GPT-6.1 Terra supera a Claude Opus 5.5 en pruebas de coste y velocidad

OpenAI lanzó GPT-6.1 Terra el 26 de octubre, posicionándolo como una alternativa de alta eficiencia frente a Claude Opus 5.5 de Anthropic. Pruebas independientes realizadas poco después del lanzamiento revelan que Terra no solo iguala, sino que a menudo supera el rendimiento de su competidor en flujos de trabajo complejos específicos, todo ello operando a una fracción del costo.

Qué ocurrió

Tras las afirmaciones de OpenAI sobre la superior eficiencia en tokens de Terra, se diseñaron pruebas independientes para evaluar los modelos en tres escenarios exigentes: triaje de lanzamientos, seguimiento de linajes celulares científicos y auditorías del historial de integración continua. Las pruebas se ejecutaron con configuraciones de esfuerzo máximo para ambos modelos, utilizando sus respectivas APIs sin limitar el número de turnos de interacción. El objetivo era medir la precisión, las tasas de finalización, el tiempo hasta la solución y los costos estimados bajo condiciones estandarizadas.

Los resultados indican una divergencia significativa en rendimiento y economía. En la prueba de triaje de lanzamientos, ambos modelos obtuvieron una puntuación perfecta, pero Terra completó la tarea en menos tiempo y con muchos menos tokens de salida. En el desafío de linaje celular, que requería escribir y ejecutar código Python para rastrear células en división en imágenes de microscopio, Terra obtuvo una puntuación más alta y terminó en aproximadamente la mitad del tiempo. Lo más notable fue que, en la auditoría del historial de CI que involucraba tablas de datos desordenadas, Terra proporcionó una respuesta casi perfecta mientras que Claude Opus 5.5 no logró producir ningún resultado final antes de alcanzar su límite de tokens de salida.

Cómo funciona

La brecha de eficiencia proviene de cómo cada modelo gestiona el uso de tokens durante tareas de razonamiento multi-paso. Se informa que GPT-6.1 Terra es más de tres veces eficiente en tokens que Opus 5.5 para entradas y salidas estándar. Su estructura de precios refleja esto, con tokens de entrada costando $1 por millón y tokens de salida $5 por millón, en comparación con los $4 y $20 de Opus 5.5, respectivamente. Esto significa que Terra necesitaría usar cuatro veces más tokens para igualar el costo base de Opus, sin embargo, en estas pruebas utilizó significativamente menos.

En términos prácticos, el enfoque de Terra implica un control más estricto sobre los bucles de interacción. Por ejemplo, en el triaje de lanzamientos basado en navegador, Terra dependió más de hacer clic en elementos de interfaz en lugar de escribir URLs repetidamente, lo que redujo drásticamente el volumen de tokens de salida generados. Opus, por el contrario, escribió URLs más de cien veces, inflando su recuento de tokens y costo sin mejorar la precisión. Ambos modelos incluyen tokens de razonamiento en sus totales de salida, pero la capacidad de Terra para llegar a conclusiones correctas con menos pasos intermedios impulsa su menor gasto general.

Detalles clave

• Eficiencia de Coste: En las tres pruebas, el costo estimado de tokens sin caché de Terra fue de $25.99, comparado con $214.96 para Opus 5.5, representando una relación de coste de 8.27 a uno.
• Velocidad: Terra completó la carga de trabajo combinada en 2,418 segundos, mientras que Opus tardó 3,962 segundos, ahorrando aproximadamente 25 minutos.
• Triaje de Lanzamientos: Ambos modelos obtuvieron 50/50, pero Terra logró esto al 17.1% del costo estimado de tokens sin caché de Opus.
• Linaje Celular: Terra obtuvo 48/50 y terminó en 15 minutos, mientras que Opus obtuvo 43.5/50 y tardó 36 minutos.
• Auditoría de CI: Terra obtuvo 47/50 en una tarea de tabla de datos compleja; Opus no logró devolver una respuesta final dentro de su límite de salida de 128,000 tokens.
• Precios: Las tarifas estándar de Terra son $1/millón de tokens de entrada y $5/millón de tokens de salida, versus $4 y $20 para Opus 5.5.

Por qué importa

Para equipos de ingeniería que construyen agentes de IA, estos hallazgos sugieren que la selección del modelo debe ponderar fuertemente la eficiencia en tokens junto con la precisión bruta. Un modelo que requiere menos turnos y una salida menos verbosa para llegar a una solución correcta puede reducir drásticamente los costos operativos, especialmente en aplicaciones de alto volumen. La diferencia entre $25 y $215 para un único flujo de trabajo complejo es sustancial cuando se escala a miles de tareas diarias. Los desarrolladores ahora pueden considerar Terra para cargas de trabajo previamente reservadas para modelos más costosos, siempre que la tarea específica se alinee con sus fortalezas en ejecución de código y manejo de datos estructurados.

Sin embargo, las pruebas también destacan desafíos persistentes con el procesamiento de datos a gran escala. Aunque Terra completó la auditoría de CI, aún cometió errores menores al contar estados e identificó incorrectamente preguntas irresolubles. Esto refuerza la necesidad de capas de validación robustas en aplicaciones de IA. Los equipos no pueden depender únicamente de la confianza autoinformada del modelo o del formato de salida; los scripts de verificación externa siguen siendo esenciales para la precisión numérica y la integridad de los datos, independientemente de la sofisticación del modelo.

Qué puedes hacer

• Realiza pruebas de referencia (benchmark) de Terra contra tu modelo actual usando configuraciones de esfuerzo máximo para tareas de agentes complejas y multi-paso.
• Implementa una validación estricta de la salida para datos numéricos, ya que incluso los modelos de primer nivel pueden contar mal o interpretar erróneamente entradas ambiguas.
• Monitoriza los patrones de uso de tokens, buscando específicamente escritura excesiva de URLs o razonamiento verboso que aumente los costos.
• Prueba estrategias de caché, ya que entradas repetidas como capturas de pantalla pueden reducir significativamente los costos si se gestionan correctamente.
• Evalúa si tu carga de trabajo se beneficia más de la velocidad y eficiencia de coste de Terra o de las posibles fortalezas de Opus en otros dominios no cubiertos aquí.
• Comienza con Terra para tareas de automatización de navegador y generación de código para aprovechar su eficiencia demostrada en estas áreas.