OpenAI lance GPT-6.1 Terra : deux fois moins cher et presque au niveau des modèles haut de gamme

OpenAI a lancé GPT-6.1 Terra, un modèle de milieu de gamme deux fois moins cher que son prédécesseur, qui se rapproche des modèles phares. Le million de tokens d'entrée coûte $1, celui de sortie $5. GPT-5.6 Terra facturait $2 et $12, Claude Sonnet 5.5 $2 et $10. D'après Artificial Analysis, le coût moyen d'une tâche au niveau de raisonnement maximal est passé de $1,40 à $0,40, et l'Intelligence Index a progressé de 6 points. Le modèle est accessible aux abonnés Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex, ainsi que via l'API.

Économie des tokens : où le prix a été réduit

OpenAI positionne Terra comme le concurrent direct de la gamme Sonnet d'Anthropic, mais deux fois moins cher. Les tokens de sortie passent de $12 à $5, soit une baisse d'un facteur 2,4. Pour les scénarios agentiques, c'est plus important que la remise sur l'entrée : un agent produit beaucoup de texte, et les tokens de sortie représentent l'essentiel de la facture. L'entrée mise en cache coûte $0,05 par million, soit le quart de l'ancien tarif. Les longs prompts système et le contexte répétitif n'ont presque plus d'effet sur le budget.

Artificial Analysis qualifie le modèle de nouvelle référence en matière d'« intelligence par dollar ». Aux niveaux de raisonnement bas, le gain sur l'Intelligence Index va de 7 à 13 points, et Terra se situe sur la frontière de Pareto : il n'est plus possible d'améliorer à la fois le prix et la qualité. L'indice de Terra s'établit à 48. GPT-6.1 Sol obtient 52, GPT-5.6 Terra 42.

Pilotage d'ordinateur et code

Le pari principal porte sur le pilotage automatique de logiciels. Sur Agents' Last Exam, Terra égale le résultat de GPT-6 Astra avec des tokens dix fois moins chers. Face à Claude Opus 5.5 à effort maximal, le modèle consomme trois fois moins de tokens, au quart de leur prix, ce qui donne un écart de coût par tâche d'environ neuf fois. Selon l'entreprise, Terra termine les tâches plus de trois fois plus vite que GPT-6 Astra et GPT-6.1 Sol.

En programmation, le bond est tout aussi net. Sur Terminal-Bench 4.0, le modèle résout 50,3% des tâches, contre 21,5% pour GPT-5.6 Terra. Ce gain de 20 points le place, selon Artificial Analysis, dans la même classe que GPT-6.1 Sol. Sur Terminal-Bench-Science 0.1, Terra devance Sol à moindre coût et accuse cinq points de retard sur Claude Opus 5.5, pour un coût inférieur à un cinquième du sien. Pour les tâches les plus lourdes, OpenAI recommande néanmoins GPT-6.1 Sol et GPT-6 Astra.

Les chiffres de la sortie

• Tarifs API : $1 en entrée, $5 en sortie, $0,05 en entrée mise en cache par million de tokens • Intelligence Index : Terra 48, Sol 52, GPT-5.6 Terra 42 • Coût d'une tâche au raisonnement maximal : $0,40 contre $1,40 • Coding Agent Index v2.0 : Terra 48, Sol 54, GPT-6 Luna 31 • AA-Omniscience : réponses devinées en cas d'ignorance 38% contre 88%, précision supérieure de 2 points • Terminal-Bench 4.

0 : 50,3% contre 21,5% • MMMU-Pro : supérieur au prédécesseur à tous les niveaux de raisonnement, presque au niveau d'Astra et de Sol • OSWorld 2.1 : à effort moyen, bat le meilleur résultat de GPT-5.

La baisse des hallucinations se remarque plus que les autres métriques. Le modèle invente moins souvent une réponse quand il ne la connaît pas, et sa précision augmente dans le même temps. Pour l'automatisation de formulaires, la lecture de plans techniques et la préparation de propositions commerciales, c'est un argument concret.

Sécurité et public visé

Selon la fiche système, GPT-6.1 Terra correspond au seuil « Critical » en cybersécurité du Preparedness Framework et hérite de la protection de GPT-6 Astra. Le modèle reste plus souvent dans les limites fixées et signale ses restrictions à l'utilisateur. Face aux attaques directes contre la hiérarchie des instructions, Terra tient à peu près aussi bien qu'Astra et Sol, dont le score atteint 99,99%. Face aux injections indirectes, où une commande malveillante est cachée dans un contenu tiers, la protection grimpe à 98,8%. Pour les agents qui lisent des e-mails, des pages web et des documents, cet indicateur est critique.

Conclusion pratique pour les équipes : Terra convient comme cheval de labour pour les scénarios agentiques et bureautiques à grande échelle. Là où l'on déployait auparavant des modèles supérieurs pour la vitesse et le prix, il vaut la peine de relancer des tests. Sol et Astra restent préférables pour les tâches complexes. Avant de migrer, il est judicieux de faire tourner ses propres tâches aux niveaux de raisonnement bas et moyen : c'est là, selon Artificial Analysis, que le gain en rapport prix/qualité est maximal.