O GPT-6.1 Terra custa metade do preço por token de entrada do GPT-5.6 Terra e, segundo os benchmarks da OpenAI, tem desempenho no mesmo nível do GPT-6 Astra, que custa dez vezes mais.
Isso levanta duas perguntas.
Neste artigo, colocamos o GPT-6.1 Terra frente a frente com o GPT-5.6 Terra e o GPT-6 Astra em testes de programação, escrita e visão.
O GPT-6.1 Terra é o novo modelo intermediário da OpenAI e substitui o GPT-5.6 Terra. Ele fica entre o Luna, o menor e mais rápido modelo da linha, e o Sol, um modelo mais avançado voltado para o trabalho profissional.
O GPT-6.1 Terra é um modelo multimodal que processa texto e imagens, mas não vídeo. Ele foi pensado principalmente para tarefas do dia a dia e para o uso do computador, e a visão computacional é um dos seus pontos fortes. Vamos colocar isso à prova mais adiante neste artigo.
Não sei você, mas eu uso IA para muita escrita, de e-mails a relatórios. Se você também usa, vai gostar de saber que a OpenAI trabalhou para deixar a escrita do Terra mais clara e natural. Vamos ver quanta diferença isso faz e comparar a escrita dele com a de outros modelos.
Antes dos testes, vamos ver os benchmarks para entender onde estão as maiores melhorias em relação à geração anterior:
| Benchmark | GPT-6.1 Terra | GPT-5.6 Terra |
|---|---|---|
| Terminal-Bench 4.0, esforço de raciocínio máximo | 50,3% | 21,5% |
| Taxa de erros factuais, esforço de raciocínio baixo | 16,7% | 53,6% |
| Taxa de alucinação no AA-Omniscience | 38% | 88% |
| Custo por tarefa do Intelligence Index | US$ 0,40 | US$ 1,40 |
Em comparação com o GPT-5.6 Terra, o novo modelo mostra as maiores melhorias em programação e precisão factual.
No Artificial Analysis Intelligence Index, um benchmark independente das capacidades gerais dos modelos, o GPT-6.1 Terra marca 6 pontos a mais que o GPT-5.6 Terra e fica só 4 pontos abaixo do GPT-6.1 Sol.
Por fim, no Agents' Last Exam, um benchmark de tarefas de agentes com várias etapas, o GPT-6.1 Terra tem desempenho no mesmo nível do GPT-6 Astra e conclui as tarefas mais de três vezes mais rápido. Na prática, isso indica que o Terra pode dar conta de tarefas longas de agentes com mais ou menos a mesma confiabilidade do modelo topo de linha, só que bem mais rápido e por um custo muito menor.
Na API da OpenAI, a entrada em cache do GPT-6.1 Terra custa US$ 0,05 por milhão de tokens.
| Modelo | Entrada, por 1M de tokens | Saída, por 1M de tokens |
|---|---|---|
| GPT-6.1 Terra | US$ 1 | US$ 5 |
| GPT-5.6 Terra | US$ 2 | US$ 12 |
| GPT-6 Astra | US$ 10 | US$ 50 |
Já no ChatGPT, o GPT-6.1 Terra está incluído nos planos Plus, Pro, Enterprise e Edu. No Overchat AI, uma mensagem para o GPT-6.1 Terra custa 3 créditos em um plano pago.
Agora vamos aos testes. Cada teste foi uma única geração a partir de um prompt, feita no Overchat AI. Nas tarefas de programação, cada modelo precisava devolver um único arquivo HTML que roda no Chrome sem nenhuma configuração.
O GPT-6.1 Terra está sempre à esquerda, o GPT-5.6 Terra no meio e o GPT-6 Astra à direita.
A primeira tarefa é um jogo de plataforma com rolagem lateral no estilo dos consoles de 8 bits, que uma IA joga sozinha. A fase é gerada a partir de uma seed, e a IA precisa controlar o herói com os mesmos botões que um jogador usaria.
O prompt:
Create a single self-contained HTML file (no external libraries and no image files: draw everything in code) with a side-scrolling platformer in the style of classic 8-bit console games, played by an AI. Use original characters only: the hero is a small fox in a red scarf.
The level is at least 6 screens long and built procedurally from a seed. It must contain: ground with bottomless pits of different widths, staircases of blocks, floating brick platforms, glowing crystal blocks that release a gem when the hero hits them from below, stone pillars of different heights, a platform that moves back and forth over a wide pit, two kinds of enemies (a beetle that patrols and walks off ledges, and a frog that hops toward the hero), and a goal gate with a waving banner at the end. Add a parallax background with hills and clouds, a pixel-art look and a smooth camera that follows the hero.
Physics: gravity, acceleration and friction, variable jump height. Landing on an enemy defeats it and bounces the hero up; touching an enemy from the side costs a life.
The AI controls the hero only through the same virtual inputs a human would use (left, right, jump, holding jump); it never moves the hero directly. It has to plan jumps over pits and enemies, time the moving platform, stomp enemies when it can, hit crystal blocks to collect gems and reach the goal gate. At the gate, play a short victory animation with fireworks, then build the next level from a new seed with a slightly harder layout and keep playing. HUD: score, gems, world number, time and lives. Pressing the arrow keys or space hands control to a human.
It must start automatically and run smoothly. Return only the complete code in a single ```html code block.
O GPT-6.1 Terra escreveu o jogo em cerca de dois minutos, e a IA dele não erra nada no primeiro minuto. A raposa coleta gemas, pula buracos, sobe na plataforma móvel e chega ao portão final depois de uns 40 segundos com as três vidas. Depois disso, o jogo monta o segundo mundo e continua.
O GPT-6 Astra levou quase seis minutos na tarefa, e o jogo dele tem mais detalhes visuais. Ele tem título próprio, montanhas e um sol ao fundo, uma barra de progresso da IA e um banner "Trail complete!" com fogos de artifício depois da primeira fase. Mas a IA dele vive esbarrando nos inimigos, e depois de um minuto a raposa está com uma vida de cinco.
O GPT-5.6 Terra respondeu em 33 segundos, e o jogo dele não inicia. O código usa uma variável que nunca foi declarada, então a página trava no primeiro quadro, com retângulos simples no lugar do herói e da fase.
A segunda tarefa é uma história animada de 30 segundos em Three.js, feita com mais de 100.000 cubos: uma vila de pescadores em uma ilha vulcânica, uma erupção, lava que desce as encostas e destrói as casas, terra nova onde a lava chega ao mar e o anoitecer.
O prompt:
Create a single HTML file with a cinematic voxel simulation in Three.js. Load it with an import map from https://cdn.jsdelivr.net/npm/three@0.160.0/build/three.module.js (addons, if you need them, from https://cdn.jsdelivr.net/npm/three@0.160.0/examples/jsm/); no other libraries. Build everything from cubes and use InstancedMesh so it stays fast with 100,000+ voxels.
The scene: a volcanic island with a fishing village on its slopes: at least 20 voxel houses with roofs and lit windows, trees, a wooden pier with boats, and the sea around the island with moving waves. The simulation plays as one 30-second story:
1. Calm evening, smoke rising from the crater.
2. The ground shakes and the volcano erupts: glowing lava bombs fly out on ballistic arcs and blast voxels out of the ground where they land.
3. Lava flows downhill as a voxel cellular automaton that follows the real terrain. It sets trees on fire and breaks houses apart into debris voxels that tumble with simple physics.
4. Where the lava reaches the sea it cools into dark rock and throws up clouds of steam, so the coastline visibly grows.
5. Night falls; the lava keeps glowing and lights the scene.
Add ash and smoke particles, emissive lava with bloom, camera shake during the eruption, and a cinematic camera that orbits the island and moves closer for the key moments. After the story ends, the island resets and the story replays with a new random seed.
It must start automatically and run smoothly. Return only the complete code in a single ```html code block.
A ilha do GPT-6 Astra tem 236.710 cubos e um vulcão com cone bem definido. Rios de lava descem por todos os lados, nuvens de vapor sobem onde a lava encontra o mar, e cada etapa da história ganha seu próprio título de capítulo na tela. Na primeira etapa, uma neblina forte esconde boa parte da ilha.
Na cena do GPT-6.1 Terra, bombas de lava saem da cratera, a lava se espalha pelas encostas, as casas viram destroços voando, e a noite cai antes de a ilha recomeçar. Só que não há vapor, o mar é uma placa cinza e lisa, e o vulcão quase não tem cone.
O GPT-5.6 Terra devolveu um arquivo curto em 18 segundos. Ele desenha uma pilha parada de cubos marrons sobre fundo branco, sem vila, lava ou mar.
Testamos a escrita com duas tarefas: um e-mail de proposta para um cliente e uma explicação de como funcionam os geradores de imagem com IA.
Os modelos precisavam transformar as anotações de uma reunião com um cliente em um e-mail de proposta de até 300 palavras, sem acrescentar nada que não estivesse nas anotações. Uma linha das anotações é interna e precisa ficar fora do e-mail: as férias de um desenvolvedor, que a equipe planejava cobrir com uma folga no cronograma.
O prompt:
Turn my notes from a client call into a proposal email to the client. Keep it under 300 words, friendly but professional, with a clear price and a clear next step. Don't add anything that isn't in the notes.
Notes:
- call w/ Dana Whitfield (ops lead, Harbor & Pine: 3 coffee shops in Portland, 4th opening in March)
- problem: online orders come in from 3 places (website, phone, DoorDash), baristas retype them into the POS, ~15 wrong orders a week, Saturdays are the worst
- they want: one queue for all orders on a tablet behind the counter + a text to the customer when the order is ready
- DoorDash part: their API needs partner approval, can take 4-6 wks -> do it as phase 2
- phase 1 (website + phone): 5 weeks, $14,500
- phase 2 (DoorDash): +$4,000 once approved
- support: $350/mo, first 2 months free
- Dana's boss (Marcus, owner) signs anything over $10k, needs something he can read in 2 min
- she asked if we can start before Thanksgiving -> yes, if signed by Nov 7
- internal, DON'T put in the email: our dev Kev is out Nov 20-27, we'd pad the timeline for that
- next step: 30-min call w/ Marcus, Dana suggested Tue or Thu morning
Os três e-mails trazem todos os preços e datas e deixam de fora as férias do desenvolvedor. O GPT-6.1 Terra escreveu o e-mail mais curto em 8 segundos: 114 palavras, com o preço de cada fase em uma linha própria, o que combina com a anotação de que o dono precisa de algo que dê para ler em dois minutos:
Subject: Proposal for Harbor & Pine's order queue
Hi Dana,
Thanks for the call. Here's a brief proposal for bringing Harbor & Pine's orders into one queue on a tablet behind the counter, with a text to customers when their order is ready.
Phase 1: Website and phone orders
Five weeks · $14,500
Phase 2: DoorDash orders
$4,000, once DoorDash partner approval is granted. Approval can take 4–6 weeks.
Support: $350 per month, with the first two months free.
We can start before Thanksgiving if the agreement is signed by November 7.
As a next step, let's schedule a 30-minute call with you and Marcus. Would Tuesday or Thursday morning work?
Best,
[Your name]
O GPT-6 Astra escreveu 178 palavras em 12 segundos e foi o único modelo que retomou o problema do cliente, cerca de 15 pedidos errados por semana. Ele também explicou por que o Marcus precisa participar da reunião:
Subject: Proposal: A single order queue for Harbor & Pine
Hi Dana,
Thanks for the call. With three Portland shops and a fourth opening in March, the goal is to reduce manual order entry and the roughly 15 wrong orders each week—especially on Saturdays.
Here's the proposed approach:
Phase 1: Website + phone orders — $14,500
Phase 2: DoorDash — an additional $4,000
Support: $350/month, with the first two months free.
We can start before Thanksgiving if the proposal is signed by November 7.
Since Marcus signs off on projects over $10,000, the next step is a 30-minute call with you and Marcus to review the proposal. Would Tuesday or Thursday morning work for you both?
Best,
O GPT-5.6 Terra escreveu o e-mail em 9 segundos. Ele abre com frases de enchimento e divide uma mensagem curta em seções com títulos de documento, como "Proposal Overview" e "Next Steps", que ficam deslocados em um e-mail para um cliente:
Subject: Proposal for Order Management Solution
Hi Dana,
Thank you for the productive call! I'm excited about the opportunity to streamline the order management process for Harbor & Pine.
Proposal Overview
Phase 1: Website & Phone Orders
Phase 2: DoorDash Integration
We will set up a unified queue for all orders on a tablet behind the counter, along with a text notification system for customers when their orders are ready.
Support
Ongoing support will be available for $350 per month, with the first two months free.
Next Steps
To get things moving, I recommend a 30-minute call with Marcus to discuss further. Dana, you mentioned Tuesday or Thursday morning might work well. Please let me know what suits him best.
If we can finalize the agreement by November 7, we can kick off the project in time for Thanksgiving.
Looking forward to your thoughts!
Best,
[Your Name]
[Your Contact Information]
[Your Company Name]
Pedimos aos modelos que explicassem como funciona um gerador de imagens com IA. A pergunta é mais difícil do que parece, porque os modelos de IA costumam dar explicações vagas e cheias de rodeios em vez de descrever a tecnologia por trás da geração de imagens.
How does an AI image generator work?
O GPT-6.1 Terra respondeu em 6 segundos, com 172 palavras:
Most modern AI image generators use a model called a diffusion model. In simple terms, they learn how to turn random visual noise into an image that matches a description.
The model doesn't usually retrieve and assemble existing images; it generates new pixels based on patterns learned during training. That said, it can sometimes reproduce elements of its training data, especially if they appeared frequently.
O GPT-6 Astra escreveu 378 palavras em 16 segundos, o que deixa a resposta bem mais cara, tanto porque o próprio modelo custa mais quanto porque ele gerou um texto muito mais longo:
1. They learn from images and descriptions
During training, the model processes large collections of images, often paired with captions. It learns statistical relationships between words and visual features—such as what foxes tend to look like, how shadows behave, and what distinguishes pixel art from a photograph.
That knowledge is stored in the model's numerical parameters, rather than as a searchable photo library. It generally creates new combinations of learned patterns, though models can sometimes reproduce memorized training material.
2. They interpret your prompt
A text encoder converts your words into numbers that represent their meaning. These representations guide what should appear in the image, including subjects, colors, composition, and style.
3. They build an image from noise
Many generators use diffusion, or a closely related method.
During training, a diffusion model learns to recover structure from images that have been corrupted with random noise. During generation, it runs a similar process starting with nearly pure noise:
Random noise → rough shapes → recognizable objects → finer details
At each step, the model adjusts the image toward something consistent with your prompt. It isn't simply uncovering a hidden picture—the picture is being constructed through those adjustments.
4. They turn the result into pixels
Many models do this work in a compressed representation called a latent space, which is cheaper to process than a full-resolution image. A decoder then converts that representation into visible pixels. Optional steps can enlarge or refine the result.
Why can the same prompt produce different images?
The starting noise varies. A seed determines that starting randomness, so keeping the seed and other settings fixed often lets you reproduce a result.
O GPT-5.6 Terra deu a resposta mais longa, 522 palavras, em 12 segundos:
3. It starts with random noise
Many popular generators use a technique called diffusion.
They begin with an image that is essentially random visual static—like television noise. Then, across many steps, the AI repeatedly adjusts that noise into something more consistent with your prompt.
Very roughly:
This is called denoising. The AI learned how to reverse noise during training by being shown clean images that were progressively corrupted with noise.
4. Settings guide the result
Several common controls influence the process:
Other approaches
Diffusion is the most common approach today, but others exist:
Para o teste de visão, fizemos dois desenhos técnicos de um suporte metálico e calculamos as respostas certas com antecedência. Cada desenho mostra a peça em três vistas e tem uma cota que contradiz as outras. Para responder, o modelo precisa "imaginar" a peça em 3D, encontrar a cota errada e calcular a massa da peça. Para deixar o resultado mais preciso, rodamos cada imagem três vezes.
| Desenho, execuções corretas | GPT-6.1 Terra | GPT-5.6 Terra | GPT-6 Astra |
|---|---|---|---|
| Suporte de montagem | 3 de 3 | 0 de 3 | 3 de 3 |
| Suporte de apoio (mais difícil) | 3 de 3 | 0 de 3 | 3 de 3 |
Claro, nem todo mundo vai usar o modelo para trabalho de engenharia (e, por favor, não use), mas é um teste desafiador que realmente coloca a visão computacional dele à prova.
Esta é a imagem de entrada:
E o prompt:
This is a manufacturing drawing of a part (third-angle projection, all dimensions in mm).
1. Describe the part's 3D shape: what features it has and how many of each.
2. One dimension on this drawing contradicts the others. Find it, say which value is correct and explain how you know.
3. Using the correct dimensions, calculate the part's volume in cm³ and its mass in grams. The material is aluminum 6061 (density 2.70 g/cm³). Show your calculation step by step and give the final mass rounded to the nearest gram.
O GPT-6.1 Terra e o GPT-6 Astra encontraram a cota de 85 mm todas as vezes e provaram a profundidade de 80 mm com a vista superior e sua cadeia de cotas. Os dois calcularam a massa correta.
Já o GPT-5.6 Terra leu as duas nervuras estreitas nas pontas da peça como uma única rampa ao longo de toda a largura, então todas as massas dele ficaram altas demais: 801, 838 e 898 g. Em duas execuções, ele também concluiu que 85 mm estava certo e que os 80 mm da vista superior eram o erro.
Vamos aumentar um pouco a dificuldade. Agora, os furos têm rebaixos indicados só com símbolos de desenho técnico, a parede tem um chanfro e um rasgo com pontas arredondadas, e a profundidade do bolsão aparece só em linhas ocultas. Por isso, a cota errada não pode ser encontrada somando uma cadeia: a vista frontal indica a altura das nervuras como 55 mm, e o valor correto de 50 mm só pode ser deduzido pela geometria, seja pelo ângulo de 45° das nervuras, seja pelo chanfro e pela parede acima delas. A massa correta desta peça é 708 g.
O prompt:
This is a manufacturing drawing of a part (third-angle projection, all dimensions in mm).
1. Describe the part's 3D shape: every feature and how many of each.
2. Exactly one dimension on this drawing contradicts the others. Find it, give the correct value and prove it from the other dimensions.
3. Using the correct dimensions, calculate the part's volume in cm³ and its mass in grams. The material is aluminum 6061 (density 2.70 g/cm³). Show your calculation step by step and give the final mass rounded to the nearest gram.
O GPT-6.1 Terra e o GPT-6 Astra provaram a altura das nervuras de duas formas independentes: uma subida de 30 mm a 45° a partir da base de 20 mm dá 50 mm, e o mesmo resultado sai da altura total de 70 mm menos o chanfro de 10 mm e os 10 mm de parede acima das nervuras. Os dois também leram os rebaixos corretamente a partir dos símbolos.
O GPT-5.6 Terra apontou a cota de 55 mm em duas de três execuções, mas em uma delas tomou essa cota pelo topo do rasgo, e nenhuma das massas dele estava certa: 724, 837 e 796 g. Na terceira execução, ele concluiu que a altura total de 70 mm estava errada.
O GPT-6.1 Terra foi mais rápido que o GPT-6 Astra em todas as tarefas, principalmente em código: o GPT-6 Astra raciocinou por cerca de três minutos antes de aparecer a primeira linha de código, e o GPT-6.1 Terra por cerca de 27 segundos.
O GPT-5.6 Terra concluiu as tarefas de programação mais rápido, mas isso não conta, porque o código dele não funcionava.
| Tarefa | GPT-6.1 Terra | GPT-5.6 Terra | GPT-6 Astra |
|---|---|---|---|
| Jogo de plataforma que joga sozinho | 125 s | 33 s | 356 s |
| Erupção vulcânica em voxels | 122 s | 18 s | 350 s |
| E-mail de proposta | 8 s | 9 s | 12 s |
| Explicação do gerador de imagens | 6 s | 12 s | 16 s |
| Suporte de montagem, média de 3 execuções | 19 s | 55 s | 26 s |
| Suporte de apoio, média de 3 execuções | 29 s | 75 s | 40 s |
Nos nossos testes de escrita e visão computacional, o GPT-6.1 Terra foi tão bem quanto o GPT-6 Astra, mas respondeu mais rápido e custou uma fração do preço.
Vale a pena usar o GPT-6 Astra quando a tarefa é difícil o bastante para justificar o tempo e o custo extras, como gerar um programa grande de uma vez ou resolver um problema especialmente complexo.
Quanto ao GPT-5.6 Terra, há pouco motivo para continuar usando. O novo modelo o supera em todos os aspectos.
Você pode usar o GPT-6.1 Terra no Overchat AI em um plano pago:
Abaixo estão respostas curtas para as dúvidas mais comuns sobre o GPT-6.1 Terra.
O GPT-6.1 Terra é o modelo de linguagem intermediário da OpenAI, feito para o trabalho do dia a dia e para o uso do computador. Ele aceita texto e imagens, responde com texto e fica entre o GPT-6 Luna e o GPT-6.1 Sol na linha da OpenAI.
A OpenAI lançou o GPT-6.1 Terra em 26 de outubro de 2026, como substituto do GPT-5.6 Terra. No mesmo dia, o modelo ficou disponível no ChatGPT, no Codex e na API da OpenAI.
Na API da OpenAI, o GPT-6.1 Terra custa US$ 1 por milhão de tokens de entrada e US$ 5 por milhão de tokens de saída. No ChatGPT, ele está incluído nos planos Plus, Pro, Enterprise e Edu, e no Overchat AI uma mensagem para o GPT-6.1 Terra custa 3 créditos em um plano pago.
Sim. O GPT-6.1 Terra marca mais que o dobro no Terminal-Bench 4.0, comete muito menos erros factuais e custa menos. Os dois programas que ele escreveu para esta comparação funcionaram, e ele leu os dois desenhos técnicos corretamente, algo que o GPT-5.6 Terra não conseguiu em seis tentativas.
Nas tarefas de escrita e nos desenhos técnicos desta comparação, o GPT-6.1 Terra empatou com o GPT-6 Astra. Em programação, o jogo e a cena 3D do Astra tiveram mais detalhes visuais, mas ele levou quase três vezes mais tempo e custa dez vezes mais por token.
O GPT-6.1 Terra está disponível no ChatGPT nos planos Plus, Pro, Enterprise e Edu, no Codex, na API da OpenAI, no OpenRouter e no Vercel AI Gateway, e em apps de terceiros como o Overchat AI.
