9月4日、Latent Spaceが「[AINews] GPT-6 Astra: OpenAI's biggest LLM launch of all time」と題した記事を公開した。OpenAIが発表した新フラッグシップ「GPT-6 Astra」は、ローンチ9時間で3,600万インプレッションを記録する熱狂で迎えられた一方、独立評価者のデータは「大きな前進だが凸凹あり」という、公式ナラティブとは異なる絵を描いている。ベンチマーク数値、価格体系、安全性をめぐる議論の詳細を以下に紹介する。
GPT-6 Astraとは何か
OpenAIは「GPT-6 Astra」を正式発表した。公式の説明では「これまでで最もインテリジェントかつアライメントされたモデル」と位置付けており、コンピュータ操作、ソフトウェアエンジニアリング、数学・科学、オフィス業務、サイバーセキュリティへの対応を強みとして訴求している。
ローンチのXポストは公開から9時間で3,600万インプレッション・16万4,000いいねを記録し、OpenAI史上SoraやGPT-5を超える最大規模のローンチとなった。
ただし、ロールアウト自体は混乱を伴った。多数のインフルエンサーが先行アクセスを得る一方、有料ユーザーへの提供が遅延し、ブログ記事も公開が遅れた。OpenAIはアクセスできなかった日数分の「バンクされたリセット」を有料ユーザーに付与することで補償を試みた。
価格：コストが最大の論点
APIの価格設定は以下の通りだ。
| プラン | 入力 | 出力 |
|---|---|---|
| 標準 | $10 / 1Mトークン | $50 / 1Mトークン |
| 高速（最大2.5倍速） | $20 / 1Mトークン | $100 / 1Mトークン |
独立系評価機関のArtificial Analysisによれば、最大エフォートでの比較においてGPT-5.6 Solより75%コスト高になる。なお「GPT-5.6 Sol」とは、GPT-5系列における中間リリースに相当するモデルで、Astraの直接的な前世代として比較対象に用いられている。
コスト増に見合う性能向上があるかについては、あるXユーザー（@nicdunz）が「一般的な用途でのパフォーマンス向上は5〜10%程度にとどまるにもかかわらず、タスクあたりのコストは75%増」と試算している（※この75%・5〜10%という数値は同ユーザー個人の試算であり、独立評価機関による公式算出値ではない）。@imjaredzは「競争軸はもはや知性だけではなくコストと知性の組み合わせだ」と述べた。
コーディングエージェントの観点では、トークン効率は大幅に改善している。Artificial Analysisの「Coding Agent Index」では、AstraはGPT-5.6 Solの3分の1のトークン、Claude Opus 5（xhigh設定）の5分の1のトークンで同等スコアを達成している。後述するClaude Fable 5と同スコアで半分以下のコストというデータもある。
ベンチマーク：「支配」ではなく「凸凹」
OpenAIが公表したベンチマーク数値は以下の通りだ。
- ARC-AGI-3: 99.9%
- FrontierMath Tier 4: 98%
- ExploitBench: 100%
- Mind2Web: GPT-5.6 Sol比1.9倍高速（Codexハーネス使用）
ただし、独立評価者の数値はより複雑な絵を描く。
ARC-AGI-3について、ARC PrizeとFrançois Cholletの評価では「標準ハーネスで63〜66%、カスタムハーネスでほぼ100%」という二重の数値が報告された。カスタムハーネスとは、推論状態を保持しつつネイティブ圧縮を使う専用アダプターを指す。1ゲームあたりの推定コストは約$360。Cholletは「Astraは予想の約2倍の速さでARC-AGI-3を飽和させた」と述べ、ARC-AGI-4をQ1 2027にリリースする予定を明かした。0%台から100%近くに達するまで6ヶ月という急速な進捗は、エージェント能力の伸長を示すものとして注目されている。
一方で回帰も観測されている。Artificial Analysisは以下の後退を報告した。
- GDPval-AA v2：約80 Eloポイント低下
- τ³-Banking、SciCode、AA-LCRでそれぞれ2〜3ポイントの後退
Epoch AI Researchは、Astraが新たなECI（Engineering Capability Index）最高記録169（前記録163）を樹立したと報告。また、AstraはFrontierMath Erdős問題（Lean検証済みの未解決問題68問）で**2問を解き、スコア3%**を記録した。これはいずれの既存モデルも0問だった問題群だ。
コンピュータ操作とCodex強化
エンジニアにとって実用面で最も関係するのはCodexまわりのアップデートだ。今回のリリースと同時に以下が追加された。
- Codexが独立した作業を続けながら質問を送信できる機能
- 長時間タスク中に以前のコンテキストウィンドウを検索・メモできる実験的コンテキスト機能
- Responses APIへの追加：非同期ファンクションコール、ターン途中のステアリング、キャッシュを壊さない推論エフォート変更
コンピュータ操作（Computer Use）については、Perplexity AIが独自ベンチマーク「WANDR」でAstraがスコア0.682、タスクあたり$11.98を記録し、テスト済みモデル中最高スコアと報告。AnthropicのFable 5.1より13.5%高スコアで6.1%低コスト、Opus 5より27.0%高スコアで3.3%高コストという数値だ。
なお、ここで登場するAnthropicモデルについて整理しておく。Claude Fable 5およびFable 5.1はAnthropicが投入した新フラッグシップシリーズで、5.1は5の改良版にあたる。Claude Opus 5は同シリーズの最上位グレードモデルだ。本記事ではこれら複数のモデルがAstraとの比較対象として登場する。
安全性：モニタリング可能性の低下
今回のシステムカードが技術コミュニティで強い反応を呼んだ。「アライメントが改善された」と主張する一方で、思考の連鎖（Chain-of-Thought）のモニタリング可能性が低下したと記載されている点だ。
Neel NandaやRyan Greenblattらは、「表面上の安全性向上が特定の失敗モードへの対処にすぎず、根本的なゴール・ミスアライメントを解決していない可能性がある」と指摘した。ベンチマーク評価への意識（evaluation-awareness）への懸念も出ている。
総評
「全方位で支配」というOpenAIの公式ナラティブに対し、独立評価者のデータが示す実態は「大きな前進だが凸凹あり」だ。コーディング用途ではトークン効率が大幅改善しており、前世代比でのコスト競争力は向上している。一方でタスクあたりの絶対コストは高く、汎用的な知性指標ではAnthropic Fable 5.1に後れを取る領域も残る。安全性についても、アライメント改善とモニタリング可能性の低下という相反するシグナルが同一のシステムカードに共存している点は注視が必要だ。
※編集部の考察：今回の評価が示す最大の論点は、性能と価格のトレードオフが「モデル選択の基準」として本格的に浮上してきたことだろう。ARC-AGI-3の急速な飽和はエージェント能力の加速を示す一方で、「コストと知性の組み合わせ」という@imjaredzの指摘が象徴するように、最強モデルが必ずしも最適解ではない時代に入りつつある。
詳細は[AINews] GPT-6 Astra: OpenAI's biggest LLM launch of all timeを参照していただきたい。
