Terra tiết kiệm hơn, nhưng không thắng mọi bài toán
GPT-6.1 Terra là mô hình AI hướng đến suy luận thị giác, thao tác máy tính và viết, với thế mạnh nằm ở tốc độ và chi phí thấp hơn chứ không phải vị trí dẫn đầu về năng lực tổng quát. Trong so sánh GPT-6.1 Terra với Claude, kết luận thực tế không phải cứ rẻ hơn là nên chọn: Terra hợp với khối lượng lớn, có người giám sát, còn Claude phù hợp hơn khi độ chính xác và độ tin cậy quan trọng hơn khoản tiết kiệm.
Trên Chỉ số Thông minh của Artificial Analysis, GPT-6.1 Terra đạt 48 điểm, trong khi Claude Opus 5.5 đạt 58; Claude Sonnet 5.5 đạt 56. Terra vì thế kém Opus 10 điểm và kém Sonnet 8 điểm. Tuy nhiên, mức giá theo token của Terra chỉ bằng một phần tư Opus và một nửa Sonnet. Đây là đánh đổi đáng cân nhắc, nhưng điểm số chênh lệch sẽ hiện rõ hơn trong suy luận khó, lập trình dài hạn và những tác vụ cần nhiều bước tự chủ.
OpenAI định vị Terra như một mô hình có khả năng thao tác máy tính, chứ không phải bản nâng cấp về trí thông minh tổng quát. Cách định vị ấy hợp lý: Terra có thể là lựa chọn kinh tế cho hàng đợi tác vụ đơn giản, nhưng không nên mặc định giao cho nó những việc mà một lỗi nhỏ gây hậu quả lớn.
Điểm OSWorld: khoảng cách nhỏ hơn, nhưng vẫn đáng kể
Khả năng sử dụng máy tính là nơi Terra thu hẹp khoảng cách. Trên OSWorld 2.1, GPT-6.1 Terra đạt 74,2% ở mức nỗ lực suy luận tối đa, còn Claude Opus 5.5 đạt 81,8% — cách nhau 7,6 điểm phần trăm. Terra không phải mô hình dẫn đầu, nhưng kết quả đủ để xem xét cho các quy trình thao tác giao diện có phạm vi rõ ràng, như điền biểu mẫu hoặc xử lý màn hình theo hướng dẫn.
Tuy vậy, điểm benchmark không cho biết toàn bộ chi phí thực tế. Một tác nhân sử dụng máy tính phải đọc ảnh chụp màn hình, quyết định hành động rồi lặp lại quy trình; mỗi bước đều có thể thêm độ trễ và tạo cơ hội mắc lỗi. Với độ chính xác 95% ở mỗi bước, một tác vụ 20 bước chỉ thành công khoảng 36% số lần. Vì thế, cần đánh giá chi phí mỗi tác vụ hoàn tất, không chỉ chi phí token hay tỷ lệ thành công trong một bài kiểm thử.
Độ tin cậy từng bước càng quan trọng khi quy trình kéo dài: hành động sai ở cuối chuỗi có thể buộc hệ thống làm lại hoặc cần người can thiệp. Nhấp gửi thanh toán hay gửi email là những hành động không thể đảo ngược, nên cần cổng phê duyệt trước khi thực hiện; điểm OSWorld cao không thay thế được biện pháp bảo vệ đó.
Chọn theo tác vụ, không theo một bảng xếp hạng
Khoảng cách về năng lực có ý nghĩa khác nhau tùy công việc. Với tác vụ giới hạn, lặp lại nhiều và có người kiểm tra kết quả, mức tiết kiệm của Terra có thể bù cho việc phải xử lý thêm một số ngoại lệ. Ngược lại, lập trình nhiều tệp, suy luận khó hoặc công việc kéo dài không giám sát là nơi điểm số cao hơn của Opus 5.5 có giá trị rõ hơn. So với Sonnet 5.5, Terra rẻ hơn nhưng kém 8 điểm chỉ số; lựa chọn phụ thuộc vào việc chất lượng tăng thêm có giảm đủ lỗi và thời gian sửa hay không.
Tốc độ cũng phải được tính cùng độ tin cậy. Một mô hình phản hồi nhanh nhưng cần thử lại nhiều lần chưa chắc hoàn tất tác vụ sớm hơn. Hãy đo thời gian đến kết quả được chấp nhận, số lần con người phải sửa, và chi phí cho mỗi tác vụ thành công. Cách đánh giá ấy có ích hơn việc chỉ nhìn chi phí mô hình AI trên mỗi token hoặc một con số benchmark tổng hợp.
- Mua Terra nếu tác vụ có phạm vi giới hạn, được giám sát và chạy với khối lượng lớn; dùng mức tiết kiệm để xử lý các ngoại lệ có thể dự đoán.
- Bỏ qua Terra cho công việc không được giám sát, kéo dài nhiều bước hoặc gây thiệt hại lớn nếu làm sai; ưu tiên Opus 5.5 khi độ tin cậy là điều kiện chính.
- Cân nhắc Sonnet 5.5 nếu cần mức năng lực cao hơn Terra nhưng chưa cần chọn Opus cho mọi việc; kiểm thử trên quy trình thực tế trước khi chuyển toàn bộ tải.
- Chia việc theo tác vụ thay vì trung thành với một nhà cung cấp: Terra cho hàng đợi thường lệ, Opus 5.5 cho các trường hợp khó, và thêm phương án dự phòng đã được kiểm chứng.
Kết luận: GPT-6.1 Terra đáng chọn khi tiết kiệm trên mỗi tác vụ thành công vẫn còn ý nghĩa sau khi tính tốc độ, lỗi và công sức giám sát. Nếu tác vụ đắt giá khi thất bại hoặc đòi hỏi độ tin cậy cao, Claude có cơ sở vững hơn dù điểm OSWorld và chỉ số tổng quát không tự quyết định thay cho thử nghiệm thực tế.
