Terra 6.1非常出色，但仅限某些狭窄的使用场景

OpenAI的Terra 6.1是一次有趣的发布，因为它凸显了AI的经济学，以及这些经济学在基准测试中如何被捕捉和遗漏。YMMV（因人而异）是理解人们为何爱它或恨它的关键。论坛上充斥着关于Terra毫无意义、糟糕透顶和惊艳无比的抱怨，而这些评价同时存在。失望通常来自那些知道Sol 6.1略微落后于Opus 5.5、本希望缩小差距却得到一个“更差”模型的用户。另一些人则希望以更低成本获得Sol的质量，结果发现Terra仍然落后于Sol——这并不令人意外——但有些人发现它足够好且足够便宜，能满足他们（通常是编程）的需求。我发现Terra很好地解决了我一个棘手的问题：我需要在智能和成本之间取得精细平衡。这涉及两次连续的API调用。我发现Terra能在第一次调用中一次性完成大量繁重工作，而且比次优选项Luna（max）更便宜。第二次后续调用可以由Luna（low）处理，这是最便宜的方案，但仅限于简单直接的任务。基准测试无法很好地捕捉的是任务之间的差异及其影响。对于我的Terra任务而言，我能以低于小模型max设置的成本将其转移到更大模型的低设置上，这带来了实实在在的收益。我预计它在功能性和非功能性表现上也会更好。长推理链需要时间，而且有时（在我的用例中确实如此）必须弥补世界知识的局限，也就是说，较小的模型无论智能程度如何，其神经网络中存储的信息都更少。