Você acorda numa segunda-feira, abre o ChatGPT e percebe que tem um modelo novo disponível. Acontece com uma frequência quase irritante, né? Só que dessa vez vale a pena prestar atenção. O GPT-6.1 Terra, lançado pela OpenAI em 26 de outubro de 2026, não é só mais um bump de versão: é um modelo que vê sua tela, executa ações nos seus aplicativos e custa literalmente a metade do que o antecessor cobrava.

Eu sei, eu sei. “Mais um modelo de IA” já virou meme no meio dev. Mas quando um modelo consegue reduzir erros factuais de 53,6% para 4,3% no esforço máximo e ainda cortar o preço pela metade, isso muda a conta de qualquer projeto que depende de LLM em produção.

Vamos aos números, que é o que importa.

O que é o GPT-6.1 Terra, na prática

O Terra faz parte da família GPT-6.1 da OpenAI, posicionado como o modelo de custo-benefício da linhagem. Se a nomenclatura te confunde (e confunde todo mundo), pense assim: Sol é o premium, Astra é o flagship de raciocínio, e Terra é o que entrega 90% da qualidade por uma fração do preço.

O model ID na API é gpt-6.1-terra. Aceita texto e imagens como input, gera apenas texto como output. O knowledge cutoff é 1 de junho de 2026, então ele sabe sobre praticamente tudo que aconteceu no primeiro semestre deste ano.

Algumas specs que importam:

Um milhão de tokens de contexto. Isso é basicamente um livro inteiro, ou uma codebase de projeto médio, numa única chamada. E antes que alguém pergunte: sim, funciona com imagens. Você manda um screenshot e ele interpreta, analisa, e pode até executar ações baseadas no que vê.

Preço: a parte que dói menos

Vou ser direto porque esse é o ponto que mais vai interessar quem já coloca LLM em produção:

Metade. Exatamente metade do preço do GPT-5.6 Terra e do GPT-6.1 Sol. E tem mais: tokens cacheados saem por US$ 0,05 por milhão. Se sua aplicação faz muitas chamadas repetitivas (chatbots com system prompt grande, por exemplo), o custo real vai ficar absurdamente baixo.

Para contextos longos acima de 272.000 tokens de input, o preço dobra no input/cache e o output sobe para US$ 7,50 por milhão. Ainda assim, é mais barato que praticamente qualquer alternativa na mesma faixa de qualidade.

Fazendo as contas: um agente que processava 10 milhões de tokens por dia no GPT-5.6 Terra gastava US$ 120/dia (US$ 20 input + US$ 100 output). No GPT-6.1 Terra, cai para US$ 60/dia. São US$ 1.800 por mês de economia. Multiplica isso por 10 agentes e você entende por que o mercado reagiu.

Benchmarks: os números que a OpenAI quer que você veja

Benchmark é sempre um jogo de “cherry-picking”, eu sei. Mas alguns resultados do GPT-6.1 Terra são difíceis de ignorar:

O destaque aqui é o Agents’ Last Exam no esforço médio: 57,6% a US$ 0,29 por task. O GPT-5.6 Terra precisava gastar US$ 1,40 para chegar perto disso. São 15 pontos percentuais a mais por um terço do custo.

No OSWorld 2.1 (teste de computer use em ambiente real), o Terra atinge 74,2% no esforço máximo. Isso significa que em quase 3 de cada 4 tarefas de automação de desktop, ele acerta. Não é perfeito, mas é suficiente para automatizar workflows repetitivos com supervisão humana.

Onde o Terra perde

Transparência importa, então vamos ao que ele não faz tão bem:

O Claude Sonnet 5.5 da Anthropic ainda ganha no OSWorld 2.1 (83,9% contra 74,2%) e no Terminal-Bench 4.0 (70,6% contra 50,3%). Se o seu caso de uso é automação pesada de terminal ou computer use de alta precisão, o Sonnet continua sendo a referência.

O GPT-6.1 Sol marca 52 no Intelligence Index contra 48 do Terra. Se você precisa do melhor resultado absoluto sem se importar com custo, Sol ainda é superior. Mas a diferença de 4 pontos raramente justifica pagar o dobro.

E o GPT-6 Astra continua imbatível no Agents’ Last Exam com 59,3% no esforço médio, só que custa 10x mais por token. É a Ferrari que ninguém quer estacionar no dia a dia.

Alucinações: de 53,6% para 4,3%

Esse é, sem dúvida, o número mais impressionante do lançamento. Em prompts difíceis, a taxa de erros factuais do GPT-5.6 Terra no esforço baixo era de 53,6%. Traduzindo: mais da metade das respostas continha informação errada.

O GPT-6.1 Terra no esforço baixo já reduz isso para 16,7%. No esforço máximo, despenca para 4,3%. Estamos falando de uma redução de 37 pontos percentuais no pior cenário e quase 50 pontos no melhor.

No benchmark AA-Omniscience, o GPT-6.1 Terra “chuta” em 38% dos casos quando não sabe a resposta. O GPT-5.6 Terra? Chutava em 88% das vezes. Ou seja, o novo modelo aprendeu algo que muitos devs ainda não aprenderam: falar “não sei” quando realmente não sabe.

Para quem usa LLM em aplicações que interagem com usuários finais (suporte, FAQ, assistentes), essa queda na alucinação vale mais que qualquer ponto de benchmark. Resposta errada com confiança é o pior cenário possível em produção.

Computer use: o Terra vê sua tela e age

A feature que mais está gerando buzz é o computer use. O GPT-6.1 Terra consegue:

• Analisar screenshots e entender o contexto visual
• Identificar elementos de interface (botões, campos, menus)
• Planejar e executar sequências de ações em aplicativos
• Navegar entre diferentes apps mantendo o contexto da tarefa

Na prática, isso significa que você pode mandar um screenshot de um formulário e pedir “preenche isso com os dados do cliente X”, e o modelo entende a estrutura visual, identifica os campos e gera as ações necessárias.

O OSWorld 2.1 é justamente o benchmark que testa isso, e o Terra marca 74,2% no esforço máximo. Não é mágica, não vai substituir RPA complexo, mas para automações simples e repetitivas, funciona bem o suficiente.

from openai import OpenAI
import base64

client = OpenAI()

# Enviar screenshot para análise
with open("screenshot.png", "rb") as f:
    img_b64 = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="gpt-6.1-terra",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Analise essa tela e me diga quais campos preciso preencher para criar um novo usuário."
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{img_b64}"
                    }
                }
            ]
        }
    ],
    reasoning_effort="medium"
)

print(response.choices[0].message.content)

Reasoning effort: 6 níveis de “pensar mais”

Uma das features mais subestimadas do Terra é o controle granular de reasoning effort. São 6 níveis: none, low, medium, high, xhigh e max.

Por que isso importa? Porque nem toda task precisa do mesmo nível de raciocínio. Um parsing simples de JSON pode rodar em low gastando centavos. Uma análise complexa de código pode usar max e gastar mais, mas com resultado muito superior.

A diferença entre medium e max é de apenas 2,4 pontos, mas o custo triplica. Na maioria dos casos, medium é o sweet spot. Reserva max para quando errar não é opção.

# Exemplo: ajustando reasoning effort por tipo de tarefa
def classificar_tarefa(descricao: str) -> str:
    """Retorna o reasoning effort ideal para o tipo de tarefa"""
    tarefas_simples = ["formatar", "extrair", "listar", "converter"]
    tarefas_complexas = ["analisar", "comparar", "debugar", "arquitetar"]

    descricao_lower = descricao.lower()

    if any(t in descricao_lower for t in tarefas_simples):
        return "low"
    elif any(t in descricao_lower for t in tarefas_complexas):
        return "high"
    else:
        return "medium"

# Uso na API
effort = classificar_tarefa("analisar logs de erro do último deploy")
response = client.chat.completions.create(
    model="gpt-6.1-terra",
    messages=[{"role": "user", "content": prompt}],
    reasoning_effort=effort  # "high" nesse caso
)

Para quem o Terra faz sentido (e para quem não faz)

Vou ser prático:

Use o GPT-6.1 Terra se:

• Seu projeto precisa de um LLM decente a custo controlado
• Você processa grandes volumes de texto (o cache a US$ 0,05/M tokens é absurdo de barato)
• Precisa de computer use/vision para automações básicas
• A taxa de alucinação importa mais que performance bruta em raciocínio
• Quer um upgrade drop-in do GPT-5.6 Terra sem mudar código

Não use o Terra se:

• Precisar do melhor resultado absoluto em coding (Sol ou Claude Sonnet 5.5 ganham)
• Seu caso de uso é automação pesada de terminal/CLI (Terminal-Bench: 50,3% vs 70,6% do Sonnet)
• Budget não é problema e você quer o máximo (Astra existe por uma razão)
• Precisa gerar imagens (Terra só analisa, não cria)

O contexto maior: a guerra de preços das LLMs

O lançamento do Terra não acontece no vácuo. Nos últimos meses, vimos uma corrida brutal de corte de preços no mercado de LLMs. Modelos open-weight como o DeepSeek V4 estão estabelecendo um piso de preço que força players como OpenAI e Anthropic a competir por eficiência.

A estratégia da OpenAI com o Terra é clara: dominar o mid-market. Nem todo mundo precisa (ou pode pagar) um Astra. Nem todo mundo quer lidar com a complexidade de hospedar um modelo open-weight. O Terra ocupa esse espaço entre “bom o suficiente” e “absurdamente caro” com competência.

O dado mais revelador? Em testes internos da Kingy AI, o Terra completou 10 de 10 tarefas objetivas (extração de invoice, coding, SQL, leitura de gráficos) no formato exato solicitado, gastando US$ 0,0203 em créditos de API para 12 chamadas. O Sol gastou US$ 0,0380 para o mesmo resultado. Quase o dobro do custo para resultado idêntico.

Isso nos leva à pergunta incômoda que ninguém na OpenAI vai responder: se o Terra faz o que o Sol faz por metade do preço, por que alguém pagaria pelo Sol?

A resposta curta: edge cases. O Sol ainda é superior em tarefas que demandam raciocínio profundo e multi-step. Mas para 80% dos casos de uso em produção, a diferença é imperceptível.

Como migrar do GPT-5.6 para o GPT-6.1 Terra

Se você já usa o GPT-5.6 Terra na API, a migração é trivial. Literalmente mude o model ID:

# Antes
response = client.chat.completions.create(
    model="gpt-5.6-terra",
    messages=messages
)

# Depois
response = client.chat.completions.create(
    model="gpt-6.1-terra",
    messages=messages,
    reasoning_effort="medium"  # opcional, mas recomendado
)

Compatibilidade de API é total. Mesmos endpoints, mesmos parâmetros, mesmos formatos de resposta. O reasoning_effort é o único parâmetro novo que vale a pena adicionar.

Uma dica: se você usa prompts com few-shot examples extensos, o cache de tokens do Terra vai cortar seu custo drasticamente. System prompts e exemplos fixos serão cacheados a US$ 0,05/M tokens na segunda chamada em diante. Para chatbots com system prompts de 5.000+ tokens, isso é uma economia significativa em escala.

Disponibilidade

O GPT-6.1 Terra está disponível para:

• ChatGPT Plus, Pro, Enterprise e Edu (via ChatGPT Work e Codex)
• API com o model ID gpt-6.1-terra

Não há menção de acesso no tier gratuito por enquanto. Se você precisa testar antes de integrar, o plano Plus (US$ 20/mês) dá acesso direto ao modelo no ChatGPT.

O veredito de quem já testou

As reações da comunidade dev estão divididas, como sempre. Os entusiastas destacam o corte de preço e a redução brutal de alucinações. Os céticos questionam se a OpenAI está apenas fazendo catch-up com o que modelos open-weight já entregavam em custo.

Um ponto de consenso: o Terra está substituindo o Sol em vários pipelines de produção. Code review, integração contínua, CI review com alta dificuldade de raciocínio: tudo isso está migrando para o Terra porque o resultado é equivalente por metade do preço.

A pergunta certa não é “o Terra é o melhor modelo?” (não é). A pergunta é: “o Terra entrega o suficiente para o meu caso de uso por um preço que fecha a conta?” Para a maioria dos devs e empresas, a resposta é sim.

E isso, no fim, é o que importa. Não o benchmark mais alto, não a janela de contexto mais longa, não o marketing mais bonito. O que importa é: resolve meu problema sem quebrar meu orçamento? O GPT-6.1 Terra resolve.

Fonte de inspiração: Introducing GPT-6.1 Terra