泰德·桑德斯（Ted Sanders）在 Hacker News 上对 OpenAI 模型命名规则的说明，由西蒙·威利森（Simon Willison）摘录，并于 2026 年 10 月 28 日发布在其博客上。这段引文的价值在于，它把外界常常凭猜测解读的模型代号与版本号，转化为一套可理解的内部逻辑。
桑德斯首先强调，大语言模型的性能是高度多维的，并不存在一种固定的排序关系，能够保证在数学任务上表现最好的模型，在讲笑话时同样最好。不同能力维度之间可能有取舍，也可能彼此独立，所以用单一榜单给模型排队往往会失真。不过他也指出，尽管这种复杂性真实存在，性能差异中的很大一部分仍然可以由一个变量解释，那就是模型规模。
在他看来，规模更大的模型通常会在三个方面呈现一致趋势：第一，表现更强、更可靠；第二，每个 token 的成本更高；第三，对冷门事实的回忆更准确。这三点构成了理解 OpenAI 产品分层的基础，也说明为什么模型等级往往同时对应能力、价格和知识覆盖面的差异。
据此，桑德斯给出了 OpenAI 模型由小到大的顺序：Luna、Terra、Sol、Astra。这一序列明确了不同层级之间的相对位置，让开发者与用户可以据此判断某个名称背后大致的规模与定位，而不必仅凭名称本身猜测。
在版本号方面，他解释说，如今的版本号同时承载多重含义：既表示发布先后顺序，也表示与其他版本之间的关系，还表示改进幅度的大小。以 6.1 为例，它意味着该版本在 5.6 之后推出；它与其他的 6.1 系列模型在训练数据或性格特征上可能具有相似性，这正是它没有被命名为 5.7 的原因；同时，它的提升幅度又不足以支撑一个 7 所应带来的关注度和期待。
这段说明透露出 OpenAI 命名体系中的一种分层思路：主版本号大体对应代际跃迁的幅度，次版本号则用于标记同一代际内的变体与延续关系，而模型代号序列则直接对应规模层级。对于依赖模型选型的团队而言，这种解释有助于把价格、性能与发布节奏放在同一框架内衡量，也提醒人们，版本号并不是纯粹的技术指标，而是产品定位与市场沟通的一部分。
需要留意的是，桑德斯的表述是一般性说明，而非对每次发布的完整披露。他并未给出各层级的具体参数规模，也没有承诺能力排序在所有任务上都成立。因此，这段引文更适合作为理解命名意图的参考，而非精确的性能对照表。对开发者来说，实际选择模型时仍应结合具体任务、成本预算与实测结果来判断。