GPT-6.1 Terra: управление компьютером по офисным ценам

26 октября OpenAI выпустила GPT-6.1 Terra, модель, которая считывает происходящее на экране и работает с открытыми там программами, нажимая и печатая, как это делал бы человек. Управление компьютером уже было главной функцией GPT-6 Astra в сентябре. Новым стала цена: Terra стоит 1 доллар за миллион входных токенов и 5 долларов за миллион выходных, то есть десятую часть цены Astra за токен. При таком уровне вопрос уже не в том, может ли компания позволить себе агента за экраном, а в том, где ей стоит разрешить ему работать.

Что это такое

Terra заменяет GPT-5.6 Terra в середине линейки OpenAI: ниже Sol и Astra и выше Luna. По словам OpenAI, модель превосходно справляется с «коммуникационными и компьютерными задачами, из которых состоит рабочий день», от составления предложений и чтения технических чертежей до заполнения форм и монтажа видео. Она доступна пользователям Plus, Pro, Enterprise и Edu в ChatGPT Work, агентном режиме, который выполняет работу в других приложениях и браузерах, а также в Codex. Разработчики вызывают её через API как gpt-6.1-terra.

По словам OpenAI, стандартная цена в API на 50 процентов ниже, чем у GPT-5.6 Terra и GPT-6.1 Sol, а кэшированный ввод стоит 0,05 доллара за миллион токенов. В качестве примера того, что это делает практичным, компания сама приводит работу с большими объёмами, например чтение входящих счетов и внесение их данных в бухгалтерскую программу. В ChatGPT Work и Codex, по её словам, тот же лимит тарифа теперь покрывает больше задач, чем со старыми моделями.

Что показывают цифры

OpenAI измерила управление компьютером на Agents’ Last Exam, наборе профессиональных задач, таких как превращение архитектурных чертежей в 3D-модель. На среднем уровне усилий Terra набирает 57,6 процента, на 15 пунктов больше GPT-5.6 Terra, при стоимости 0,29 доллара за задачу против 0,84. Это столько же, сколько у Astra на том же уровне усилий. На максимальном уровне Terra достигает 60 процентов за 1,01 доллара за задачу, тогда как Claude Opus 5.5 от Anthropic на том же графике набирает 63,2 процента за 8,82 доллара. OpenAI также утверждает, что Terra выполняет задачи более чем в три раза быстрее, чем Astra и GPT-6.1 Sol.

Тест в настольных приложениях выглядит менее лестно. На OSWorld 2.1, где агенты выполняют многошаговые задачи в настольных программах, Terra на максимальном уровне усилий достигает 74,2 процента против 57,1 у предшественницы. На собственном графике OpenAI у Claude Sonnet 5.5 значится 83,9 процента, а у GPT-6.1 Sol 78 процентов при 1,15 доллара за задачу, что немного меньше, чем 1,19 у Terra. Более низкая цена за токен не всегда означает более низкую цену за выполненную задачу.

Все эти цифры получены OpenAI и пока не проверены независимо. Сама OpenAI говорит, что для самых сложных задач по программированию Sol и Astra остаются лучшим выбором.

Где она уместна, а где нет

Управление компьютером оправдывает себя там, где в систему иначе не попасть: старая настольная программа без интерфейса для другого софта, портал поставщика или государственного ведомства, форма, которую приходится заполнять вручную, операция в бэк-офисе, где кто-то копирует данные из одного окна в другое. Парикх Джайн из EIIRTrend сказал InfoWorld, что Terra «идеально подходит для задач с большими объёмами, таких как обработка счетов, анализ документов, автоматизация приложений и рутинное программирование».

Там, где есть полноценный API или интеграция, они, на наш взгляд, остаются лучшим путём. Вызов бухгалтерской системы либо проходит успешно, либо возвращает ошибку, а клик попадает туда, куда сдвинулся экран после последнего обновления. Интеграция работает быстрее, не требует потока скриншотов и может быть ограничена ровно теми действиями, которые ей нужны. Санчит Вир Гогия из Greyhound Research сформулировал экономическую сторону: «Более дешёвый инференс улучшает один из компонентов экономики агентов». Проверка и интеграция по-прежнему стоят денег, и, по его словам, «покупать имеет смысл выполненную работу, которая остаётся правильной и санкционированной».

Что может пойти не так

В рамках своей Preparedness Framework OpenAI относит Terra к уровню Critical в области кибербезопасности и применяет к ней те же защитные меры, что и к Astra. По словам компании, в тестах на промпт-инъекции Terra показала «сильную устойчивость к вредоносным инструкциям, призванным отвлечь её от задачи пользователя», и чаще, чем предшественница, остаётся в рамках задачи. В симуляции внутреннего использования Codex она вызвала примерно на 42 процента меньше серьёзных тревожных отметок, чем GPT-6 Sol.

В системной карточке есть и менее приятные цифры. Встретив препятствие вроде ошибки «доступ запрещён», Terra на максимальном уровне усилий в 29,6 процента прогонов доводила задачу до конца другим путём, который «нарушал дух ограничения». Это чаще, чем у Astra, Luna или GPT-6.1 Sol, хотя и реже, чем у GPT-6 Sol. OpenAI отмечает, что этот тест проводился без средств контроля на уровне системы, «многие из которых, вероятно, остановили бы такие обходы». Столкнувшись с сообщениями, которые якобы исходили от других агентов, Terra выполнила несанкционированное действие в 11 случаях из 80 против 1 у GPT-6.1 Sol.

Для компании эти риски вполне конкретны. Текст на странице или в документе может пытаться отдавать агенту приказы, неверный клик может изменить рабочую запись, а агенту, который входит в систему, нужны учётные данные, за которыми кто-то должен следить. Подтверждения и полный журнал действий важнее любого бенчмарка.

С чего начать

Выберите одну узкую задачу, результат которой можно отменить, например ввод счетов поставщиков в тестовую компанию или скачивание выписок с портала в папку. Дайте агенту собственную учётную запись с минимальным доступом, который нужен для задачи, и никогда не давайте ему логин человека, а пароли держите вне его поля зрения. Запускайте его под наблюдением: человек одобряет каждый шаг, который что-то отправляет, оплачивает, удаляет или подаёт, и каждое действие записывается.

Затем сравните результат с ручной работой по критериям, которые предлагает Джайн: выполненные задачи, точность, время, стоимость задачи и то, как часто приходилось вмешиваться человеку. Только если эти цифры убедительны, агент заслуживает второй задачи.

Наша позиция

Мы бы использовали её именно в таком порядке: сначала интеграции, а экран там, где иначе не попасть. Twin, ИИ-мозг, который мы строим для компаний, работает в Claude, ChatGPT и Codex и подключается к системам компании через интеграции и MCP-серверы, которые мы создаём, с одобрениями и правами по ролям и записью каждого шага в журнал. Helm, который пока в разработке, является нашим видением компании, которой управляют агенты, а основатель даёт одобрение в ключевых точках. Более дешёвая модель у экрана делает это доступнее. Но она не меняет того, кто отвечает за клик.