9月4日、AIコードレビューツールを開発するCodeRabbitが「GPT-6 Astra review: code review gains, privacy, and cost」と題した記事を公開した。OpenAIの最新フラッグシップモデルであるGPT-6 Astraを実際のコードレビュータスクで定量評価した結果と、コスト・プライバシー面の詳細な考察が述べられている。
GPT-6 AstraはOpenAIが2026年にリリースした最上位モデルで、長文脈処理と複雑な推論に強みを持つとされる。CodeRabbitはGitHub/GitLabと連携するAIコードレビューSaaSで、複数のLLMバックエンドを実運用で比較できる立場にある。「どのモデルが実際のPRレビューで最も役立つか」という問いへの答えを、CodeRabbitは定量データで示した。
クロスファイルレビューで真価が出る
評価指標は「actionable bug coverage」——ラベル済みバグのうち、AIが実際に対処可能な指摘として検出した割合だ。全体スコアは以下のとおり。
- GPT-6 Astra：61.3%
- GPT-5.6 Sol：59.0%
- Opus 5（AnthropicのClaudeシリーズ最上位モデル）：50.2%
全体ではAstraとSolの差は約2.3ポイントにとどまり、見た目は地味だ。しかし注目すべきは、変更が複数ファイルにまたがる「クロスファイルレビュー」での結果だ。
- GPT-6 Astra：57.1%
- GPT-5.6 Sol：47.6%
- Opus 5：42.9%
Solとの差は9.5ポイント、相対的には約20%の優位に拡大する。Opus 5に対しては約33%上回る。タイトルの「20%上回る」はこの相対差を指しており、絶対スコアの差ではない点に注意が必要だ。
この結果は、変更の意図がコードベース全体に分散して影響する状況——たとえば共通インターフェースの変更、依存関係をまたぐリファクタリングなど——でAstraの推論能力が機能することを示している。ただしCodeRabbit自身が「この結果はレビュー品質の全体ランキングを確立するものではなく、チームの欠陥率を予測したり、すべてのPRで同じ改善を保証したりするものでもない」と明記している点は留意が必要だ。
コストはSolの2.5倍、Lunaの47倍
性能向上はコストと引き換えだ。AstraのAPI公開価格は入力トークン100万件あたり$10、出力トークン100万件あたり$50（OpenAI APIプライシング参照）。
10万入力トークン・1万出力トークンという固定条件で比較すると以下のとおり。なお、Sol・Terra・Lunaはいずれも同じGPT-5.6世代のモデルで、用途・コストに応じた段階的なラインアップとして提供されている。
| モデル | 推定コスト |
|---|---|
| GPT-6 Astra | $1.50 |
| GPT-5.6 Sol | $0.60 |
| GPT-5.6 Terra | $0.32 |
| GPT-5.6 Luna | $0.032 |
AstraはSolの約2.5倍、Terraの約4.7倍、Lunaの約47倍になる。ただしこれはトークン単価の比較であり、タスクあたりの実コストではない。Astraは推論効率が高いため、同一タスクで消費トークン数が減るケースもあり、OpenAI自身の評価ではトークン単価は高くともタスクコストが低くなる場面もあると報告されている。
CodeRabbitは「ルーティンなタスクで安価なモデルが十分なら、全セッションをAstraに切り替える理由はない」とし、複数ファイルにまたがる複雑な差分など、広範なコンテキストの関連付けが必要な高難度タスクから試すことを推奨している。
企業利用で気になるプライバシーポリシー
企業がプライベートリポジトリに適用する場合、データ保持ポリシーの差異は重要だ。CodeRabbitは顧客コードをAI学習に使わないと明言しているが、バックエンドのモデルプロバイダーごとにポリシーが異なる。
- OpenAI（Astra）： 対象APIカスタマーに対してゼロデータ保持（Zero Data Retention、以下ZDR）をサポート。リクエスト完了後にデータは保持されない。
- Anthropic（Claudeシリーズ最新モデル群）： デフォルトでは安全性モニタリングのため30日間保持。ただし対象顧客はZDRを利用可能。さらにEnterprise Frontier Safeguards（EFS）により、保持したアクティビティデータを顧客管理インフラ内に収める仕組みも用意されている。
ソースコードの機密性が高い環境では、この差異が採用判断に影響しうる。
実験：ゲーム開発でクロスファイル推論を検証
「クロスファイルで強い」という評価の信憑性を裏付けるため、CodeRabbitチームはAstraを使って「NIGHTSHIFT」というアクションRPGをGodotエンジンとGDScriptで実際に開発した。7キャラクタークラスと988ノードのパッシブスキルツリー（Path of Exileにインスパイアされたもの）、スキル進化、ルーン、Co-opといった複雑なシステムを持つタイトルで、ゲームバランス調整はまさに複数システムの依存関係を横断した推論が必要な典型的なタスクだ。
コアシステムを根本から変更した際の影響範囲の特定と再調整、macOS向けノータリゼーション（Apple公証）を含むマルチプラットフォームビルドまで、権限確認が必要な場面以外はAstraが自律的に処理したという。コードレビュー評価の文脈では異色だが、「大規模なクロスファイル依存を自律的に追跡・解決できるか」という問いへの実証として機能している。
まとめ
GPT-6 Astraのクロスファイルレビューでの優位は、コードベース全体への影響を追跡するような複雑な差分レビューで実際に差が出る可能性を示している。一方でコストはSolの2.5倍以上あり、全用途への適用には合理的な理由が必要だ。CodeRabbitが提示する判断軸——広範なコンテキストの関連付けが必要な高難度タスクから試す——は現実的な出発点として参考になる。
詳細はGPT-6 Astra review: code review gains, privacy, and costを参照していただきたい。
