GPT-6.1 Terra vs GPT-6.1 Sol sebagai Agent Runtime Default Anda

Perbandingan antara GPT-6.1 Terra vs GPT-6.1 Sol pada akhirnya bermuara pada satu pertimbangan utama: biaya Terra per token persis setengah dari Sol dan, menurut klaim OpenAI, berjalan lebih dari tiga kali lebih cepat, sementara Sol meraih skor 54 berbanding 48 milik Terra pada tolok ukur (benchmark) coding agent pihak ketiga. OpenAI merilis Terra pada 26 Oktober sebagai gpt-6.1-terra, tingkatan menengah (middle tier) baru di antara Sol dan GPT-6 Luna.

Jika Anda hanya menjalankan satu coding agent, pilih model yang Anda percayai dan lanjutkan pekerjaan. Namun jika Anda mengelola belasan agent, model bawaan (default) menjadi jauh lebih krusial daripada pengecualian, karena sebagian besar langkah kerja agent (agent steps) ditagihkan berdasarkan model default tersebut. Artikel ini membagikan aturan perutean (routing rule) untuk Crew di Sharkly: Terra sebagai default untuk anggota, Sol untuk leader dan tugas-tugas berat (hard tail), beserta rincian biaya per 1.000 langkah agent untuk setiap kombinasinya.

TL;DR

Jadikan GPT-6.1 Terra sebagai model runtime default untuk anggota Crew yang menangani tugas rutin seperti coding, penulisan, dan computer-use. Tetap gunakan GPT-6.1 Sol untuk Crew leader dan Task yang gagal dua kali saat dijalankan dengan Terra. Pada profil langkah ilustratif kami, konfigurasi serba-Sol menghabiskan $26,55 per 1.000 langkah agent, serba-Terra seharga $13,28, sedangkan anggota Terra di bawah arahan leader Sol memakan biaya $14,60. Aturan mengutamakan Terra dengan eskalasi ke Sol tetap lebih hemat dibandingkan konfigurasi serba-Sol hingga separuh dari seluruh Task Anda mengalami eskalasi.

Sekilas tentang GPT-6.1 Terra vs GPT-6.1 Sol

Setiap lini harga persis setengahnya. Hal ini membuat pertimbangan dari segi biaya menjadi sangat jelas, sehingga pertanyaan mendasarnya beralih ke kualitas: seberapa sering skor coding Terra yang lebih rendah berujung pada eksekusi ulang (rerun)?

Beberapa detail penetapan harga Terra sangat berpengaruh pada loop agent yang panjang. Mode Batch dan Flex bertarif setengah dari harga reguler, sedangkan mode Fast bertarif dua kali lipat. Permintaan dengan lebih dari 272 ribu token input dikenai tarif 2x untuk input dan cache, serta 1,5x untuk output pada keseluruhan permintaan tersebut. Rincian tarif selengkapnya dapat dilihat di halaman penetapan harga OpenAI.

Hal yang ditentukan oleh runtime default

Model runtime default adalah model yang digunakan Agent saat tidak ada model spesifik yang ditentukan untuk suatu eksekusi. Di dalam Crew, model ini menentukan besaran biaya untuk sebagian besar langkah Anda, berapa lama antrean Task harus menunggu, dan berapa banyak hasil kerja yang masuk ke tahap review per hari.

Satu langkah agent (agent step) di sini berarti satu pemanggilan model di dalam loop agent: membaca konteks, berpikir, lalu memicu tool call atau perubahan kode. Satu Task saja bisa menghabiskan puluhan langkah. Itulah sebabnya kalkulasi per langkah jauh lebih bermanfaat daripada per Task saat membandingkan runtime: durasi Task sangat bervariasi, sedangkan karakteristik setiap langkah relatif konsisten.

Biaya per 1.000 langkah agent

Untuk membandingkan kombinasinya, mari tetapkan satu profil langkah ilustratif: 30 ribu token input (dengan 85% di antaranya memanfaatkan prompt cache), ditambah 1.500 token output termasuk proses penalaran (reasoning). Loop agent berdurasi panjang mengirim ulang konteks repositori yang sama di setiap langkah, sehingga rasio cache yang tinggi adalah hal yang wajar begitu sesi mulai berjalan aktif.

Berdasarkan harga resmi dengan penagihan kunci API, satu langkah tersebut berbiaya $0,0133 pada Terra dan $0,0266 pada Sol. Jika diskalakan ke 1.000 langkah:

Ada dua poin yang tampak menonjol. Pertama, mengalihkan leader ke Sol hanya menambah biaya sekitar $1,30 per 1.000 langkah dibandingkan konfigurasi serba-Terra, karena leader bertugas merencanakan serta mendelegasikan sehingga hanya mengambil porsi langkah yang kecil. Kedua, Terra dengan effort lebih tinggi tetap lebih murah dibandingkan Sol pada setelan defaultnya: melipatgandakan token output di Terra memakan biaya lebih rendah daripada beralih model.

Angka-angka ini belum mencakup biaya penulisan cache (cache-write). Jika Computer Anda masuk menggunakan paket langganan ChatGPT alih-alih kunci API, penghematan ini akan terlihat dalam bentuk jumlah run yang lebih banyak sebelum batas kuota tercapai, bukan dalam bentuk nominal dolar. OpenAI menyatakan bahwa Terra “tersedia bagi semua pengguna Plus, Pro, Enterprise, dan Edu di ChatGPT Work serta Codex”; paket Free dan Go belum menyertakannya.

Aturan perutean untuk Sharkly Crew

Crew di Sharkly adalah kelompok People dan Agent fleksibel yang dapat digunakan kembali, dikoordinasikan oleh satu leader Agent. Pola eksekusinya mengutamakan leader (leader-first): leader membaca Task dan instruksi Crew, lalu menangani pekerjaan tersebut secara mandiri atau mendelegasikannya ke anggota Agent untuk bagian-bagian spesifik. Struktur ini selaras dengan pembagian dua runtime.

1. Leader menggunakan GPT-6.1 Sol. Leader bertugas menafsirkan tujuan yang belum jelas dan menentukan langkah berikutnya. Rencana yang salah akan menyesatkan seluruh anggota, sehingga posisi ini layak dialokasikan untuk model yang lebih kuat. Panduan Crew leader kami menjelaskan mengapa peningkatan kapasitas pada posisi leader terhitung sangat hemat biaya.
2. Anggota menggunakan GPT-6.1 Terra pada opsi medium. Tugas coding rutin, refaktor, pengujian, penulisan dokumen, deskripsi PR, dan Task computer-use dimulai dari sini.
3. Eskalasi pada kegagalan kedua. Jika anggota Terra gagal menyelesaikan Task sebanyak dua kali, manusia akan mengalihkannya ke varian Sol. Hindari membiarkan Agent melakukan eskalasi otomatis hanya berdasarkan perkiraan; keputusan tersebut harus terpantau dengan jelas pada Task.
4. Pantau eskalasi berdasarkan jenis Task. Jika suatu kategori Task, misalnya migrasi lintas layanan, selalu mengalami eskalasi, arahkan kategori tersebut ke Sol sejak awal.
5. Gunakan Luna untuk triase. Pelabelan dan pemilahan awal dapat didelegasikan ke tingkat di bawahnya; panduan GPT-6 Luna kami mengulas alur kerja tersebut.

Ini adalah panduan awal, bukan hasil benchmark kaku. Terapkan aturan ini selama satu Sprint dan biarkan metrik eskalasi Anda sendiri yang menentukan batasannya.

Kapan strategi mengutamakan Terra tidak lagi menguntungkan

Eskalasi membawa konsekuensi biaya: percobaan Terra yang gagal adalah pengeluaran yang terbuang sebelum eksekusi Sol dimulai. Mari kita perhitungkan skenario terburuk, yaitu ketika percobaan Terra menghabiskan langkah sebanyak eksekusi Sol penuh. Biaya eksekusi Sol adalah S. Percobaan Terra bernilai 0,5S. Jika sebagian fraksi f dari Task mengalami eskalasi, perkiraan biaya rata-rata per Task adalah 0,5S + f dikali S.

Nilai tersebut setara dengan konfigurasi serba-Sol saat f menyentuh 0,5. Artinya, strategi mendahulukan Terra tetap lebih murah sampai separuh dari total Task Anda mengalami eskalasi. Logika perhitungan yang sama berlaku untuk eksekusi yang lebih panjang: Terra tetap lebih hemat per Task hingga ia memerlukan langkah dua kali lebih banyak dibanding Sol untuk menyelesaikan pekerjaan.

Titik impas finansialnya berada cukup jauh, sehingga batasan penentunya biasanya adalah waktu kerja manusia. Setiap percobaan yang gagal berarti ada diff yang harus ditinjau, log yang harus dibaca, dan pengalihan penugasan yang harus diproses oleh seseorang. Jika tingkat eskalasi Anda melampaui 20% pada suatu tipe Task, alihkan tipe tersebut ke Sol meskipun kalkulasi token masih berpihak pada Terra.

Aspek kecepatan juga mengubah perhitungan tersebut. Model yang tuntas tiga kali lebih cepat akan membebaskan Computer lebih awal, sehingga antrean Task dapat segera diproses dan lebih banyak pekerjaan selesai sebelum batas waktu (timeout) per Task tercapai.

Cara menerapkan aturan ini di Sharkly

Sharkly tidak menjual token. Eksekusi ditagihkan ke paket Codex atau kunci API yang telah terpasang pada Runtime di setiap Computer, jadi pastikan terlebih dahulu Terra dapat berjalan di lingkungan tersebut: Codex CLI versi 0.159.0 atau yang lebih baru, lalu jalankan codex -m gpt-6.1-terra di terminal.

Di Sharkly, dokumentasi Agents menyebutkan bahwa Agent “mengikuti model Runtime secara default”, dan baris Model memungkinkan Anda memilih model lain dari katalog yang disediakan Runtime. Anda juga dapat menentukan model melalui Custom arguments pada Agent atau Runtime.

Terapkan aturan ini dengan membuat varian, alih-alih mengedit langsung. Berikut skema dari ketiga pengaturannya:

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

Dokumentasi menyarankan “menggunakan model default yang berbeda” sebagai alasan pembuatan varian Agent: konfigurasi ini mempertahankan instruksi dan repositori bawaan, serta hanya menimpa modelnya saja. Penggunaan dua varian menjaga papan kerja tetap mudah dipantau karena setiap Task memperlihatkan jalur model mana yang menjalankannya. Untuk pengujian sesekali, penentuan model per eksekusi di Assignee picker akan menimpa setelan default Agent khusus untuk eksekusi tersebut saja.

Sharkly menyimpan konteks, progres, kendala (blocker), hasil, dan review manusia pada Task terlepas dari model mana yang menjalankannya—dan hal inilah yang memungkinkan tingkat eskalasi dapat dipantau dan dihitung secara akurat.

Hal yang tidak berubah dengan model default yang lebih murah

Terra memangkas biaya dalam menghasilkan perubahan kode. Namun, Terra tidak mengurangi beban kerja untuk meninjau dan menerima perubahan tersebut. Eksekusi berbiaya setengah harga dengan kecepatan tiga kali lipat bisa memicu penumpukan diff yang menunggu giliran review manusia di akhir pekan. Periksa kembali antrean review Anda sebelum menambah anggota; artikel human review is the bottleneck membahas topik ini lebih lanjut.

Model ini juga tidak ditujukan untuk menuntaskan pekerjaan yang paling rumit. OpenAI sendiri menyarankan Sol atau GPT-6 Astra untuk kebutuhan coding yang paling kompleks, dan selisih enam poin pada Coding Agent Index mengonfirmasi rekomendasi tersebut. Aturan di atas sengaja dirancang agar pekerjaan sulit tetap ditangani oleh Sol.

Kesimpulan

Jadikan Terra sebagai model default dan posisikan Sol sebagai pengecualian. Pada profil langkah kami, pendekatan ini memotong tagihan hingga sekitar separuh dibanding serba-Sol, dengan leader dan tugas-tugas berat tetap ditangani model yang lebih mumpuni. Perhatikan tingkat eskalasi, bukan hanya harga token, untuk menentukan kapan suatu jenis Task perlu dialihkan.

Langkah berikutnya: buat satu varian Terra untuk Codex Agent, gabungkan ke dalam Crew di bawah leader Sol, lalu jalankan selama satu Sprint. Sharkly saat ini dapat digunakan gratis untuk organisasi hingga 5 orang, sesuai dengan informasi pada halaman penetapan harga.

FAQ

Apakah GPT-6.1 Terra lebih baik daripada GPT-6.1 Sol untuk coding?

Tidak. Sol meraih skor 54 pada Coding Agent Index Artificial Analysis, sedangkan Terra meraih 48. Keunggulan Terra terletak pada harga dan kecepatan, sehingga model ini ideal untuk coding rutin dibanding Task yang paling rumit.

Berapa selisih harga GPT-6.1 Terra dibanding GPT-6.1 Sol?

Tepat setengah harga pada setiap komponen tarif: $1 berbanding $2 untuk input, $0,05 berbanding $0,10 untuk cached, dan $5 berbanding $10 untuk output per satu juta token.

Apakah Crew leader sebaiknya menggunakan Terra?

Gunakan Sol sejak awal. Leader hanya mengambil porsi langkah yang sedikit sehingga biaya peningkatannya rendah, sementara kesalahan strategi di tingkat leader akan mengacaukan arahan bagi seluruh anggota.

Bisakah saya menyetel effort none pada Sol?

Tidak. Opsi none sudah ditiadakan di GPT-6.1 Sol dan batas terendahnya adalah low. Opsi none kembali dihadirkan pada Terra.

Apakah GPT-6.1 Terra gratis?

Tidak. Tidak tersedia tingkatan API gratis, dan paket langganan ChatGPT Free maupun Go tidak menyertakannya. Artikel kami tentang menjalankan GPT-6.1 Sol tanpa kunci API mengulas perbandingan antara penggunaan kuota langganan dan penagihan berbasis token.

Bagaimana cara mengalihkan satu Task ke Sol tanpa merombak Agent?

Gunakan opsi pemilihan model per eksekusi di menu pemilih Assignee. Opsi ini akan menimpa model bawaan Agent hanya untuk sesi eksekusi tersebut.