泰德·桑德斯（Ted Sanders）在 Hacker News 上對 OpenAI 模型命名規則的說明，由西蒙·威利森（Simon Willison）摘錄，並於 2026 年 10 月 28 日釋出在其部落格上。這段引文的價值在於，它把外界常常憑猜測解讀的模型代號與版本號，轉化為一套可理解的內部邏輯。
桑德斯首先強調，大語言模型的效能是高度多維的，並不存在一種固定的排序關係，能夠保證在數學任務上表現最好的模型，在講笑話時同樣最好。不同能力維度之間可能有取捨，也可能彼此獨立，所以用單一榜單給模型排隊往往會失真。不過他也指出，儘管這種複雜性真實存在，效能差異中的很大一部分仍然可以由一個變數解釋，那就是模型規模。
在他看來，規模更大的模型通常會在三個方面呈現一致趨勢：第一，表現更強、更可靠；第二，每個 token 的成本更高；第三，對冷門事實的回憶更準確。這三點構成了理解 OpenAI 產品分層的基礎，也說明為什麼模型等級往往同時對應能力、價格和知識覆蓋面的差異。
據此，桑德斯給出了 OpenAI 模型由小到大的順序：Luna、Terra、Sol、Astra。這一序列明確了不同層級之間的相對位置，讓開發者與使用者可以據此判斷某個名稱背後大致的規模與定位，而不必僅憑名稱本身猜測。
在版本號方面，他解釋說，如今的版本號同時承載多重含義：既表示釋出先後順序，也表示與其他版本之間的關係，還表示改進幅度的大小。以 6.1 為例，它意味著該版本在 5.6 之後推出；它與其他的 6.1 系列模型在訓練資料或性格特徵上可能具有相似性，這正是它沒有被命名為 5.7 的原因；同時，它的提升幅度又不足以支撐一個 7 所應帶來的關注度和期待。
這段說明透露出 OpenAI 命名體系中的一種分層思路：主版本號大體對應代際躍遷的幅度，次版本號則用於標記同一代際內的變體與延續關係，而模型代號序列則直接對應規模層級。對於依賴模型選型的團隊而言，這種解釋有助於把價格、效能與釋出節奏放在同一框架內衡量，也提醒人們，版本號並不是純粹的技術指標，而是產品定位與市場溝通的一部分。
需要留意的是，桑德斯的表述是一般性說明，而非對每次釋出的完整披露。他並未給出各層級的具體引數規模，也沒有承諾能力排序在所有任務上都成立。因此，這段引文更適合作為理解命名意圖的參考，而非精確的效能對照表。對開發者來說，實際選擇模型時仍應結合具體任務、成本預算與實測結果來判斷。