittlich 16,1 Sekunden pro Aufgabe und kostet rund 0,042 $. Damit hat es bei Geschwindigkeit und Kosten einen klaren Vorteil. Bei Aufgaben wie der Kreditorenbuchhaltung und dem Monatsabschluss liegt die Genauigkeit jedoch nur bei 50 bis 60 %. Für einen Ersatz der menschlichen Prüfung ist die Stabilität noch nicht ausreichend.

GPT-6.1 Terra: Schnelles Aufrufbeispiel

Terra ist über die OpenAI API verfügbar. Das folgende Beispiel zeigt einen einfachen Aufruf über eine OpenAI-kompatible Schnittstelle. Mit reasoning_effort lässt sich die Reasoning-Stufe einstellen:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # APIYI 统一接口
)

resp = client.chat.completions.create(
    model="gpt-6.1-terra",
    reasoning_effort="medium",  # none/low/medium/high/xhigh/max
    messages=[{"role": "user", "content": "把这段发票信息整理成 JSON：..."}]
)
print(resp.choices[0].message.content)

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# 按任务难度分层选择模型（策略示例，非官方规定）
TIER = {
    "simple":  ("gpt-6-luna",    "low"),     # 分类、提取
    "medium":  ("gpt-6.1-terra", "medium"),  # 中等复杂度执行
    "complex": ("gpt-6.1-sol",   "high"),    # 复杂判断与审核
}

def run(task: str, level: str = "medium") -> str:
    model, effort = TIER[level]
    resp = client.chat.completions.create(
        model=model,
        reasoning_effort=effort,
        messages=[
            {"role": "system", "content": "你是严谨的业务助理，完成全部要求后再结束。"},
            {"role": "user", "content": task},
        ],
    )
    return resp.choices[0].message.content

# Terra 执行，Sol 复核
draft = run("根据以下报表数据生成月度摘要：...", "medium")
review = run(f"检查下面的摘要是否遗漏要点或存在错误：\n{draft}", "complex")
print(review)

Wichtig: Tool-Aufrufe wie Computer Use und Shell müssen über die Responses API erfolgen. Das Chat-Completions-Beispiel oben eignet sich nur für Aufgaben zum Text- und Bildverständnis. Welche Modell-IDs verfügbar sind, steht in der Modellliste der jeweiligen Plattform.

🚀 Schnellstart: Neue Nutzer können sich bei APIYI auf apiyi.com ein kostenloses Testguthaben sichern und Terra und Sol mit eigenen Geschäftsdaten ausprobieren. So lässt sich besser als anhand von Bestenlisten beurteilen, welches Modell im eigenen Anwendungsfall insgesamt günstiger ist.

Auswirkungsanalyse: Was GPT-6.1 Terra bedeutet

Auswirkungen auf Entwickler

• Arbeitsteilung zwischen mehreren Agenten wird praktikabler: Entwickler in der r/codex-Community lassen Astra oder Sol die Planung und Überprüfung übernehmen, während Terra zahlreiche klar abgegrenzte Teilaufgaben ausführt. Diese Kombination kann die Kosten für Zwischenschritte deutlich senken.
• Automatisierung mittelschwerer Aufgaben wird zugänglicher: Bei Aufgaben wie der Rechnungserfassung, dem Abgleich von Produktbildern oder dem Verständnis technischer Zeichnungen waren Flaggschiffmodelle bisher zu teuer und Luna nicht zuverlässig genug. Jetzt gibt es eine passendere Option.
• Kontrollmechanismen bleiben notwendig: Einige Nutzer in der Community berichten, Terra erkläre Aufgaben „vorschnell für abgeschlossen“. Werde es auf Versäumnisse hingewiesen, erledige es bei der Nachbesserung teils nur das Nötigste. Das sind Einzelfallberichte aus den ersten zwei Tagen nach der Veröffentlichung und kein allgemeiner Konsens. Sie zeigen aber, wie wichtig Kontrollen in kritischen Abläufen bleiben.

Auswirkungen auf die Branche

• Der Wettbewerb verlagert sich von der Spitzenleistung zur Aufgabenverteilung: Modellanbieter konkurrieren nicht nur darum, „wer am stärksten ist“, sondern auch darum, „wie viel Arbeit pro Dollar erledigt werden kann“.
• Preisdruck auf Claude-Modelle der mittleren und oberen Leistungsklasse: Laut OpenAI liegen die Kosten pro Aufgabe für Terra max bei Agents‘ Last Exam bei etwa einem Neuntel der Kosten von Opus 5.5. Opus 5.5 und Sonnet 5.5 erzielen in einigen Tests aber weiterhin höhere Werte. Terra ist daher noch kein vollwertiger Ersatz.
• Sicherheitsfragen rücken früher in den Fokus: Die offizielle Systemkarte ordnet Terras Fähigkeiten im Bereich Cybersicherheit der Schwelle Critical und seine biochemischen Fähigkeiten der Schwelle High zu. Dabei handelt es sich um Risikofähigkeitsstufen, nicht um Sicherheitsbewertungen. Bei ausführenden KI-Systemen werden Berechtigungsgrenzen und der Schutz vor Prompt-Injection-Angriffen noch wichtiger.

Häufig gestellte Fragen (FAQ)

GPT-6.1 Terra: Das Wichtigste auf einen Blick

• Klare Positionierung: Terra ist das Mittelklassemodell für ausführende Aufgaben in der GPT-6-Familie und liegt zwischen Sol und Luna.
• Preisvorteil: Der Stückpreis beträgt die Hälfte von Sol und ein Zehntel von Astra. Gegenüber der Vorgängergeneration ist er um mehr als 50 Prozent gesunken.
• Ausgeprägte Stärken: Beim visuellen Schlussfolgern kommt Terra nahe an das Flaggschiff heran. In Tests professioneller Aufgaben liegt Terra auf der Stufe medium mit Astra medium gleichauf.
• Klare Grenzen: Bei komplexen Programmieraufgaben, allgemeinen intellektuellen Fähigkeiten und der Zuverlässigkeit über mehrere Durchläufe hinweg liegt Terra noch hinter Sol und Astra.
• Gesamtkosten im Blick: Auf hohen Reasoning-Stufen können die Gesamtkosten an die von Sol heranreichen. Low und medium sind wirtschaftlicher.
• Einstieg: Über die einheitliche Schnittstelle von APIYI auf apiyi.com lassen sich die tatsächlichen Kosten aller vier Modelle vergleichen.

Fazit

Die Veröffentlichung von GPT-6.1 Terra zeigt, dass sich die GPT-Familie vom Wettbewerb um maximale Leistungsfähigkeit hin zu einer feineren Aufteilung nach Aufgaben entwickelt. Die Rollen der vier Modelle lassen sich so verstehen:

1. Astra für Höchstleistung: Für die schwierigsten Aufgaben in Forschung, Programmierung und bei fachlichen Entscheidungen.
2. Sol für komplexe Aufgaben: Das Arbeitspferd für anspruchsvolle Aufgaben über längere Zeit und die Überprüfung von Ergebnissen.
3. Terra für die Ausführung: Eine wirtschaftliche Wahl für visuelles Verständnis, Computerbedienung und Aufgaben mittlerer Komplexität in grossen Mengen.
4. Luna für grosse Mengen: Bei Klassifizierungs- und Extraktionsaufgaben mit klaren Regeln ist Luna am günstigsten.

Terra ist weder ein abgespecktes Sol noch ein aufgerüstetes Luna und auch kein vollständiger Ersatz für das Flaggschiff. Seine Stärke liegt darin, Geschwindigkeit, Fähigkeiten und Kosten in bestimmten Workflows auszubalancieren. Die entscheidende Frage lautet nicht: „Wessen Token sind am günstigsten?“, sondern: „Wer erledigt deine Aufgabe bei den niedrigsten Gesamtkosten richtig?“

Am besten vergleichst du die Modelle über APIYI auf apiyi.com mit deinen eigenen Geschäftsdaten. Danach kannst du entscheiden, welche Aufgaben Terra in deinem System übernehmen soll.

📚 Quellen

1. Offizielle Ankündigung von OpenAI: Positionierung, offizielle Tests und Verfügbarkeit von GPT-6.1 Terra
2. Link: openai.com/index/introducing-gpt-6-1-terra

3. Hinweis: Die wichtigste Primärquelle

4. OpenAI API-Modell- und Preisseite: Spezifikationen, Reasoning-Stufen und Abrechnungsregeln

5. Link: developers.openai.com/api/docs/models/gpt-6.1-terra

6. Hinweis: Details zu Kontextfenster, Tool-Unterstützung und Preisen

7. Unabhängiger Test von Artificial Analysis: Intelligenzindex, Kosteneffizienz und Halluzinationstests

8. Link: artificialanalysis.ai/models/releases/gpt-6-1-terra

9. Hinweis: Vergleich der Reasoning-Stufen durch einen Drittanbieter

10. Plotly DataAnalyticsBench-Praxistest: Trefferquote und Kosten bei 43 Datenanalyseaufgaben

11. Link: plotly.com/blog/gpt-6-1-terra-plotly-data-analytics-bench

12. Hinweis: Zeigt, woher Terras Geschwindigkeitsvorteil kommt

13. DualEntry-Praxistest für Buchhaltungsaufgaben: Genauigkeit und Stabilität bei 101 Buchhaltungsaufgaben

14. Link: dualentry.com/blog/gpt-6-1-terra-accounting-benchmark

15. Hinweis: Eine wichtige Orientierung für die Stabilität von Unternehmensprozessen

16. Offizielle Systemkarte für GPT-6.1 Terra: Risikoeinstufung und Schutzmaßnahmen

17. Link: deploymentsafety.openai.com/gpt-6-1-terra
18. Hinweis: Informationen zur Sicherheit beim Einsatz

Autor: APIYI-Technikteam
Technischer Austausch: Kontaktieren Sie uns über APIYI unter apiyi.com. Weitere Informationen zur Integration finden Sie im Dokumentationszentrum unter docs.apiyi.com.

Weiterführende Artikel

• Was hat GPT-6.1 Terra gegenüber der Vorgängergeneration verbessert? Der Vergleich in vier Dimensionen: halbierter Preis, 6 Punkte mehr Intelligenz: Vergleich der Spezifikationen, der vier Abrechnungsposten, der Drittanbieterbewertungen und der offiziellen Benchmarks von GPT-6.1 Terra und GPT-5.6 Terra sowie Erläuterung, wann man nicht wechseln sollte und welche Migrationskosten anfallen.
• Ein einziges Bild täuschte 3 Millionen Menschen? Eine Anleitung in 2 Schritten, um mit GPT Image 2.5 satirische, KI-generierte pseudo-dokumentarische Reisebilder zu erstellen: Analysiere Wytse Koetses satirisches Paris-Video: Erstelle zuerst mit GPT strukturierte Eingabeaufforderungen und produziere dann mit gpt-image-2.5-sunburst oder gemini-nano-banana-2.1 stapelweise pseudo-dokumentarische Standbilder im Stil einer „gefälschten Tourismuswerbung“.
• OpenAI-Fehler „model not found“? GPT-5.5 wurde am 14. Oktober aus ChatGPT entfernt: 5 Schritte zur Fehlerbehebung und Alternativen: Am 14. Oktober 2026 wird GPT-5.5 vollständig aus ChatGPT, ChatGPT Work und Codex zurückgezogen, während die OpenAI API nicht betroffen ist; dieser Artikel fasst den neuesten Stand vom 15. Oktober zusammen und erläutert die fünf Hauptursachen für die OpenAI-Fehlermeldung „model not found“, Lösungen für verschiedene Szenarien sowie Alternativen wie GPT-5.6 Sol, Terra und Luna und GPT-6 Astra.