OpenAI 的 Ted Sanders 近日對該公司新一代模型 GPT-6.1 Terra 進行了定位說明，並解釋了 OpenAI 語言模型的命名邏輯。他的核心觀點是：模型能力無法用單一指標衡量，選擇模型時應根據質量要求和預算約束做取捨。
Sanders 指出，模型表現是多維度的——一個擅長數學的模型未必擅長講笑話。儘管如此，多數效能差距仍可歸結為一個變數：模型規模。但他同時強調，模型規模、推理強度和多智慧體系統是彼此獨立的維度，把它們壓縮成一個“IQ 分數”會掩蓋關鍵細節。而且規模並不能解釋一切：得益於更好的訓練資料或改進的架構，更新、更小的模型可以超越更舊、更大的模型。
具體到產品線，Sanders 表示，GPT-6.1 Terra 在技術溝通方面很可能優於更大的 Astra，在影像處理和計算機使用上大致與 Astra 持平，且價格低得多，但在大多數其他領域落後於 Astra。
他給出的選擇法則非常直接：如果只在意質量，選 Astra；如果對價格稍敏感，選 Sol；如果非常在意價格，選 Terra 或 Luna。
這一表態的背景是，大模型市場正從單純追求引數規模和基準分數，轉向更精細的場景化選型。對開發者和企業而言，模型是否“最強”已不是唯一問題，推理成本、響應質量和任務適配度共同決定實際體驗。Sanders 的框架實際上承認了 OpenAI 產品矩陣內部存在明確的分層：旗艦模型保質量上限，較小模型以更低成本覆蓋價格敏感場景。
從競爭角度看，這種多維度敘事也有助於 OpenAI 回應外界對其模型命名和產品線複雜度的困惑。當競爭對手紛紛用單一“最強模型”標籤爭奪心智時，OpenAI 選擇強調不同模型在不同維度上的差異化定位，這既是對產品現實的描述，也是一種市場教育。
不過，Sanders 的表述也留下一個待觀察的問題：隨著訓練資料和架構的持續改進，較小模型追趕較大模型的速度會有多快。如果 Terra 這類模型能在更多領域逼近 Astra，企業選型的天平可能進一步向成本一側傾斜，進而影響整個行業的定價邏輯和算力需求結構。