Qué hay detrás de GPT-6.1 Terra: menos alucinaciones y mejor comprensión visual del ordenador
OpenAI presenta GPT-6.1 Terra, con menos alucinaciones, mejor comprensión visual y salvaguardias de ciberseguridad frente al modelo GPT-6 Astra.
OpenAI ha presentado GPT-6.1 Terra, una actualización de su familia de modelos eficientes orientada a tareas cotidianas. La compañía sostiene que el nuevo modelo entiende mejor lo que aparece en pantalla, comete menos errores y estrena salvaguardias alineadas con las de GPT-6 Astra.
Según el comunicado de la empresa, GPT-6.1 Terra supera en 15 puntos a su predecesor en Agents' Last Exam, una prueba de referencia de tareas profesionales, y iguala el rendimiento de GPT-6 Astra. Lo hace con un coste por token de una décima parte del modelo más avanzado de la firma.
Uno de los datos más llamativos es la reducción de errores factuales. En una prueba interna con un esfuerzo de razonamiento bajo, la tasa de error baja del 53,6 % de GPT-5.6 Terra al 16,7 % de la nueva versión, casi 37 puntos porcentuales menos.
Las mejoras en comprensión visual permiten al modelo rellenar formularios, interpretar planos técnicos o editar vídeo con mayor precisión. Para empresas y profesionales, esto amplía los casos de uso de los agentes que operan directamente sobre interfaces de escritorio.
La compañía también afirma que el modelo alcanza el umbral crítico en ciberseguridad definido en su Marco de preparación, lo que obliga a reforzar las protecciones. Este punto es relevante para reguladores y responsables de seguridad, que observan con atención cómo las capacidades de los modelos crecen más rápido que los marcos de control.
En el plano económico, la estrategia de precios sitúa el modelo en 1 dólar por millón de tokens de entrada y 5 dólares por millón de salida, con una tarifa reducida para tokens en caché. Su disponibilidad en los planes Plus, Pro, Enterprise y Edu sugiere una apuesta por integrarlo en el trabajo diario de empresas y centros educativos.
El lanzamiento confirma una tendencia clara: los modelos eficientes compiten ya por su utilidad práctica y por su fiabilidad, no solo por su potencia. El próximo reto será verificar de forma independiente las cifras de reducción de errores y comprobar si estas mejoras se sostienen fuera de las pruebas internas de la compañía.