GPT-6.1 Terra vs GPT-6.1 Sol comme runtime d'agent par défaut

Choisir entre GPT-6.1 Terra et GPT-6.1 Sol revient à un arbitrage simple : par token, Terra coûte deux fois moins cher que Sol et, d'après OpenAI, s'avère plus de trois fois plus rapide, tandis que Sol obtient un score de 54 contre 48 pour Terra sur un benchmark tiers d'agents de développement. OpenAI a lancé Terra le 26 octobre sous l'identifiant gpt-6.1-terra, comme nouvelle offre intermédiaire entre Sol et GPT-6 Luna.

Si vous n'utilisez qu'un seul agent de développement, choisissez le modèle auquel vous faites confiance et n'y pensez plus. Si vous en faites tourner une dizaine, la configuration par défaut pèse bien plus lourd que l'exception, car c'est elle qui détermine le coût de la majorité des étapes de vos agents. Cet article vous propose une règle de routage pour une Crew dans Sharkly : Terra par défaut pour les membres, Sol pour le leader et les tâches les plus complexes, ainsi que le coût pour 1 000 étapes d'agent selon chaque combinaison.

En résumé

Définissez GPT-6.1 Terra comme modèle d'exécution par défaut pour les membres de la Crew effectuant des tâches courantes de programmation, de rédaction et d'interaction avec l'ordinateur. Réservez GPT-6.1 Sol au leader de la Crew et aux tâches qui ont échoué deux fois sur Terra. Sur notre profil type d'étapes, une configuration 100 % Sol revient à 26,55 $ pour 1 000 étapes d'agent, le 100 % Terra à 13,28 $, et des membres sous Terra pilotés par un leader sous Sol coûtent 14,60 $. Une règle priorisant Terra avec escalade vers Sol reste plus économique qu'une approche tout-Sol tant que moins de la moitié de vos tâches font l'objet d'une escalade.

GPT-6.1 Terra vs GPT-6.1 Sol en un coup d'œil

Chaque ligne tarifaire est divisée par deux. Cela simplifie grandement l'équation financière et déplace le véritable enjeu sur la qualité : à quelle fréquence le score inférieur de Terra en développement entraîne-t-il une réexécution ?

Quelques spécificités tarifaires de Terra méritent d'être soulignées pour les boucles d'agents de longue durée. Les modes Batch et Flex coûtent moitié moins que le tarif catalogue, tandis que le mode Fast coûte le double. Une requête dépassant 272 k tokens en entrée est facturée au double pour l'entrée et le cache, et à 1,5 fois pour la sortie sur l'ensemble de la requête. La grille complète est consultable sur la page des tarifs d'OpenAI.

L'impact du modèle d'exécution par défaut

Le modèle d'exécution par défaut est celui qu'un agent emploie lorsque personne n'en spécifie un pour une exécution donnée. Au sein d'une Crew, il détermine le coût de l'immense majorité de vos étapes, le temps d'attente des tâches dans la file et le nombre de résultats soumis à révision chaque jour.

Une étape d'agent correspond ici à un appel de modèle au cours d'une boucle d'agent : lecture du contexte, réflexion, émission d'un appel d'outil ou d'une modification. Une seule tâche peut nécessiter des dizaines d'étapes. C'est pourquoi le calcul par étape est bien plus pertinent que par tâche pour comparer les environnements d'exécution : la durée d'une tâche varie énormément, contrairement à la structure d'une étape.

Coût pour 1 000 étapes d'agent

Pour comparer les différentes combinaisons, définissons une étape type : 30 k tokens en entrée, dont 85 % sollicitent le cache d'instructions, et 1 500 tokens en sortie incluant le raisonnement. Les longues boucles d'agents renvoient le même contexte de dépôt à chaque étape ; un taux de mise en cache élevé est donc classique une fois la session amorcée.

Aux tarifs catalogue avec facturation par clé d'API, une telle étape revient à 0,0133 $ sur Terra et 0,0266 $ sur Sol. Rapporté à 1 000 étapes :

Deux constats s'imposent. Tout d'abord, faire tourner le leader sous Sol ne coûte qu'environ 1,30 $ de plus pour 1 000 étapes par rapport à une configuration tout-Terra, car le rôle d'un leader est de planifier et de déléguer, ce qui représente une faible proportion des étapes. Ensuite, Terra avec un niveau d'effort supérieur reste moins cher que Sol par défaut : doubler les tokens de sortie sur Terra coûte moins cher que de changer de modèle.

Ces chiffres n'incluent pas les frais d'écriture en cache. Si vos Computers se connectent à l'aide d'un abonnement ChatGPT plutôt que d'une clé d'API, l'économie réalisée se traduit par un nombre plus élevé d'exécutions avant d'atteindre les quotas du forfait, plutôt qu'en dollars. D'après OpenAI, Terra est « disponible pour tous les utilisateurs Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex » ; les forfaits Free et Go n'y ont pas accès.

La règle de routage pour une Crew Sharkly

Dans Sharkly, une Crew est un groupe réutilisable d'humains et d'agents coordonné par un agent leader. L'exécution commence par le leader : celui-ci prend connaissance de la tâche et des instructions de la Crew, puis prend en charge le travail ou mentionne des agents membres pour des étapes précises. Cette structure s'articule parfaitement autour de deux environnements d'exécution.

1. Le leader sous GPT-6.1 Sol. Le leader interprète les objectifs ambigus et détermine qui intervient ensuite. Un plan erroné envoie tous les membres dans la mauvaise direction ; ce rôle bénéficie donc du modèle le plus performant. Notre guide du leader de Crew explique pourquoi ce poste est le plus économique à faire monter en gamme.
2. Les membres sous GPT-6.1 Terra avec un effort medium. Le développement courant, le refactoring, les tests, la documentation, la description des PR et les tâches d'interaction avec l'ordinateur débutent ici.
3. Escalade au second échec. Lorsqu'un membre sous Terra échoue deux fois sur une tâche, un humain la réassigne à la variante Sol. Ne laissez pas les agents déclencher une escalade d'eux-mêmes sur une simple intuition ; la décision doit rester visible sur la tâche.
4. Suivre les escalades par type de tâche. Si une catégorie de tâches, comme les migrations inter-services, fait l'objet d'une escalade systématique, routez-la directement vers Sol dès le départ.
5. Déléguer le tri à Luna. La labellisation et le tri initial peuvent descendre d'un cran ; le guide de GPT-6 Luna détaille cet usage.

Il s'agit d'une règle de départ, pas d'un résultat immuable de benchmark. Appliquez-la pendant un sprint et laissez votre propre taux d'escalade définir le bon équilibre.

Quand la stratégie Terra d'abord cesse d'être rentable

L'escalade a un coût : chaque tentative infructueuse sur Terra représente une dépense engagée avant même le début de l'exécution sous Sol. Évaluons le pire des scénarios, où la tentative sur Terra consomme autant d'étapes qu'une exécution complète sur Sol. Une exécution sous Sol coûte S. Une tentative sous Terra coûte 0,5S. Si une proportion f de tâches fait l'objet d'une escalade, le coût espéré par tâche s'élève à 0,5S + f fois S.

Ce montant égale le tout-Sol dès que f atteint 0,5. Prioriser Terra reste donc plus avantageux tant que moins de la moitié de vos tâches escaladent. Le même calcul s'applique aux exécutions plus longues : Terra demeure plus économique par tâche jusqu'à ce qu'il nécessite deux fois plus d'étapes que Sol pour aboutir.

Le seuil de rentabilité financière étant très élevé, la véritable contrainte réside généralement dans le temps humain. Chaque tentative échouée correspond à un diff potentiel à examiner, des logs à analyser ou une réassignation manuelle à effectuer. Si votre taux d'escalade dépasse les 20 % sur un type de tâche donné, basculez-le sous Sol, même si le calcul du coût en tokens penche toujours pour Terra.

La rapidité d'exécution influe également sur l'équation. Un modèle qui termine plus de trois fois plus vite libère l'ordinateur plus tôt, ce qui permet de lancer plus vite les tâches en file d'attente et d'en mener davantage à terme avant l'expiration des délais impartis.

Comment configurer cette règle dans Sharkly

Sharkly ne vend pas de tokens. Les exécutions sont facturées sur l'abonnement Codex ou sur la clé d'API rattachée au Runtime de chaque Computer. Assurez-vous donc d'abord que Terra y est bien accessible : CLI Codex 0.159.0 ou version ultérieure, puis codex -m gpt-6.1-terra dans un terminal.

Dans Sharkly, la documentation des agents précise qu'un agent « suit le modèle du Runtime par défaut », et la ligne Modèle vous permet d'en choisir un autre parmi le catalogue fourni par ce Runtime. Vous pouvez également définir le modèle dans les arguments personnalisés (Custom arguments) sur l'agent ou sur le Runtime.

Mettez en place la règle à l'aide de variantes plutôt qu'en modifiant directement la configuration existante. Voici un aperçu des trois configurations :

Agent "Codex, routine"   Custom arguments: --model gpt-6.1-terra   effort: medium
Agent "Codex, hard tail" Custom arguments: --model gpt-6.1-sol     effort: medium
Crew leader              Custom arguments: --model gpt-6.1-sol

La documentation cite le fait d'« utiliser un modèle par défaut différent » comme motif pour créer une variante d'agent : cela permet de conserver les instructions et les dépôts de code d'origine tout en surchargeant uniquement le modèle. Deux variantes préservent la lisibilité du tableau de bord, car chaque tâche indique clairement dans quelle voie elle a été exécutée. Pour un test ponctuel, le sélecteur de modèle au niveau de l'assignation surcharge le choix par défaut de l'agent pour cette seule exécution.

Sharkly conserve le contexte, la progression, les blocages, les résultats et la révision humaine sur la tâche, quel que soit le modèle utilisé, ce qui rend le calcul du taux d'escalade particulièrement simple et mesurable.

Ce qu'un modèle par défaut moins cher ne change pas

Terra réduit le coût de production d'une modification. En revanche, il ne diminue pas le coût de sa validation. Des exécutions deux fois moins chères et trois fois plus rapides risquent d'engorger la file d'attente de diffs en attente de revue humaine d'ici vendredi. Surveillez votre file de révision avant d'ajouter des membres ; notre article la révision humaine est le goulet d'étranglement aborde précisément cette problématique.

Cela ne résout pas non plus les problèmes les plus ardus. OpenAI recommande elle-même Sol ou GPT-6 Astra pour le développement le plus complexe, et l'écart de six points sur le Coding Agent Index va dans le même sens. La règle décrite ci-dessus réserve délibérément ces tâches à Sol.

Conclusion

Faites de Terra la règle et de Sol l'exception. Sur notre profil d'étapes types, cela divise presque la facture par deux par rapport à une configuration tout-Sol, tout en maintenant le leader et les tâches complexes sur le modèle le plus puissant. Fiez-vous au taux d'escalade plutôt qu'au prix par token pour décider quand faire basculer un type de tâche.

Prochaine étape : créez une variante Terra pour un agent Codex, intégrez-la dans une Crew pilotée par un leader sous Sol, et lancez un premier sprint. Sharkly est actuellement gratuit pour les organisations jusqu'à 5 personnes, comme indiqué sur la page des tarifs.

FAQ

GPT-6.1 Terra est-il meilleur que GPT-6.1 Sol en programmation ?

Non. Sol obtient 54 au Coding Agent Index d'Artificial Analysis et Terra 48. Terra l'emporte sur le prix et la vitesse, ce qui en fait un modèle idéal pour le code de routine plutôt que pour les tâches les plus ardues.

À quel point GPT-6.1 Terra est-il moins cher que GPT-6.1 Sol ?

Son coût est exactement réduit de moitié sur chaque poste : 1 $ contre 2 $ en entrée, 0,05 $ contre 0,10 $ en cache, et 5 $ contre 10 $ en sortie par million de tokens.

Le leader de la Crew devrait-il tourner sous Terra ?

Démarrez plutôt avec Sol. Le leader ne prend en charge qu'une faible part des étapes, donc le surcoût reste minime, et une mauvaise planification induit l'ensemble des membres en erreur.

Peut-on utiliser le niveau d'effort none sur Sol ?

Non. GPT-6.1 Sol a supprimé none, son niveau minimal étant low. Terra réintroduit en revanche l'option none.

GPT-6.1 Terra est-il gratuit ?

Non. Il n'existe pas d'accès API gratuit, et les forfaits ChatGPT Free et Go ne l'intègrent pas. Notre article sur l'utilisation de GPT-6.1 Sol sans clé d'API détaille les différences entre l'utilisation via abonnement et la facturation au token.

Comment basculer une tâche sur Sol sans modifier l'agent ?

Utilisez le sélecteur de modèle au niveau de l'assignation. Il surcharge la valeur par défaut de l'agent pour cette seule exécution.