安安～我是 ChiYu～
AI 能讀懂一張發票，接下來還有一串工作：找出要填的欄位、打開系統、輸入資料，再確認有沒有存成功。
每天花掉時間的，常常就是這些散在不同視窗裡的小事。單看每一步都不難，全部接起來卻很磨人。
GPT-6.1 Terra，正是 OpenAI 這次拿來處理這類工作的模型。 它把視覺理解、電腦操作和清楚的寫作放在同一個定位裡，強調用較低的成本完成日常專業任務。 OpenAI 官方介紹
我看這次更新，最有興趣的是：原本捨不得交給高價模型反覆做的工作，現在有沒有更合適的選擇？
Terra 補進來之後，模型要怎麼分工？
如果你看過我先前寫的 GPT-6 Astra、Sol、Luna 比較 ，那篇記錄的是 9 月 23 日的模型陣容。現在多了 GPT-6.1 Terra，選擇要跟著更新。
依 OpenAI 目前的模型指南，可以先這樣理解：
| 模型 | 官方建議的主要用途 |
|---|---|
| GPT-6 Astra | 最具挑戰、需要持續推理與判斷的完整工作 |
| GPT-6.1 Sol | 跨程式碼、應用程式與文件的複雜、長時間工作，同時考量成本 |
| GPT-6.1 Terra | 日常寫作、理解圖片與畫面，以及操作支援的應用程式 |
| GPT-6 Luna | 範圍明確、大量且可重複的萃取、分類與整理工作 |
這張表整理的是用途定位，沒有把它們排成所有任務都適用的名次。 OpenAI 模型指南
我的選法會更具體一點：需要從畫面找資訊、在系統間搬資料、完成一段有明確終點的操作，就把 Terra 放進候選名單。涉及跨模組設計、需求衝突，或需要長時間維持判斷的工作，我仍會先考慮 Sol 或 Astra。
它最吸引我的，是把「看懂」接到「做完」
官方列出的用途包括比對商品圖片與目錄、解讀技術圖面、操作應用程式畫面，以及起草和修改文字。這些用途共同的特徵，是輸入往往同時包含文字與視覺資訊。 GPT-6.1 Terra 使用指南
放到工程與行政工作裡，我會優先挑這幾種情境來試。下面都是建議測試的工作，並非我已完成的實測成果。
從截圖整理問題，少一輪人工轉述
使用者回報「這個地方怪怪的」，附上一張截圖。工程師得辨認是哪個頁面、哪個欄位，以及畫面與預期差在哪裡。
這時可以把截圖、預期行為和相關頁面資訊一起交給 Terra，請它整理成問題描述，並把看不清楚、無法確認的地方留下來。
我會驗收它有沒有指對元件、保留原始文字，以及有沒有把猜測寫成確定的原因。截圖能提供線索，根因仍要回到程式與執行結果確認。
把文件資料填進系統，最後還要讀回來
例如依一份去識別化的申請資料，在測試系統建立紀錄。
這類工作的難點包括辨認欄位、選對項目、處理格式，以及辨認儲存失敗的訊息。對我來說，最關鍵的驗收點是：完成後能重新打開那筆資料，確認內容一致。
按過「儲存」只能證明執行過一個動作。讀得到正確的結果，才有交付依據。
把零散資料寫成別人看得懂的說明
像是把問題回報整理成給使用者的回覆，或依需求筆記起草一份短提案。
我會特別看它有沒有抓對讀者、保留限制，以及刪掉無法從來源支持的承諾。能寫得簡短很好，該交代的前提仍然要在。
官方分數進步很大，先看清楚它測了什麼
OpenAI 公布的幾組比較，能幫助我們理解這次更新的方向：
| 評測與條件 | GPT-5.6 Terra | GPT-6.1 Terra |
|---|---|---|
| Agents’ Last Exam，Terra 使用中等推理強度 | 比較基準 | 得分高出 15 個百分點，每項任務成本約為前代的三分之一 |
| Terminal-Bench 4.0，最高推理強度，與前代已公布成績比較 | 任務成功率 21.5% | 任務成功率 50.3% |
| OpenAI 內部易引發錯誤的提示評測，低推理強度 | 錯誤率 53.6% | 錯誤率 16.7% |
Agents’ Last Exam 評估代理操作軟體完成專業任務；Terminal-Bench 評估透過命令列解決問題的能力。最後一列則是特定內部評測的錯誤率。 官方評測說明
這裡我會保留兩個判讀原則。
第一，不同評測的數字不能直接換算成自己工作的成功率。 16.7% 是該測試條件下的錯誤率，不能據此說日常回答有 83.3% 正確，也不能套到所有圖片和操作任務。
第二，程式能力有進步，仍然要挑任務。OpenAI 明確表示，最複雜的程式設計工作，GPT-6.1 Sol 和 GPT-6 Astra 仍是更好的選擇。 官方程式能力說明
我會先拿範圍小、能跑回歸測試的修正來比較，例如一個表單驗證問題。若要一次搬動認證、權限和資料流程，模型選擇就得把設計判斷與驗證成本一起算進去。
價格有吸引力，但一個任務的帳要算完整
截至本文查閱日，GPT-6.1 Terra 的標準 API 價格如下，單位都是 每 100 萬 tokens、美元：
| 計費項目 | 價格 |
|---|---|
| 輸入 | US$1.00 |
| 快取輸入 | US$0.05 |
| 輸出 | US$5.00 |
價格依 官方發布說明 整理。這是 API 計價，與 ChatGPT 訂閱費及方案內的使用額度分開。
開發者還要留意模型頁上的幾個條件：超過 272K 輸入 tokens 的請求，整筆請求會適用較高費率；快取寫入也有自己的計價。別把快取讀取的 US$0.05 當成所有快取相關操作的價格。 模型規格與計價條件
對 Agent 工作來說，我更在意的是 每個通過驗收的任務花多少錢。同樣一件事，模型可能多試幾輪、呼叫工具、重新讀畫面，甚至需要人接手修正。
便宜的單價很有吸引力。如果省下的模型費用，換來更多人工補救時間，就得重新評估。反過來說，若 Terra 能用較短的時間交出同樣合格的結果，這次更新就有實際價值。
哪裡能用？API 開發者要留意什麼？
官方更新文件列出，GPT-6.1 Terra 已提供給 Plus、Pro、Business、Enterprise 與 Edu 方案的 ChatGPT Work 和 Codex 使用者。一般 Chat 對話目前沒有提供這款模型；Enterprise 還會受到工作區開放狀態與管理員設定影響。 官方功能更新
因此，要找 Terra，先確認自己進入的是 Work 或 Codex，以及帳號實際提供的模型選項。
API 的模型 ID 是 gpt-6.1-terra，支援文字與圖片輸入、文字輸出。官方列出的 context window 是 1,050,000 tokens，最大輸出為 128,000 tokens。視窗大小和輸出上限是不同規格，不能把整個視窗都當成可輸出的長度。
API 模型規格
如果既有應用程式使用 Chat Completions 呼叫工具，要留意 Terra 的工具呼叫需要 Responses API。推理強度預設為 medium，官方建議再依品質改善是否值得額外時間與 tokens 調整。
官方整合指南
能操作電腦，還需要工具與驗收
模型具備 computer use 能力，實際執行時仍需要可用的瀏覽器或電腦操作工具，以及對應設定與存取權限。 官方功能更新
這也代表，把模型換成 Terra，不會自動替一套既有系統補上所有整合。
如果要評估導入，我會挑一個已經知道正確答案的工作，讓 Terra 和原本使用的模型處理相同資料。比較的重點會放在完成時間、實際用量、人工介入次數，以及最後留下的成果。
以建立測試紀錄為例，驗收依據可以是存好的欄位內容；以修正程式為例，就是需求是否滿足、相關測試是否通過。模型最後說「已完成」，仍要和結果對得起來。
OpenAI 的系統卡也提醒，研究環境或 API 評測的結果，可能因系統提示、工具與推理設定不同，而與正式產品表現有所差異。這也是我會把官方分數當成選用線索，再用自己的工作驗證的原因。 官方系統卡說明
我會先讓 Terra 接哪些工作？
Terra 才剛推出，今天寫這篇文章時，我還沒有累積足夠的實測結果。不過，光看它的定位，已經有幾種工作讓我很想拿來試。
以下都是我依官方定位延伸的應用猜想，也是接下來會朝這些方向測試的案例。 我還沒有驗證 Terra 能不能穩定完成，每一項都需要拿實際成果來確認。
1. 搭配 Playwright，跑完一段真正的網頁流程
我第一個想試的，就是讓 Terra 搭配 Playwright 操作測試網站。
例如準備一份虛構的設備借用資料，請它登入測試帳號、找到申請頁面，填入設備、日期與用途，送出後再回到列表，打開剛新增的紀錄確認內容。
這裡的前提，是執行環境已經提供 Playwright 或對應的瀏覽器操作工具。Terra 負責判斷與產生操作指令，環境負責執行，再把畫面與結果回傳。OpenAI 的 computer use 文件有說明這類整合方式；實際接到 Terra 的效果，還要另外測。 官方瀏覽器與電腦操作整合說明
我想看的是，遇到下拉選單、日期選擇器、分頁與驗證訊息時，它能不能順利走下去，以及最後有沒有真的建立正確資料。
2. 搭配 Playwright，重現使用者回報的 bug
另一種很常見的工作，是使用者說：「我換了篩選條件，下面的列表卻沒有更新。」
我會想給 Terra 一段重現描述，讓它在測試環境照著操作，留下相關截圖和實際看到的結果。如果能確認問題，再請它整理成可重跑的 Playwright 測試案例，作為後續修正與回歸測試的依據。
這一項要驗證的，是它能不能重現同一個問題。進到正確頁面、按了幾個按鈕，還不足以證明抓到 bug；測試也必須能在問題存在時失敗、修正後通過。
3. 比對設計稿與網頁截圖，找出跑版的位置
我也很想試試，把設計稿和實際頁面截圖一起給它，請它找出具體差異。
例如桌面版的表格有沒有超出版面、手機版的送出按鈕是不是被固定在底部的區塊擋住，以及深色模式下的文字是否難以辨識。
如果再搭配 Playwright 切換不同視窗寬度，就能測試「擷取畫面、辨認問題、整理位置」這段流程。不過，哪些畫面真的有問題、哪些差異只是正常的響應式調整，仍然要和設計需求對照。
我希望拿到的是「哪張截圖、哪個元件、看到什麼差異」，這樣才方便回到程式裡處理。
4. 分析拍照或掃描圖片，把單據整理成欄位
例如拿一張模擬報價單的照片，請 Terra 整理品項、數量、單價、幣別與總額，再和原圖逐欄核對。
我會故意準備幾種版本：正常掃描、稍微傾斜、字比較小，以及部分欄位模糊的圖片，看看它在哪些情況下開始讀錯。
這裡最想驗證的，是它遇到看不清楚的數字時，會不會老實留下「待確認」。 若把模糊金額補成一個看似合理的數字，後面整理得再漂亮也沒有用。官方影像文件也列出小字、旋轉與辨識錯誤等限制，這些都適合放進測試資料。 官方影像分析限制
5. 讀懂儀表板截圖，整理值得追查的變化
假設手上有兩個月份的虛構系統使用報表，我會想請它找出哪些指標上升、哪些下降，並指出依據是哪個圖表、哪一組數值。
我想測的細節包括：有沒有看對座標軸與單位、會不會混淆百分比和百分點，以及圖上沒有標數字時，會不會把目測結果寫成精確數值。
這類分析可以先幫忙找線索。至於為什麼使用量下降，仍要回到原始資料和業務情境確認；單靠一張圖，不能把原因也一起猜完。
6. 批次檢查圖片素材，先整理需要人工處理的檔案
做文章、課程或網頁時，常常會累積一整批圖片。我會想把檔名、縮圖和用途需求一起交給 Terra，請它先挑出可能有問題的素材。
例如封面主體被裁掉、文字靠邊太近、截圖留著錯誤訊息，或同一組角色的服裝、配色出現明顯不一致。
預期成果是一份清單：檔名、疑似問題，以及需要我確認的地方。我會把自己事先標好的問題混進去，看它能抓到多少，也記錄它誤判了多少張。這能幫我判斷，它是否適合放在正式人工檢查之前。
7. 比對新舊系統畫面，整理操作流程的差異
以系統移轉工作來說，我會想準備新舊兩套測試環境，讓它操作同一個虛構案例，例如查詢一筆申請、修改內容，再確認儲存結果。
接著請它整理：舊系統有哪些欄位、新系統放在哪裡、哪些步驟改了，以及哪些功能在畫面上找不到對應入口。
這種比較如果做得好，有機會幫忙準備 UAT 案例與操作說明。驗收時仍要分清楚畫面差異和業務規則差異；按鈕名稱相似，不能直接推論權限、狀態轉換與資料結果都一致。
8. 把已驗證的操作紀錄，整理成使用者教學
前面的 Playwright 流程如果跑通了，我還想接著試：把確認過的操作步驟與截圖交給 Terra，請它寫成給一般使用者看的說明。
例如「如何新增一筆設備借用申請」，要包含進入位置、必填欄位、常見驗證訊息，以及成功後會看到什麼畫面。
我會檢查它有沒有寫出畫面上不存在的按鈕、漏掉必要條件，或把測試帳號才有的權限當成每個人都有。文字再流暢，也得讓實際使用者照著走得通。
第一輪，我會先挑三個案例認真比
這些想法裡，我會先從 Playwright 表單流程、設計稿與截圖比對、單據圖片欄位整理開始。三者分別能觀察操作、視覺判斷與資料辨識，也比較容易準備已知答案。
比較時，我會讓 Terra 和原本使用的模型處理相同資料，記錄完成時間、用量、錯誤，以及需要人工接手的次數。能穩定通過驗收，再逐步增加任務難度。
我期待 Terra 省下來的，是在視窗之間搬資料、反覆檢查畫面、整理操作紀錄的時間。 至於它能省多少、哪些情況仍會卡住，等這些案例真正跑過，才有心得可以分享。
延伸閱讀
- GPT-6 Astra、Sol、Luna 來了，GPT-5.6 該換掉嗎？ ：回顧前一波模型陣容與選用取捨，價格與供應狀態以各文查閱日期為準。
- ChatGPT 與 Codex App 正式整合：一個 App 如何完成不同性質的 AI 任務？ ：理解 Work、Codex 與不同工作形式的關係。