GPT-6.1 Terra: API-Preise, Codex und wann Sol sinnvoll ist

Nutze GPT-6.1 Terra für klar begrenzte Programmieraufgaben und wiederholbare Aktionen in Anwendungen mit überprüfbaren Ergebnissen. Wähle GPT-6.1 Sol oder GPT-6 Astra für unklare Fehlerursachen und komplexe Änderungen an mehreren Teilen deiner Codebasis. Stand 2026-10-27 kostet Terras Standard-API $1 pro Million Eingabe-Tokens und $5 pro Million Ausgabe-Tokens.

Diese Ein- und Ausgabepreise entsprechen der Hälfte von Sols aktuellen Standard-Tarifen. Die Kosten pro abgeschlossener Aufgabe hängen auch vom Reasoning, weiteren Versuchen, Cache-Schreibvorgängen und der Kontextlänge ab.

Wann solltest du Terra statt Sol wählen?

Wähle Terra, wenn sich das Ergebnis einfach prüfen lässt und Fehler wenig Aufwand verursachen. Beginne etwa mit einer lokalen Codekorrektur, einem Testupdate oder einer wiederholbaren Aufgabe in einer Anwendung.

OpenAI meldet einen deutlichen Fortschritt beim Programmieren gegenüber dem Vorgänger. Bei maximaler Reasoning-Stufe erreicht GPT-6.1 Terra 50.3% auf Terminal-Bench 4.0. Für GPT-5.6 Terra wurden 21.5% veröffentlicht. Die Ankündigung empfiehlt weiterhin Sol oder Astra für die komplexesten Programmieraufgaben.

Unabhängige Ergebnisse zeigen, warum der Tokenpreis allein nicht ausreicht. Stand 2026-10-27 veröffentlicht Artificial Analysis diese Codex-Ergebnisse:

Modell in Codex	Reasoning-Stufe	Coding Agent Index v2.0	Mittlere API-Kosten pro Aufgabe	Mittlere Laufzeit des Agenten
GPT-6.1 Terra	xhigh	48	$0.69	16.4 Minuten
GPT-6.1 Terra	max	48	$1.24	26.1 Minuten
GPT-6.1 Sol	max	54	$1.50	23.7 Minuten
GPT-6 Astra	max	55	$7.04	24.8 Minuten

Der Index kombiniert drei Benchmarks mit unterschiedlichen Bewertungsverfahren. Seine Punkte sind keine allgemeingültige Erfolgsquote für Aufgaben. Die Methodik berechnet API-Kosten anhand der Bearbeitungsversuche. Dazu zählen gegebenenfalls auch Cache-Lese- und Cache-Schreibvorgänge.

Terra mit max kostet in dieser Testsuite weniger als Sol mit max, braucht aber länger und erreicht weniger Punkte. Terra mit xhigh erreicht für weniger Geld dieselbe gerundete Punktzahl wie Terra mit max. Teste diese Einstellung, bevor du max als wirtschaftlichste Wahl betrachtest.

OpenAI nennt für Terra einen Kostenvorteil pro Aufgabe um etwa den Faktor neun gegenüber Opus. Diese Angabe stammt aus dem Computer-use-Test Agents’ Last Exam. Auch die mehr als dreifache Geschwindigkeit gegenüber Sol und Astra bezieht sich auf diese Bewertung. Die Ergebnisse belegen keinen gleich großen Vorteil beim Programmieren.

Beginne bei einem schwierigen Produktionsfehler mit Sol. Teste Terra zuerst bei wiederholbaren Aufgaben mit einem zuverlässigen Test oder einem sichtbaren Endzustand.

GPT-6.1 Terra in Codex starten

Nutze Codex CLI 0.159.0 oder neuer und wähle gpt-6.1-terra ausdrücklich aus. Die offizielle Modellanleitung dokumentiert sowohl die Mindestversion als auch den Startbefehl.

Stand 2026-10-27 ist Terra in Work und Codex für Plus, Pro, Business, Enterprise und Edu verfügbar. Das datierte Produktupdate führt Business ausdrücklich auf. In Chat ist Terra nicht verfügbar.

Der Enterprise-Zugang hängt von der Verfügbarkeit im Workspace und den Administratoreinstellungen ab. Terra unterstützt keine Vorgabe, die Inferenz ausschließlich in den Vereinigten Arabischen Emiraten (UAE) auszuführen.

Öffne unter macOS oder Linux dein Repository-Verzeichnis in Bash. Das offizielle Codex-Repository dokumentiert diesen Installer:

curl -fsSL https://chatgpt.com/codex/install.sh | sh
codex --version
codex login
codex login status
codex -m gpt-6.1-terra

Prüfe, ob mindestens Version 0.159.0 installiert ist. Schließe die Anmeldung im Browser mit einem berechtigten ChatGPT-Konto ab.

Prüfe in der Sitzung mit /status, welches Modell aktiv ist. Wähle mit /model eine verfügbare Reasoning-Stufe aus. Beide Befehle stehen in der CLI-Befehlsreferenz.

Bitte Codex für einen einfachen Zugriffstest, den Testbefehl des Repositorys zu ermitteln und einen bestehenden Test zu erklären. Eine vollständige Antwort bestätigt mehr als eine erfolgreiche Anmeldung allein.

Wenn Terra fehlt, prüfe die CLI-Version, die Berechtigung deines Kontos und die Workspace-Einstellungen. Kontrolliere auch den Provider in ~/.codex/config.toml und in den .codex/config.toml-Dateien vertrauenswürdiger Projekte. Das Flag -m wählt ein Modell aus; es ersetzt deine Provider-Konfiguration nicht.

Die ChatGPT-Anmeldung nutzt den Zugang aus deinem Abonnement. Bei der Anmeldung mit API-Schlüssel wird stattdessen dein OpenAI-Platform-Konto belastet. Mit Terra kann dein Abo-Kontingent für mehr Aufgaben reichen. Aus API-Preisen lässt sich aber keine feste Zahl enthaltener Aufgaben ableiten.

Terra unterstützt außerdem den Fast-Modus in Codex, soweit verfügbar. Du aktivierst ihn mit /fast. Für enthaltene Abo-Limits gilt ein Verbrauchsfaktor von 2.5× gegenüber Standard. Für gekaufte Credits und nutzungsabhängige Enterprise-Nutzung gilt 2× Standard.

Terra über die Responses API aufrufen

Nutze für eine Anwendung oder einen Agenten die Responses API. Terra setzt diese Schnittstelle für Tool-Aufrufe voraus.

Die Modellreferenz nennt mit Stand 2026-10-27 folgende Werte:

Einstellung	Dokumentierter Wert
API-Modell-ID	`gpt-6.1-terra`
`reasoning.effort`	`none`, `low`, `medium`, `high`, `xhigh`, `max`
Standardwert für Reasoning in der API	`medium`
Kontextfenster	1,050,000 tokens
Maximale Ausgabe	128,000 tokens
Wissensstand bis	2026-06-01
Ein- und Ausgabe	Text und Bilder als Eingabe; Text als Ausgabe
Schnittstelle für Tool-Aufrufe	Responses API

Das Kontextfenster der API legt nicht fest, wie viel Kontext du in Codex nutzen kannst. Codex erhält Kontextlimits und weitere Einstellungen aus seinem Modellkatalog. Prüfe die Kontextanzeige deiner Sitzung, bevor du eine Programmieraufgabe mit einer Million Tokens planst.

Für einen direkten API-Test brauchst du einen OpenAI-Platform-Schlüssel, verfügbare API-Abrechnung, Bash, ein aktuelles curl und jq. Füge den Schlüssel ein, sobald read auf die Eingabe wartet, und drücke Enter:

set -o pipefail
read -rs OPENAI_API_KEY && export OPENAI_API_KEY

curl --silent --show-error --fail-with-body \
  https://api.openai.com/v1/responses \
  --header "Authorization: Bearer ${OPENAI_API_KEY}" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "gpt-6.1-terra",
    "reasoning": {"effort": "medium"},
    "service_tier": "default",
    "max_output_tokens": 4096,
    "prompt_cache_options": {"mode": "explicit"},
    "store": false,
    "input": "Fix this Python function so empty input returns None, then provide two pytest tests: def first(xs): return xs[0]"
  }' |
  jq '{
    id, model, status, service_tier,
    text: ([.output[]? | select(.type == "message")
      | .content[]? | select(.type == "output_text") | .text] | join("\n")),
    usage, error, incomplete_details
  }'

Das Beispiel folgt dem Anfrageformat der Responses API. Der Filter extrahiert Text aus den Nachrichtenelementen im Array output.

Bei Erfolg hat status den Wert completed. Unter text findest du den erzeugten Code samt Tests und unter usage die Tokenzahlen. Die Anfrage ist synchron und benötigt deshalb keine regelmäßigen Statusabfragen.

Das Beispiel wählt Standard-Verarbeitung ausdrücklich aus. Es setzt außerdem explizites Caching ohne Breakpoints, also ohne gesetzte Cache-Grenzen. Dadurch entstehen für diese Anfrage keine Cache-Schreibvorgänge.

Prüfe bei einem unvollständigen Ergebnis incomplete_details. Das Ausgabelimit umfasst auch Reasoning-Tokens. Ein kleines Limit kann deshalb ausgeschöpft sein, bevor die Antwort fertig ist. Suche bei HTTP-Fehlern den dokumentierten Fehlercode. Authentifizierungsfehler, aufgebrauchte Credits und Ratenlimits verlangen unterschiedliche Lösungen.

Ergänze für Computer use die Laufzeitumgebung aus der Anleitung zur Computerbedienung. Deine Anwendung muss erlaubte Aktionen ausführen und aktualisierte Screenshots zurückgeben. Die Textanfrage oben steuert keinen Browser und keinen Desktop.

Die API-Kosten von GPT-6.1 Terra berechnen

Berechne jede Anfrage anhand normaler Eingabe, Cache-Lesevorgängen, Cache-Schreibvorgängen und abgerechneter Ausgabe. Nur den sichtbaren Antworttext zu zählen, unterschätzt den Verbrauch eines Reasoning-Modells.

Die folgenden direkten OpenAI-Standard-Preise gelten in USD pro Million Tokens. Sie wurden am 2026-10-27 geprüft:

Tokenkategorie	Anfragen mit höchstens 272,000 Eingabe-Tokens	Anfragen mit mehr als 272,000 Eingabe-Tokens
Normale Eingabe	$1.00	$2.00
Aus dem Cache gelesene Eingabe	$0.05	$0.10
Cache-Schreibvorgänge, 30 Minuten Aufbewahrung	$1.25	$2.50
Cache-Schreibvorgänge, 12 Stunden Aufbewahrung	$2.50	$5.00
Ausgabe	$5.00	$7.50

Die Preisregeln des Modells wenden den Aufpreis für langen Kontext auf die gesamte Anfrage an. Auch Cache-Lese- und Cache-Schreibvorgänge erhalten den Eingabemultiplikator.

Eine Kostenschätzung für 100,000 normale Eingabe-Tokens und 10,000 abgerechnete Ausgabe-Tokens ergibt:

(100,000 × $1.00 + 10,000 × $5.00) / 1,000,000 = $0.15

Bei Sols Tarifen von $2 für die Eingabe und $10 für die Ausgabe kostet dieselbe Tokenmenge $0.30. Dieser Vergleich setzt gleiche Tokenzahlen voraus. Bei einer echten Programmieraufgabe können die Modelle unterschiedlich viele Tokens verbrauchen.

Diese Beispiele setzen Standard-Verarbeitung ohne regionalen Aufpreis und ohne zusätzliche Tool- oder Hostingkosten voraus. Steuern und Gateway-Gebühren kommen gegebenenfalls hinzu. Die abgerechnete Ausgabe umfasst auch Reasoning-Tokens.

Was passiert oberhalb von 272K Eingabe-Tokens?

Sobald eine Anfrage mehr als 272,000 Eingabe-Tokens enthält, ändern sich die Tarife für die gesamte Anfrage. Der Aufpreis betrifft nicht nur die Tokens oberhalb der Grenze.

Für geschätzte 300,000 normale Eingabe-Tokens und 10,000 abgerechnete Ausgabe-Tokens ergibt sich:

(300,000 × $2.00 + 10,000 × $7.50) / 1,000,000 = $0.675

Der Eingabetarif verdoppelt sich, während der Ausgabetarif um 50% steigt. Prüfe in einer langen Agentensitzung jede Anfrage einzeln. Der angesammelte Gesprächsverlauf kann die Grenze überschreiten, obwohl die jüngste Anweisung kurz ist.

Behalte nur Kontext, den der nächste Schritt braucht. Vergleiche die Tokenzahlen und die Qualität des Ergebnisses, bevor du ein größeres Kontextbudget wählst.

Wie berechnest du Cache-Schreibvorgänge?

Behandle Cache-Schreibvorgänge als eigene Eingabekategorie. Die genannten Tarife enthalten bereits die Verarbeitung dieser Tokens. Addiere dafür nicht nochmals die normalen Eingabekosten.

Die Anleitung zum Prompt-Caching beschreibt diese Felder:

usage.input_tokens: gesamte Eingabe.
usage.input_tokens_details.cached_tokens: abgerechnete Cache-Lesevorgänge.
usage.input_tokens_details.cache_write_tokens: abgerechnete Cache-Schreibvorgänge.

Die normale Eingabe entspricht der gesamten Eingabe abzüglich gelesener und geschriebener Cache-Tokens. Nutze bei unterschiedlichen Aufbewahrungszeiten cache_write_tokens_details.ttl_30m_tokens und ttl_12h_tokens.

Eine Anfrage, die 100,000 Tokens für 30 Minuten in den Cache schreibt und 10,000 Ausgabe-Tokens erzeugt, kostet geschätzt:

(100,000 × $1.25 + 10,000 × $5.00) / 1,000,000 = $0.175

Eine spätere Anfrage mit 100,000 aus dem Cache gelesenen Tokens und derselben Ausgabe kostet $0.055. Diese Ersparnis setzt voraus, dass das Präfix übereinstimmt und für eine erneute Nutzung infrage kommt.

Setze für wiederverwendbaren Kontext prompt_cache_options.ttl auf "30m" oder "12h". Bei wechselndem Kontext ohne Wiederverwendung können explizite Breakpoints unnötige Schreibvorgänge vermeiden.

Wann ändern Batch, Flex und Fast die Rechnung?

Nutze vergünstigte Verarbeitung für Arbeiten, die Verzögerungen vertragen. Bleibe beim interaktiven Programmieren bei Standard, sofern schnellere Verarbeitung den Aufpreis nicht rechtfertigt.

Stand 2026-10-27 gilt:

Batch: Die Tokenpreise liegen 50% unter Standard. Die Batch API verarbeitet asynchrone Aufträge mit einem Abschlussfenster von 24 Stunden.
Flex: Die Tokenpreise liegen 50% unter Standard. Setze service_tier auf "flex" für langsamere Verarbeitung mit möglicherweise nicht verfügbaren Ressourcen.
Fast: Die Tokenpreise betragen 2× Standard. Setze service_tier auf "fast" und prüfe die zurückgegebene Stufe, wie in der Fast-Anleitung beschrieben.

Regionale Verarbeitung kostet, soweit verfügbar, 10% zusätzlich. Diese API-Gebühren sind von den Verbrauchsmultiplikatoren des Codex-Abo-Kontingents getrennt.

OpenRouter mit eigener Modell-ID und Gebühren nutzen

Nutze OpenRouter, wenn es zu deinem bestehenden Routing und deiner Abrechnung passt. Terra ist dort bestätigt verfügbar. Die Modell-ID und der Umgang mit dem Gesprächszustand unterscheiden sich jedoch vom direkten OpenAI-Zugang.

Stand 2026-10-27 bestätigt der OpenRouter-Katalog Terra. Für die beiden Zugangswege gelten folgende Kennungen und Adressen:

Zugangsweg	Modell-ID	Vollständige Responses-URL
OpenAI direkt	`gpt-6.1-terra`	`https://api.openai.com/v1/responses`
OpenRouter	`openai/gpt-6.1-terra`	`https://openrouter.ai/api/v1/responses`

Verwende deinen eigenen Schlüssel des gewählten Anbieters mit Bearer-Authentifizierung. Für einen OpenRouter-SDK-Client lautet die Basis-URL https://openrouter.ai/api/v1.

OpenRouter nennt pro Million Tokens $1 für Eingabe, $5 für Ausgabe, $0.05 für Cache-Lesevorgänge und $1.25 für Cache-Schreibvorgänge. Sein Katalog legt höhere Tarife für mehr als 272,000 Prompt-Tokens gesondert fest: entsprechend $2, $7.50, $0.10 und $2.50.

Die Responses-Schnittstelle von OpenRouter ist zustandslos. Sende den Gesprächsverlauf mit jeder Anfrage. store: true oder ein previous_response_id, das nicht null ist, führt zu HTTP 400.

Berücksichtige bei deinen Ausgaben auch die Aufladegebühr. OpenRouter Standard berechnet beim Kauf von Credits 5.5%. Bei Kartenzahlungen gilt eine Mindestgebühr von $0.80.

Zum Beispiel kosten Standard-Credits im Wert von $100 vor anfallenden Steuern $105.50. 100 der zuvor berechneten Anfragen zu je $0.15 verbrauchen $15 an Modell-Credits. Anteilig auf diese Nutzung umgelegt ergibt die Aufladegebühr:

100 × $0.15 × 1.055 = $15.825, also ungefähr $15.83.

Das ist eine Ausgabenschätzung mit anteilig verteilter Gebühr. Die Gebühr fällt beim Aufladen an, nicht bei jeder Anfrage. Bei einem kleineren Kauf von $10 greift die Mindestgebühr von $0.80. Eine unveränderte Verteilung mit 5.5% wäre dafür falsch.

Prüfe vor dem Umzug eines bestehenden Agenten, wie er den Zustand verwaltet und welche Tools er benötigt. Eine kompatible Textanfrage belegt nicht, dass jedes Tool in seiner Schleife ebenfalls kompatibel ist.

Terra Aufgaben mit klarer Abnahme zuweisen

Übertrage zunächst eine klar begrenzte Aufgabenart an Terra und miss das vollständige Ergebnis. Behalte dein bisheriges Modell für Arbeiten, die wiederholte Interpretation oder Integration erfordern.

Lass Sol bei einer UI-Regression das fehlerhafte Verhalten und die Abnahmeprüfung festlegen. Gib Terra die betroffene Komponente, den passenden Testbefehl und das erwartete sichtbare Ergebnis. Lass Sol den Patch prüfen und Änderungen übernehmen, die mehrere Komponenten betreffen.

Diese Aufteilung ist eine Workflow-Empfehlung aus den vorliegenden Programmierergebnissen. Die genannten Benchmarks haben keinen Sol-Koordinator mit Terra-Unteragenten getestet.

Miss die gesamten Inferenzkosten über den ersten Versuch, weitere Versuche und die Prüfung durch ein Modell. Teile diese Kosten durch die Zahl akzeptierter Ergebnisse. Erfasse die menschliche Prüfzeit getrennt. Halte außerdem fest, ob der erste Versuch bestanden hat und wie lange die gesamte Aufgabe dauerte.

Terras niedrigerer Tokenpreis hilft nur, wenn sich diese Gesamtwerte verbessern. Muss Sol eine Aufgabenart regelmäßig nachbessern, weise sie direkt Sol zu. Verlange für wiederholbare Computer-use-Aufgaben einen sichtbaren Endzustand, den deine Anwendung prüfen kann, bevor sie den Abschluss akzeptiert.