/// Signal

GPT-6.1 Terra coupe le prix en deux — et son coût par tâche ne se recalcule pas

Le fait : OpenAI a publié GPT-6.1 Terra le 26 octobre 2026 — son journal de l’API écrit « Released GPT-6.1 Terra, a fast, efficient model for visual reasoning, precise computer use, and clear, natural writing ». L’annonce donne le tarif : « Standard API pricing is $1 per million input tokens, $0.05 per million cached input tokens, and $5 per million output tokens », soit la moitié de GPT-6.1 Sol — et, comparé au prix d’Astra, qui vient de The Register et non d’une page d’OpenAI, un dixième de GPT-6 Astra. Le fait nouveau n’est pourtant pas là. La même annonce met en avant un coût par tâche — « resulting in a ~9x lower cost per task » — et ce chiffre ne se recalcule pas à partir des deux grandeurs qu’elle donne dans la même phrase : trois fois moins de jetons pour quatre fois moins chers, cela fait douze, pas neuf. Tout le dossier tient dans cet écart : un prix vérifiable, une revendication de performance qui vient du vendeur, et un facteur de coût qui n’obéit pas à son propre calcul.

Ce qui est mesuré, d’abord, et qui ne dépend d’aucune interprétation. L’annonce donne le barème complet de Terra — 1 dollar l’entrée, 0,05 dollar l’entrée mise en cache et 5 dollars la sortie par million de jetons — et la fiche modèle ajoute 1,25 dollar pour l’écriture de ce cache, 1 050 000 jetons de contexte, 128 000 jetons de sortie et une date de connaissance au 1er juin 2026. Le journal de l’API date la sortie du 26 octobre. Et l’annonce borne elle-même la comparaison : « Its standard API prices are 50% lower than those of GPT-5.6 Terra and GPT-6.1 Sol ». La gamme se lit donc en quatre marches, et il faut dire d’où vient chaque prix, parce qu’ils ne viennent pas tous du même endroit. Terra : l’annonce et sa fiche. GPT-6.1 Sol : le journal de l’API, « $2 input, $0.10 cached input, $2.50 cache write, and $10 output ». GPT-6 Luna : le même journal, « $0.10 input, $0.01 cached input, and $0.50 output ». GPT-6 Astra, en revanche, n’a de prix dans aucune des pages d’OpenAI que nous avons lues : les 10 et 50 dollars sont ceux que relève The Register. Les trois rapports que nous avons recalculés tombent juste — Terra est la moitié de Sol, le dixième d’Astra, dix fois Luna — mais un seul des deux termes du rapport à Astra est officiel, et c’est une raison de plus de le vérifier soi-même.

La revendication de performance, ensuite, et elle est plus prudente que les titres. OpenAI écrit : « At medium reasoning effort, GPT-6.1 Terra scores 15 percentage points higher than GPT-5.6 Terra at about one-third the cost ». Puis la phrase qui a fait le tour : « It even performs on par with GPT-6 Astra at only one-tenth its price per token ». Trois précautions l’accompagnent, et elles disparaissent à la reprise. Le banc : les 15 points sont mesurés sur Agents’ Last Exam, dont l’annonce donne deux exemples — transformer des plans d’architecte en modèle 3D, annoter un film d’animation image par image pour une équipe de restauration. Le régime : « at medium reasoning effort », pas à effort maximal. Et la portée : sur MMMU-Pro, OpenAI écrit plus prudemment que Terra « nearly matches » Astra et Sol. Surtout, le fournisseur écrit lui-même, dans la même page, ce que la presse n’a pas retenu : « For the most complex coding tasks, GPT-6.1 Sol and GPT-6 Astra remain the better choice » — et, dans le même document, l’élément de sûreté que la presse n’a pas relevé : GPT-6.1 Terra « meets the Critical threshold in cybersecurity under our Preparedness Framework » C’est plus solide que n’importe quel commentaire, et cela date la phrase : « on par with GPT-6 Astra » vaut sur un banc de tâches professionnelles, pas sur les tâches les plus difficiles du codage.

Deux lectures tierces, que le dossier portait et que l’article doit citer. Artificial Analysis, un site qui suit performance et coût, juge que Terra « is the first Terra-class model since GPT-5.6, and is more intelligent for less than a third of the cost ». Et un ingénieur d’OpenAI, Ted Sanders, commente la sortie sur Hacker News, cité par The Register : « Terra is probably better than Astra and Sol at technical communication, similar on vision and computer use (but much faster!), and a bit worse on most other things. » Il ajoute, pour les abonnés : « it’s not a bombshell release ». Il ne parle en revanche ni de date de connaissance ni de calendrier : c’est The Register qui écrit, de son propre chef, que Terra est « the most up-to-date of its model family » parce que sa date de connaissance — le 1er juin 2026 — est plus récente que celle d’Astra et de Sol, arrêtées au 30 avril. La distinction vaut d’être faite, et elle ne vient pas du vendeur. Elle n’est pas la seule raison non tarifaire de préférer Terra : OpenAI revendique aussi la vitesse — « completing tasks over three times faster than both GPT-6 Astra and GPT-6.1 Sol » —, et c’est peut-être, pour un usage quotidien, l’argument qui compte le plus.

Le coût par tâche, maintenant, et c’est là que le dossier se referme sur lui-même. La phrase complète d’OpenAI est celle-ci : « At max effort, Terra is over three times as token efficient as Claude Opus 5.5, and one-fourth its price per token, resulting in a ~9x lower cost per task. » Trois grandeurs y sont données : un rapport d’efficacité en jetons, un rapport de prix, et un rapport de coût par tâche. Les deux premiers se multiplient pour donner le troisième — c’est ce que veut dire un coût par tâche — et le produit ne tombe pas sur le chiffre annoncé. Trois fois moins de jetons pour quatre fois moins cher, cela fait douze fois moins de dépense par tâche ; pour obtenir neuf, il faudrait exactement deux virgule deux cinq fois moins de jetons. Aucun des trois nombres n’est faux pris isolément : c’est leur enchaînement qui ne tient pas. Il existe une lecture qui sauverait OpenAI, et il faut la poser avant de conclure : le rapport de trois fois moins de jetons est mesuré « at max effort » sur un jeu de tâches, et le ~9x sur un autre ; un rapport réel de deux fois et quart sur deux fois et quart, appliqué à quatre fois moins cher par jeton, donnerait bien neuf. L’annonce ne dit pas sur quelles tâches, et ne publie aucun tableau de coût par tâche — seulement un facteur. C’est donc l’invérifiabilité qui est établie, pas la contradiction : la contradiction n’existerait que si les trois nombres décrivaient la même mesure, et la page ne le dit pas. Le seul repère solide reste donc un tarif, avec sa limite écrite dans la fiche : au-delà de 272 000 jetons d’entrée, « prompts with more than 272K input tokens are priced at 2x input and cache rates and 1.5x output for the full request ». Le dollar par million n’est pas le prix de Terra ; c’est son prix d’entrée de gamme.

Ce que la presse ajoute, et qui ne tient pas à la vérification. 01net écrit que « cette version est 15% plus performante que la version précédente » : OpenAI dit quinze points de pourcentage, ce qui n’est pas la même grandeur, et 01net rattache lui-même le chiffre à Agents’ Last Exam — un banc que le fournisseur a choisi. Le même article qualifie Terra de « modèle dit intermédiaire (pas le moins cher, mais pas le plus puissant) », ce qui décrit bien la gamme mais n’est pas la formule d’OpenAI, laquelle parle de « a new balance of speed, capability, and cost » ; The Register écrit « mid-tier », paraphrase honnête. Enfin 01net affirme que GPT-5.6 Terra a vu sa sortie « suspendue par l’administration Trump au nom de la sécurité nationale ». Nous avons cherché Trump, suspend et national security dans les trois pages d’OpenAI du dossier : zéro occurrence. Cela ne prouve pas que l’affirmation soit fausse — un communiqué produit ne parle pas de politique — cela dit qu’aucune pièce du dossier ne la porte. Deux éléments datables existent pourtant dans le dossier : un ajustement de prix, « GPT-5.6 Terra costs 20% less », au 30 juillet dans le journal de l’API ; et, dans la page de 01net elle-même, la phrase « le modèle était enfin sorti », qui est un lien vers un article daté sur GPT-5.6 Terra. Aucun des deux ne tranche la suspension, mais dire qu’il n’y a rien de datable serait faux. Le fait reste non tranché, et il n’entre pas dans cet article.

Notre lecture, et le test qui va avec. Le mouvement de fond n’est pas ce modèle, c’est le prix, et Max Woolf, data scientist, le formule mieux que les communiqués : « The idea that token prices will suddenly rise is more a fantasy that is not supported by both behavioral economics and the actual trends of LLM prices going down significantly over the last few months for better models, and not just from OpenAI and Anthropic ». Sa mécanique est simple : tant que des fournisseurs peuvent facturer un jeton moins cher qu’il ne leur rapporte, ils se battent sur le prix, et les grands laboratoires suivent. Ce que cela change pour un créateur est très concret : ce qui coûtait trop cher à automatiser hier devient une option, et l’arbitrage se déplace du modèle vers la chaîne autour de lui. Mais un prix au jeton n’est pas un prix de revient, et c’est là que la réserve est entière : le seul chiffre que chacun puisse produire sans dépendre du vendeur est celui de sa propre facture. Le test du retour à la moyenne tient en une question, et elle sera tranchée par l’usage : dans six mois, ceux qui ont basculé sur Terra pour un dixième du prix d’Astra auront-ils constaté la même qualité sur leurs tâches à eux ? Si oui, l’écart de prix était la vraie information. Si non, c’est la mesure qui l’était.