9月4日、CodeRabbitが「GPT-6 Astra review: code review gains, privacy, and cost」と題した記事を公開した。この記事では、OpenAIのGPT-6 AstraをCodeRabbitのコードレビュー評価基準で実測し、バグ検出率・コスト・プライバシー対応を他モデルと比較した結果について詳しく紹介されている。

クロスファイルレビューで際立つ検出力の差

コードレビューで最も難しい作業のひとつが、変更されたファイルの外側に潜むバグの発見だ。単一ファイルでは正しく見えるコードも、他の場所の挙動を壊すことがある。

CodeRabbitの評価指標は「アクション可能なバグカバレッジ（actionable bug coverage）」——開発者が実際に対処できる形で、ラベル付きバグを何割検出できるかを示す数値だ。

全体のカバレッジは以下の通りだ。

• GPT-6 Astra: 61.3%
• GPT-5.6 Sol: 59.0%
• Opus 5: 50.2%

全体の差は小幅に見えるが、複数ファイルにまたがる「クロスファイルレビュー」に絞ると様相が変わる。

• Astraは Solより20%、Opus 5より33%上回る

この差は、変更の意図とコードベース全体に分散した影響を結びつける推論力の違いを反映していると同社は解釈している。ただし、これはあくまで方向性を示す初期評価であり、全体的なレビュー品質ランキングでも、チームの欠陥率の予測でもない点は留意が必要だ。

なお、CodeRabbitにおけるモデルの位置づけについて補足する。GPT-5.6 Solは現時点でCodeRabbitがデフォルト採用しているモデルであり、本記事の比較はその実運用ベースラインに対してAstraがどれだけ上積みできるかを測る評価として読むと分かりやすい。GPT-5.6 TerraやGPT-5.6 Lunaはよりコストを抑えた軽量モデルで、用途に応じた使い分けを前提に提供されている。

コストは無視できない

能力向上にはコストが伴う。Astraの標準API料金は入力100万トークンあたり$10、出力100万トークンあたり$50（2026年9月4日時点の公表価格）。

100,000入力トークン・10,000出力トークン（推論トークン含む）という固定条件で試算すると：

• 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、Lunaと比べると約47倍のコストになる計算だ。

ただし、この試算は推論トークンを含む特定の固定条件に基づいており、実際のレビュータスクでトークン消費量が変動する場合は差が拡大・縮小する可能性がある点には注意が必要だ。また、トークン単価が高いことがイコール「1タスクあたりコストが高い」とは限らない。OpenAI自身の評価では、Astraはタスクによっては推定コストが抑えられるケースも報告している。1回あたりの試行でより少ないトークン・より少ない回数で正解に到達できれば、実際の差は縮まる可能性がある。単純なタスクにAstraを使わず、複雑なクロスファイル解析にだけ投入するといった使い分けが現実的だろう。

プライバシーへの対応

エンタープライズ利用で重要になるのがデータ保持ポリシーだ。CodeRabbitは顧客のコードやプライベートコードレビューで収集した個人情報を、AIモデルの学習には使用しないと明言している。

モデルプロバイダーごとの方針は異なる。

• OpenAI（GPT-6 Astra）: 対象となるAPIカスタマー向けにゼロデータリテンション（ZDR）をサポートしている。
• Anthropic（Fable 5/5.1）: デフォルトでは安全監視のため30日間保持するが、条件を満たす顧客はZDRを利用可能。Enterprise Frontier Safeguards（EFS）は、保持データを顧客管理インフラに置く仕組みとして導入が進んでいる。

CodeRabbitは「顧客レビューに使用するモデルはすべてデータ保護要件を満たす必要がある」としている。

Astraのクロスファイル推論を別文脈で追試：ゲームをゼロから開発

記事の中で興味深い実証実験として取り上げられているのが、Astraを使ってアクションRPG「NIGHTSHIFT」をGodotエンジンおよびそのスクリプト言語GDScriptでフルスクラッチ開発したという試みだ。GodotはオープンソースのゲームエンジンでありGDScriptはPython系の専用スクリプト言語で、近年インディーゲーム開発を中心に採用が急拡大している。

7つのキャラクタークラス、988ノードのパッシブスキルツリー（Path of Exileのツリーから着想）、10章40ゾーンのキャンペーンを含むゲームで、1つのクラスを変えると別クラスのスキル進化やパーティ構成にも影響が波及する。まさにクロスファイルレビューと同じ構造——分散した依存関係を推論するタスクだ。

Astraはネイティブ PS5/Xbox コントローラーサポート、macOS・Web・Linux向けビルド、同一マシン上およびLANでの協力プレイ対応も自律的に実装した。macOS配布のためにXcodeプロジェクトの新規生成、App Store Connectアカウント、証明書・エンタイトルメント設定、公証（notarization）まで処理したという。さらにAstra自身がプレイヤーとして参加できる協力プレイも実装された。

CodeRabbitはこの経験を通じ、コードレビューで確認したクロスファイル推論の能力を別の文脈でも追試した格好だ。コードレビューにおける「複数ファイルにまたがる依存関係の把握」と、ゲーム開発における「クラス・スキル・パーティ構成の連鎖的な整合性維持」は構造的に共通しており、この実験はAstraの推論特性を実務に近い負荷で検証する試みとして位置づけられている。

実用上のポイント

Astraが威力を発揮するのは「根拠が複数箇所に分散していて、それらの依存関係を追う必要があるタスク」だという。記事では以下の用途を候補として挙げているが、実際に測定はしていないと明記されている。

• 複数レポートを突き合わせたリサーチ統合
• ログ・インシデントノート・ランブックを組み合わせた障害調査
• 仕様・ポリシー・実装計画を横断した要件・ポリシー分析
• レポートと元データ間の数式・前提の整合性チェック

いずれも共通するのは「証明が分散していて、部分同士に依存関係がある」という構造だ。自分のワークフローに合うかは、現行モデルとAstraを同じタスクで並走させ、回答品質・検証時間・総コストを比較するのが現実的な検証方法だとしている。

詳細はGPT-6 Astra review: code review gains, privacy, and costを参照していただきたい。