Тест GPT-6.1 Terra в Codex: уровни low–xhigh почти не влияют на цену

GPT-6.1 Terra протестировали в Codex CLI на двух наборах задач при четырёх уровнях рассуждений. Low, medium и high различались по стоимости раунда не более чем на 7%, xhigh дороже medium в 1,07 раза на лёгком наборе и в 1,49 раза на сложном. Все уровни решили сложный набор полностью, единственный промах — один прогон low на лёгком наборе.

• Low, medium и high: разница в цене раунда не более 7% на обоих наборах
• Xhigh дороже medium в 1,07 раза на лёгком наборе и в 1,49 раза на сложном
• Сложный набор: все 9 прогонов верны на каждом уровне, включая 8 скрытых тестов
• Low ошибся в 1 из 9 прогонов лёгкого набора: площадь 7 799 вместо 8 999 мм²