OpenAI 员工的选模型口诀，先问预算再问任务

模型越出越多，选型越来越像点菜。OpenAI 一位员工最近把这件事说成了一句大白话：只看质量选最贵的，价格敏感就往下走一档。

一、发生了什么

据 the-decoder 10 月 27 日报道，OpenAI 的 Ted Sanders 谈了新模型 GPT-6.1 Terra 的定位，以及 OpenAI 给模型命名的难处。

他的核心观点分三层。第一，模型能力是多维的，数学强的未必会讲笑话，硬要排一个总榜会丢信息。第二，尽管多维，多数性能差距仍能归结到一个变量——模型大小。第三，大小也不是全部：新一代小模型靠更好的训练数据和架构，能反超上一代的大模型。他举例说，Terra 在技术写作上可能比更大的 Astra 还好，图像处理和电脑操作大致持平而价格低得多，但其余大多数领域确实不如。

落到行动上，他给的口诀是：完全不在乎价格，选 Astra；有点在意价格，选 Sol；非常在意价格，选 Terra 或 Luna。

至于为什么不给模型起个简单名字，他的解释是模型大小、推理力度、多 agent 系统是三个互相独立的维度，硬捏成一个「智商分」只会掩盖细节。同一个模型开高档推理可以做难题，代价是慢和贵；把大小和推理力度混在一个分数里，用户就分不清自己该调哪一头。

这篇报道的背景也值得一看：新档位 Terra 的卖点是比前代便宜也更准，恰好是「价格敏感」那一档的补位。命名者亲自下场讲选型逻辑，等于承认产品线复杂到普通用户已经挑不过来了——口诀本身就是对这种复杂度的妥协。

二、跟你有什么关系

按 token 付费的开发者。 口诀的价值是防止「默认用顶配」的习惯，多数线上任务用次一档模型，成本差好几倍而质量差距感觉不到。

包月订阅的个人用户。 顶配档位留给真正的硬任务，日常问答、整理、写作交给便宜的档位，额度能多撑好几天。

看榜单做决策的人。 连起名字的人都反对单一分数，那你参考综合榜时更该看自己任务所在的那个维度。

三、怎么用

1. 先写清楚任务要什么输出、错多少能接受，再挑档位；没有明确要求的任务，从便宜档开始。
2. 永远自下而上试：便宜模型跑一遍，不满意再升档，而不是从顶配往下砍。方向反了，钱花得快还长不出判断力。
3. 给自己攒一个小基准：把高频任务存成固定样例，新模型出来跑一遍对比，比看任何榜单都准。
4. 便宜档位顶不住的任务，先调推理力度再换大模型。同一模型的高档推理往往就能解决，这是最省钱的一档升级。

四、三个别信的说法

贵的模型全面更强。 Terra 的例子就在眼前：技术写作可能赢过大模型，价格还低得多。「全面碾压」基本是新模型营销话术。

一个总分能代表能力。 三个独立维度捏成一个分数，细节就没了。选型要按任务维度看，不是按总分看。

选型一次定终身。 新一代小模型随时可能反超，每个季度把固定样例重跑一遍，该换就换。

五、一句话结论

先想任务，再想模型，最后才看榜单。

信息来源

• The Decoder：Ted Sanders 谈选模型的口诀，2026-10-27

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。