截至 2026 年 11 月 16 日,OpenAI 的通用模型选择不能用一个“最新 GPT”概括。Chat 页、ChatGPT Work、Codex 与 API 的型号和权限不同;最近的 Wallet、语音与图像更新也不等于换了一套通用推理模型。本文先核对当前入口,再以 GPT-6.1 Terra 为主要案例,分析为什么官方图表、独立实验和用户体验会给出不同答案。
OpenAI模型发布说明 · ChatGPT Work与Codex模型指南 · ChatGPT产品发布说明 · ChatGPT Chat模型与思考档帮助
我们实际打开官方文档、Artificial Analysis 原始页面、Bito 自跑测试及公开 Reddit 讨论。它们分别说明产品边界、受控测试结果和个人工作流感受,不能相互代替。文末的合成账单、提示词与门禁是原创方法示例;只运行离线门禁自检,没有调用模型、登录账户、执行购买或测量真实订阅额度。
先确认 ChatGPT 当前入口与模型家族
Chat 的 GPT-6 选项由 GPT-6 Sol 支撑 Instant 到 Extra High,Pro 推理选项由 GPT-6 Astra 支撑;可选档位依套餐、工作区和 rollout。Plus 在 Work/Codex 可用 Astra,不意味着在 Chat 获得 Pro 推理。GPT-6.1 Sol 与 Terra 的专业工作建议来自 Work/Codex 文档,不能直接抄成 Chat 选择器清单。
OpenAI模型发布说明 · ChatGPT Work与Codex模型指南 · ChatGPT产品发布说明 · ChatGPT Chat模型与思考档帮助
官方页面并非完全同步:10 月 7 日公告写 Free/Go 将使用 GPT-6 Luna,但所查详细 Chat 帮助仍保留 GPT-5.6 Luna 的默认与 Think 说明,也保留显式旧型号选择。我们不替它编造一个统一切换日。读者应记录实际选择器、套餐、客户端与日期;表中把它标为 Luna 家族迁移,不能据此保证某账户已迁移。
Terra 于 10 月 26 日发布,可用于 Work、Codex 与 API,不在 Chat。其不支持 UAE 推理驻留是计算发生地点的限制,不等同于禁止身处某国的用户。API 用量与订阅分别计费;订阅也不能保证所有工具、地区、管理员权限或预览资格。
| 入口 | 当前文档涉及的模型 | 使用边界 |
|---|---|---|
| Chat:GPT-6 | Sol;合资格 Pro 思考用 Astra | 档位受套餐/管理员/rollout影响;6.1 Terra不在Chat |
| Chat:Free/Go及旧选择 | Luna家族迁移;详细帮助仍列5.6 | 公告与帮助版本不同步,以实际选择器记录 |
| Work / Codex | Astra、6.1 Sol、6.1 Terra、Luna | 工具、客户端和工作区需支持;不等于Chat权限 |
| API | 具体model ID与API计费 | 独立账本;不把订阅折算为固定API请求数 |
OpenAI模型发布说明 · ChatGPT Work与Codex模型指南 · ChatGPT产品发布说明 · ChatGPT Chat模型与思考档帮助
把官方、独立测试与社区自述放在不同证据层
官方发布和系统卡适合确认设计目标、配置及厂商测试条件;独立评测在自己的题集和执行器里重新测量;社区贴只能证明有人报告了某种体验。三种材料同时存在是好事,但不能把新闻转载、同一图表的多次转述算成多个独立实验。
OpenAI GPT-6.1 Terra发布文 · GPT-6.1 Terra系统卡补充 · Artificial Analysis Terra原始结果 · Bito独立编码测试 · Reddit:未完成任务提前结束自述
比较时先写出“模型版本 × effort × 产品入口 × 工具/执行器 × 任务 × 评分”。其中任一项改变,数字就未必可直接排序。更快可能来自服务速度、少做工作或更早结束;更高分可能依赖更大推理预算。完成报告听起来肯定,也不能替代保存结果。
| 材料 | 可以支持 | 不能直接推出 |
|---|---|---|
| 官方发布/系统卡 | 日期、设计目标、厂商实验及其条件 | 所有真实用户都得到同样成功率 |
| 独立原始评测 | 该题集/执行器/预算下的结果 | 无条件跨产品、跨任务胜负 |
| 社区直接自述 | 某位用户报告的现象与排错线索 | 代表性样本、真实路由或普遍失败率 |
OpenAI GPT-6.1 Terra发布文 · GPT-6.1 Terra系统卡补充 · Artificial Analysis Terra原始结果 · Bito独立编码测试 · Reddit:未完成任务提前结束自述
官方强项能说明什么,不能说明什么
OpenAI 把 Terra 定位为视觉理解、计算机操作与清晰写作模型。发布文给出的 Terminal-Bench 4.0 在 max 下为 50.3%,旧 Terra 为 21.5%;内部易错提示评测在 low 下从 53.6% 错误率降到 16.7%。这些是厂商报告的特定评测,不是每个真实问题都少错同样比例。
系统卡明确研究环境或 API 的结果可能因系统提示、工具和 effort 与生产 ChatGPT 不同。因此本文不把“更便宜”“更快”扩成所有 ChatGPT 任务保证。应先选一类已有答案或可检查产物的任务,再检查模型是否把优势转成自己的成功交付。
| 测试 | 报告数值 | 条件与限制 |
|---|---|---|
| Terminal-Bench 4.0 | Terra50.3%;旧Terra21.5% | max;厂商编码实验 |
| 内部易错提示 | low错误率53.6%→16.7% | 特定内部集,不是互联网总体错误率 |
| 视觉/计算机操作 | 厂商报告相对改善 | 需匹配任务、effort、工具和基线 |
AA 当前指数已换版本,旧分数不能直接续接
Artificial Analysis 当前 Terra 页面标为 Max,在 Intelligence Index v5.0.1 下显示 51,平均每项任务 $0.96、13.9 分钟;指数包含 9 项评估。这里的 51 不是 51% 正确率,13.9 分钟也不是普通聊天响应时间。它衡量该测试组合与推理设置。
早期报道常引用旧版 48 分和 $0.40。方法版本更换、题集和权重调整会改变比较基础,不能把旧值与当前值相减后宣称模型“涨了三分”或“突然变贵”。保存访问日期、版本、设置与原始页面;不能确认同口径时,直接标记不可比。
| 指标 | 当前页面 | 解释 |
|---|---|---|
| Intelligence Index | v5.0.1;9项;51 | 复合指数,不是51%正确率 |
| 平均任务成本 | $0.96 | 该指数题集的估算费用,不是订阅单价 |
| 平均任务时间 | 13.9分钟 | 包含该评测推理过程,不是普通聊天延迟 |
Bito 编码测试:速度收益与三分噪声
Bito 在 11 月 11 日更新的自跑编码比较采用默认 medium、各厂商自己的编码代理:两个困难的五轮任务占 75%,单次问答占 25%,Terra 尚未参加其二十轮测试。它报告 Terra 综合 69.0、每个困难会话 $0.40、4.4 分钟;这不是 AA 的任务、成本或总体成功率。
同表 Haiku 为 67.4,差距 1.6 分,而作者称会话噪声约 3 分,应视为这次实验中的接近结果。它对 Opus 的差距更大,但执行器、任务样本和裁判仍限制外推。Bito 是商业编码工具公司,测试独立于 OpenAI 不等于没有商业利益,也不代表通用编码定论。
| 模型 | 加权分 | 困难会话费用 | 分钟/困难会话 |
|---|---|---|---|
| GPT-6.1 Terra | 69.0 | $0.40 | 4.4 |
| GPT-6.1 Sol | 74.8 | $2.06 | 22.7 |
| Claude Haiku 5.5 | 67.4 | $0.69 | 8.1 |
| Claude Sonnet 5.5 | 65.7 | $1.28 | 8.6 |
| Claude Opus 5.5 | 85.0 | $5.40 | 19.0 |
社区反应为什么分裂
一条直接讨论贴报告 macOS 上通过 T3 Code 使用 Terra,模型在两个授权流程未完成时结束;作者同时披露旧指令冲突、工具输出截断及未独立核实逐轮 effort。这能提供“提前结束、局部阻塞被扩大”的测试线索,不能据此测出 Terra 普遍失败率或排除执行器因素。
Reddit:未完成任务提前结束自述 · Reddit:Terra发布讨论原评论 · Reddit:脚本写作测试发起者报告
另一发布讨论中,有用户认可 medium 对自己成本敏感的工作有用,也有人抱怨仅完成最少部分。我们读取了原评论,而不把置顶 GPT 自动摘要当作抽样统计。公开自述没有独立验证账户、模型路由或运行日志;这里不声称社区共识,也不把评论的相对时间转换成未经核实的发布日期。
写作测试发起者另报告 10 个脚本任务、每任务 5 稿、4 个 LLM 裁判;更多推理没有带来该写作分数提升,裁判之间也有分歧。它测特定频道口吻与脚本要求,不证明 Terra 普遍写作退步。这样的反例提醒我们:自然流畅、模仿作者和事实准确是不同验收项。
effort 要按任务调,不能默认拉满
Terra API 文档列出 none、low、medium 默认、high、xhigh、max;Work/Codex 的界面档位与可用选项需另查。不要把 API 的参数名当成 Chat 滑块的精确映射,也不要把 Ultra 的多代理执行误认为单模型 max。
ChatGPT Work与Codex模型指南 · OpenAI模型选择指南 · GPT-6.1 Terra API模型文档 · Reddit:脚本写作测试发起者报告
先使用当前产品默认档,给固定任务加明确验收;若失败来自遗漏约束、几何推理或多步规划,再比较更高 effort。若失败来自工具未连接、文件不可访问或权限拒绝,提高思考预算不能修复环境。写作任务还应盲评语气和信息密度,避免用更长文本冒充质量。
| 现象 | 先做什么 | 再比较什么 |
|---|---|---|
| 遗漏推理约束 | 明确输入与验收,保留失败样本 | 同模型更高effort是否修复 |
| 工具或文件不可达 | 核对权限、连接与实际环境 | 环境恢复前不归因模型智力 |
| 写作冗长或语气不符 | 盲评读者适配、信息与风格 | 默认/较低effort对照 |
| 提前结束或误报完成 | 检查工件、未完成项与停止原因 | 相同执行器下的完成/返工成本 |
ChatGPT Work与Codex模型指南 · OpenAI模型选择指南 · Reddit:未完成任务提前结束自述 · Reddit:脚本写作测试发起者报告
实操一:先在 Chat 里做可核对的数据整理
先在自己可用的 Chat 模型里粘贴下面的合成 CSV,再运行提示词;无需网页操作或账户数据。它故意包含重复编号、pending 状态与缺失金额。正确目标不是把所有行相加,而是保留不确定信息并产生可检查 JSON。若测试截图理解,可自行把同一表渲染成图片,再保留原 CSV 做答案依据。
预期去重后已支付已知金额为 USD 12.50,待支付金额为 USD 7.25;A-003 金额未知,不能默认为零。比较 Chat 的可用默认与更高思考档时,使用新会话、相同输入和相同规则。本文没有执行这些模型测试,下面的输出要求只定义验收契约。
invoice_id,amount,currency,status
A-001,12.50,USD,paid
A-002,7.25,USD,pending
A-001,12.50,USD,paid
A-003,,USD,paid只处理下列合成CSV,不联网,不执行支付。
按 invoice_id 去重;重复行保留问题记录,不重复计数。
paid 与 pending 分开;缺失 amount 保持未知,不能填0。
只输出JSON,键必须为:currency、paid_total、pending_total、
duplicate_ids、missing_amount_ids、needs_review。
金额用两位小数字符串;数组按编号排序;needs_review用布尔值。
先核对行与状态,再计算;不要在JSON外添加说明。实操二:在 Work 或 Codex 中验证交付
若真正需要落盘和多步执行,切换到有合适文件/工具权限的 Work 或 Codex,再使用下列提示。所有读写都限制在专用临时实验目录,三个产物也在同一授权目录内。若工具不可用,必须报告未执行,而不是编造文件路径或把一段 JSON 回复说成已保存。
该任务把完成条件与模型语言分开:结果 JSON 应通过门禁,审计文件解释去重与未知,状态文件区分完成、阻塞与未测。遇到一个无法完成的步骤,要说明具体阻塞,继续其余已授权且安全的独立步骤;这不授权绕过审批、身份确认或安全限制。
在专用实验目录 ./model-eval-lab 内处理我提供的 fixture.csv。
只允许在 ./model-eval-lab 内读写;不联网,不访问账户或其他目录。
按上一提示的相同去重、状态与缺失规则,保存:
./model-eval-lab/result.json
./model-eval-lab/audit.md
./model-eval-lab/status.json
审计写出输入依据、去重策略和未知项。状态区分completed/blocked/not_tested。
若可以使用已保存的离线门禁则检查result.json;否则明确标记未执行验证。
一个步骤阻塞时,仅继续其他已授权且安全的独立步骤,不绕过审批。
完成报告逐项列出真实保存的路径、验证结果与仍未完成项。用离线门禁识别漂亮但错误的答案
下面 Python 程序只针对这四行合成数据,严格检查字段、类型和预期值;它不是通用财务校验器。无参数运行时,自检一个正确结果与重复计数、隐去缺失金额、仅声称完成三种错误。我们实际离线执行过这四个用例。
如读者之后保存真实模型的 result.json,可把路径作为该脚本的一个参数,成功返回 0,契约不符返回 2。JSON 损坏会报解析错误;不能把进程没崩溃当成业务正确。这种门禁仍无法检查未列入规则的遗漏,所以人工核查输入、审计说明与运行边界仍需要保留。
import copy
import json
import sys
from pathlib import Path
# Synthetic fixture only. This is not an accounting or general invoice validator.
EXPECTED = {
"currency": "USD",
"paid_total": "12.50",
"pending_total": "7.25",
"duplicate_ids": ["A-001"],
"missing_amount_ids": ["A-003"],
"needs_review": True,
}
def accepted(value):
if not isinstance(value, dict) or set(value) != set(EXPECTED):
return False
return all(type(value[k]) is type(v) and value[k] == v
for k, v in EXPECTED.items())
if len(sys.argv) == 2:
value = json.loads(Path(sys.argv[1]).read_text(encoding="utf-8"))
ok = accepted(value)
print(json.dumps({"accepted": ok}))
raise SystemExit(0 if ok else 2)
cases = [("expected", copy.deepcopy(EXPECTED), True)]
bad_total = copy.deepcopy(EXPECTED)
bad_total["paid_total"] = "25.00"
cases.append(("duplicate_counted_twice", bad_total, False))
bad_missing = copy.deepcopy(EXPECTED)
bad_missing["missing_amount_ids"] = []
cases.append(("missing_amount_hidden", bad_missing, False))
cases.append(("unfinished_summary", {"status": "done"}, False))
for name, value, wanted in cases:
assert accepted(value) is wanted, name
print(json.dumps({"offline_self_tests": len(cases), "passed": True}))设计自己的配对对照,而不是挑一张好截图
先把相同模型的默认和高 effort 配对,再把 Terra 与 Sol 配对;不要一次同时换模型、提示、工具和预算。每类准备若干独立任务,预先确定验收,轮换顺序并保留所有结果。记录完成、错误、超时、澄清与恢复,不能只收藏最好的一张截图。
成本比较应包括实际消费、重试、复核和返工;每个合格交付的总成本等于这批全部尝试成本除以通过数,通过数为零时不报告有限单价。订阅用量比例不是美元 token 价格的简单换算。小样本可以指导下一轮实验,不能包装成精确的全市场模型排名。
| 记录层 | 固定或记录 | 判据 |
|---|---|---|
| 入口与配置 | 日期、实际模型、effort、工具、版本 | 能重建条件;未知项不猜 |
| 任务与产物 | 输入hash、授权路径、JSON/文件要求 | 同输入和同门禁 |
| 运行结果 | 通过、错误、超时、阻塞、重试 | 不删除不利结果 |
| 成本与人力 | 实际消费、等待、复核、返工 | 按合格交付计总成本 |
最近产品更新带来的是哪些权限与边界
近期产品变化也值得独立记录:11 月 13 日 Wallet 开始在 dots 向符合条件的美国成年 Pro 用户逐步开放,还要求合资格美国卡和账单地址,每笔交易需复核并授权。它提供受控支付入口,不是 Terra 的新能力分数;批准也不等于商家订单已确认。这里仅分析文档,没有发起购买。
11 月 10 日公告计划在 12 月 11 日退休 Advanced 和 Standard Voice,GPT-Live 是已有语音方向;公告还保留视频与屏幕共享继续由 Advanced voice 支撑直到 GPT-Live 支持的例外。11 月 4 日 Images 2.6 则是图像生成更新。不要把这些不同日期、媒介和准入条件合成“今天所有 ChatGPT 都换成新模型”。
从新闻到可验收任务的流程
- 记录Chat/Work/Codex入口与实际型号
- 分清厂商、独立实验和社区线索
- 冻结输入、权限、预算与验收契约
- 配对比较默认/高effort和候选模型
- 检查产物、失败与总复核成本
- 保留不确定性并按任务决定使用
如何把这些证据用到日常选择
如果主要是对话、改写与轻量分析,先在 Chat 当前实际可选模型上验证事实、格式和表达,再决定是否需要更高思考档。如果任务需要读取文件、操作软件或连续生成产物,应比较 Work/Codex 中 Terra 的默认设置与 Sol,同时把工具环境保持一致。
ChatGPT Work与Codex模型指南 · OpenAI模型选择指南 · Artificial Analysis Terra原始结果 · Bito独立编码测试
Terra 的实用价值不是赢下每张榜单,而是某类交付能否在可接受的检查成本下更快完成。对复杂开放任务、长期维护和高风险结果,保留更强模型复核或人工验收。下一次模型发布时,重用输入、门禁与日志,就能区分新模型改进、环境变化和自己提示的效果。
本文截至2026年11月16日的判断来自公开材料与合成门禁自检。没有测量个人账户、订阅消耗、真实API或社区用户的内部运行。模型能力、产品入口和任务验收三条线一起看,才能把新发布转化为可复核的使用选择。