GPT-6.1 Terra vs. GPT-6.1 Sol: Ein Vergleich mit 12 Läufen desselben Prompts

TL;DR

• Für hohes Volumen und Kostendruck GPT-6.1 Terra wählen: Der Stückpreis ist halb so hoch wie bei Sol ($0.25 / $1.25 gegenüber $0.50 / $2.50); bei kurzen Aufgaben wie strukturierter Extraktion halbieren sich die Kosten pro Aufruf genau.
• Für schnelle Antworten GPT-6.1 Sol wählen: Bei denselben 6 Aufgaben war Sol jedes Mal vor Terra fertig.
• Beide Modelle sind bereits bei HiAPI verfügbar – gleicher Key, gleiche Schnittstelle, ein Wechsel von model genügt. Terra-Modellseite öffnen und direkt ausprobieren.

Auf einen Blick

	GPT-6.1 Terra	GPT-6.1 Sol
Modell-ID	gpt-6.1-terra	gpt-6.1-sol
Eingabe / Ausgabe (pro Million Token)	$0.25 / $1.25	$0.50 / $2.50
Cache-Lesen	$0.0125	$0.025
Reasoning-Stufen	none, low, medium, high, xhigh, max	low, medium, high, xhigh, max
Reasoning abschaltbar	Ja (none)	Nein, mindestens low
Kontext / max. Ausgabe	1,05M / 128K	1,05M / 128K
Schnittstelle	Responses (Standard), Chat Completions	Responses (Standard), Chat Completions

HiAPI-Preise, geprüft am 29. Oktober 2026.

Derselbe Prompt, je ein Lauf auf beiden Seiten

Alle drei Aufgaben jeweils auf Stufe medium, einmal auf Chinesisch und einmal auf Englisch, für Terra und Sol je ein Durchlauf – insgesamt 12 Läufe.

Aufgabe	Sprache	Terra Kosten / Dauer	Sol Kosten / Dauer
Bestellung aus Kunden-E-Mail extrahieren	Chinesisch	$0.0003 / 11 Sekunden	$0.0006 / 9 Sekunden
Bestellung aus Kunden-E-Mail extrahieren	Englisch	$0.0003 / 23 Sekunden	$0.0006 / 7 Sekunden
Code-Bug finden	Chinesisch	$0.0033 / 56 Sekunden	$0.0035 / 42 Sekunden
Code-Bug finden	Englisch	$0.0019 / 70 Sekunden	$0.0031 / 48 Sekunden
Produkt-Werbetext schreiben	Chinesisch	$0.0019 / 59 Sekunden	$0.0010 / 21 Sekunden
Produkt-Werbetext schreiben	Englisch	$0.0009 / 20 Sekunden	$0.0008 / 13 Sekunden

Die Kosten halbieren sich nicht immer. Bei der chinesischen Werbetext-Aufgabe verbrauchte Terra 1.411 Reasoning-Token, Sol nur 293 – dadurch war Terra in diesem Fall teurer. Der Stückpreis ist zwar halb so hoch, die tatsächlichen Kosten hängen aber davon ab, wie viel das Modell in diesem Lauf nachgedacht hat.

Erste Gruppe: Bestellung aus Kunden-E-Mail extrahieren (strenges JSON)

从下面这封客户邮件里提取订单信息。

邮件：你好，我上周二（10 月 20 日）下的单，订单号 HX-20481，买了两件深灰色连帽卫衣 L 码和一条黑色运动裤 M 码，一共付了 ¥586。今天收到货发现卫衣是浅灰色的，裤子没问题。我想把两件卫衣换成深灰色，如果没货就退款。我的电话 138-0000-1234，最好下午联系我。——王女士

Die Anfrage enthielt dasselbe JSON-Schema (Bestellnummer, Datum, Artikel, Betrag, Problem, Anliegen, Telefon, Kontaktzeit); beide Seiten gaben gültiges JSON zurück.

GPT-6.1 Terra	GPT-6.1 Sol
"color":"深灰色（收到浅灰色）"	"color":"深灰色"
"requested_action":"将两件卫衣更换为深灰色 L 码；如无库存则退款。"	"requested_action":"将两件卫衣换成深灰色；如无货，则退还两件卫衣的款项。"
Übrige Felder: HX-20481, 20. Oktober, ¥586, 138-0000-1234, nachmittags	Übrige Felder vollkommen identisch

Sichtbarer Unterschied: Bestellnummer, Betrag, Telefon und Kontaktzeit stimmen auf beiden Seiten exakt überein. Terra packte die „erhaltene Farbe“ ins Feld color, was vor der Datenübernahme einen zusätzlichen Bereinigungsschritt erfordert; Sol schreibt in color nur die bestellte Farbe und legt das Problem in issue ab. In der englischen Version waren die Feldwerte beider Seiten vollkommen identisch.

Zweite Gruppe: Produkt-Werbetext schreiben

根据下面的参数，写一段淘宝商品详情页的卖点文案：3 条卖点，每条不超过 25 个字，再写一句 15 字以内的标题。不要用「极致」「顶级」这类词。

参数：便携榨汁杯，容量 380ml，USB-C 充电，充满可榨 15 杯，6 片 304 不锈钢刀头，杯体 Tritan 材质，重 420g，IPX7 防水可整机冲洗。

GPT-6.1 Terra	GPT-6.1 Sol
Titel: 便携榨汁杯，随时鲜榨	Titel: 把新鲜带在身边
380ml Tritan杯体，420g轻巧便携	380ml随行杯，Tritan杯体仅重420g
USB-C充电，充满可榨15杯	USB-C便捷充电，充满可榨15杯
6片304不锈钢刀头，IPX7防水整机可冲洗	6片304不锈钢刀头，IPX7防水整机可冲洗

Sichtbarer Unterschied: Beide hielten die Zeichenzahl ein und verwendeten keine verbotenen Wörter. Terras Titel nennt direkt die Produktkategorie und eignet sich für die Suche; Sols Titel ist eher ein Slogan.

Dritte Gruppe: Code-Bug finden

Die Aufgabe war ein Python-Abschnitt mit 3 eingebauten Bugs: veränderlicher Standardparameter, eine Paginierungs-Slice, die ein Element zu wenig erfasst, und Division durch null bei leerer Liste. Beide fanden alle drei und wiesen zusätzlich auf das Problem hin, dass die Liste extern geteilt wird. Der Unterschied lag in der Reihenfolge und der Auslegung:

• Terra setzte „falscher Nenner beim Durchschnittspreis“ direkt auf Platz eins und ging davon aus, dass nach Gesamtstückzahl gerechnet werden müsse.
• Sol erklärte zuerst, ob der Nenner korrekt ist, hängt davon ab, ob das Geschäft den „Durchschnittspreis pro Bestellung“ oder „pro Stück“ berechnen will, gab beide Varianten an und sortierte dann nach Auswirkung.

Will man ein direktes Fazit, ist Terras Vorgehen bequemer; ist die Anforderung selbst mehrdeutig, legt Sol die Mehrdeutigkeit zuerst offen.

Auswahl nach Szenario

• Massen-Extraktion, Klassifizierung, Tagging: Terra wählen, die Kosten pro Aufruf sind halb so hoch wie bei Sol.
• Batch-Verarbeitung mit abgeschaltetem Reasoning für maximale Geschwindigkeit und minimale Kosten: Terra wählen, nur dort gibt es die Stufe none.
• Dialoge und Kundenservice, bei denen Nutzer online auf Antwort warten: Sol wählen, bei diesen 6 Aufgaben war es jedes Mal zuerst fertig.
• Lange Antworten wie Code-Review oder Anforderungsanalyse: Die Kosten beider sind ähnlich; entscheidend ist, ob man ein direktes Fazit oder klar aufgelistete Annahmen will.
• Bei Unsicherheit: Zuerst eine Charge mit Terra laufen lassen, die Ergebnisse stichprobenartig prüfen und Unzufriedenstellendes an Sol übergeben.

Umstellungskosten

Beide Modelle nutzen denselben HiAPI-Key und dieselbe POST /v1/responses-Schnittstelle; im Request-Body ändert sich nur das Feld model. Einziger Punkt: Sol hat kein none. Beim Wechsel von Terra muss reasoning.effort von none auf low geändert werden.

{"model": "gpt-6.1-sol", "input": [...], "stream": true, "store": false, "reasoning": {"effort": "low"}}

Häufige Fragen

Ist Terra die günstigere Version von Sol?

Preislich ist es die Hälfte, der Fähigkeitsumfang ist im Wesentlichen gleich: derselbe 1,05M-Kontext, ebenfalls Unterstützung für strenges JSON und Tool-Aufrufe. Terra hat zusätzlich die Stufe none, Sol antwortete in diesem Test schneller.

Spart man bei jeder Aufgabe sicher die Hälfte?

Nicht unbedingt. Bei kurzen strukturierten Aufgaben halbiert sich die Summe in etwa; bei langen Antworten mit viel Reasoning kommt es darauf an, wie viele Reasoning-Token das Modell in diesem Lauf verbraucht hat – bei der chinesischen Werbetext-Aufgabe in diesem Artikel war Terra sogar teurer.

Kann man beide gemischt einsetzen?

Ja. Mit demselben Key lassen sich beide aufrufen; man routet einfach nach Aufgabe.

Preisdetails siehe GPT-6.1 Terra API-Preise, Integrationscode siehe GPT-6.1 Terra API-Integrationsleitfaden. Den obigen Bestell-E-Mail-Prompt kopieren, Terra-Modellseite öffnen, einfügen und einmal ausprobieren.