OpenAIは2026年11月17日、高度な業務向けの「GPT-6.2 Astra」と、日常業務向けの「GPT-6.2 Sol」を発表した。独立評価機関Artificial Analysisが各モデルを最高推論設定で評価したところ、新Solは従来の上位モデル「GPT-6 Astra」と同じ総合57点を獲得した。総合指数を構成する評価課題の加重平均API費用は、旧Astraの約15%にとどまった。一方、既存コードの内容を説明する試験では、前世代の「GPT-6.1 Sol」(旧Sol)を下回る結果も出ている。新モデルへの移行で費用を削減できるかは、業務の種類と求められる成果物によって異なる。
最高推論設定で比較した6モデルの性能
Artificial Analysisが公表した評価では、Intelligence Index v5.0.1を用いて主要AIモデルの性能を比較している。この指数は、事実知識や物理学の難問、端末を操作する作業など、9種類の評価結果を統合したものだ。各モデルについて最も高い性能を示す推論設定を採用しており、Claude Fable 5.2は必要に応じて代替モデルへ切り替わる既定の設定で測定されている。
データを表で見る
| Intelligence Index v5.0.1 (点) | |
|---|---|
| Claude Fable 5.2 | 65 |
| GPT-6.2 Astra | 62 |
| Gemini 4 Carbon | 60 |
| Claude Opus 5.5 | 59 |
| GPT-6.2 Sol | 57 |
| GPT-6 Astra | 57 |
GPT-6.2 Astraは旧Astraから5点向上して62点となり、GoogleのGemini 4 Carbon(60点)とAnthropicのClaude Opus 5.5(59点)を上回った。モデル単位ではClaude Fable 5.2(65点)に次ぐ位置につけている。ただし、推論設定ごとの順位表には62点のClaude Fable 5.2も掲載されている。同じモデルでも設定によってスコアが異なるため、モデル単位の順位と個別設定の順位は区別する必要がある。
科学分野では、GPT-6.2 Astraが端末上で研究作業を進める能力を測る「Terminal-Bench-Science 0.1」で首位となった。一方、物理学の推論能力を評価する「CritPt v2」の難問に絞った試験では、Claude Fable 5.2に次ぐ成績だった。端末を操作して研究手順を進める能力と、物理学の問題を解く能力では、モデル間の優劣が異なる。
3Dコンテンツの制作能力を測る「AA-3D」でも、新Astraは高い成績を残した。この評価では、指示に従って実際に操作できる3D作品を制作し、人間の評価者がモデル名を知らされずに作品を比較する。その勝敗から算出した相対評価のEloレーティングは、新Astraが1318、Claude Fable 5.2が1271、新Solが1259だった。
ロボットに関する理解・計画・行動能力を測る「AA-Robotics v0.1」では、新Astraが79点、新Solが78点、Claude Fable 5.2が75点となった。ただし、これは研究用の初期版で、基本的な課題が多く含まれている。Artificial Analysisによると、上位モデルが基本課題の大半をこなせるようになったため、現在はより難しい課題を追加しているという。
複数の資料を読み、業務を完了する能力も向上
複数の手順を伴う長時間の業務を評価する「Agents' Last Exam」では、OpenAIが公表した結果によると、GPT-6.2 Astraは旧Astraを5.2ポイント上回り、課題当たりの費用は3分の1未満だった。Claude Fable 5.2との比較でも5.5ポイント高い成績を収め、費用はFableの5%だった。なお、Fableの成績を集計する際には、代替モデルが使用された9課題を除外している。
OpenAIの社内評価「GDPval v2」では、コンサルティング、財務、デザインなどの実際の案件を基に、専門的な業務を遂行する能力を測定する。モデルには、担当者が依頼を受けた時点で利用できたファイルやメッセージが渡される。GPT-6.2 Astraは旧Astraを6.2ポイント上回り、出力トークン数は22%減少した。新Solも旧Solから5.3ポイント改善している。依頼内容の理解から資料の調査、成果物の作成までを評価するため、回答の品質と生成に必要なトークン数を分けて比較できる。
複数の資料を横断して情報を集め、計算や分析を行う能力については、Artificial Analysisの「AA-AnalystAgent」でも評価された。この試験では、例えば米カリフォルニア州の公的医療扶助制度の支出報告書を読み、医療輸送に使われた金額を計算する課題が出される。OpenAIによると、新Astraは62.5%の設問で、5回の独立した試行すべてに正答した。単に正解を出せるだけでなく、同じ資料から繰り返し正しい結果を導けるかを評価している。参照する数値や集計範囲を誤れば、文章として自然な回答でも計算結果は間違ってしまう。
GPT-6.2 AstraのAPI料金は20%引き下げ、Solは据え置き
GPT-6.2 AstraとSolのAPI料金には大きな差がある。ここでは両モデルの入力を10万トークン、出力を1万トークンにそろえ、キャッシュ割引や追加ツール料金を含まない標準API料金で比較する。
APIでは、モデルが処理する文章などを「トークン」という単位で数え、その使用量に応じて課金する。送信した指示や資料は入力トークン、モデルが生成した応答などは出力トークンとして扱われる。同じ指示や資料を繰り返し送る場合、キャッシュが利用できれば入力料金に割引単価が適用される。
OpenAIとArtificial Analysisが公表した、各モデルの100万トークン当たりの標準API料金は以下のとおりだ。
| モデル | 通常入力 | キャッシュ入力 | 出力 |
|---|---|---|---|
| GPT-6 Astra | 10ドル | 1ドル | 50ドル |
| GPT-6.2 Astra | 8ドル | 0.40ドル | 40ドル |
| GPT-6.1 Sol | 2ドル | 0.10ドル | 10ドル |
| GPT-6.2 Sol | 2ドル | 0.10ドル | 10ドル |
GPT-6.2 Astraは旧Astraから通常入力と出力の単価がそれぞれ20%引き下げられ、キャッシュ入力は60%安くなった。一方、GPT-6.2 Solの単価は前世代と同じだ。このため、Astraでは料金改定そのものが費用削減につながるが、Solの世代間で費用に差が生じる場合は、主にトークン使用量やキャッシュの利用状況が影響する。
入力10万トークン、出力1万トークンを処理する場合、GPT-6.2 Astraの料金は1.20ドル、GPT-6.2 Solは0.30ドルとなる。これは入力と出力のトークン数をそれぞれ100万で割り、対応する単価を掛けて合計した金額だ。同じ条件でGPT-6 Astraを使うと1.50ドルかかる。仮に1ドル=150円で換算すると、新Astraは180円、新Solは45円、旧Astraは225円となる。
この条件では、新Solの料金は旧Astraの5分の1だ。一方、冒頭で示した約15%という数字は、Artificial Analysisが総合指数を構成する評価課題の実際のトークン使用量からAPI費用を計算し、各評価の重みに応じて平均した結果である。推論設定や課題によってトークン使用量が異なるため、固定した入出力量による試算とは比率が変わる。実際の導入費用を見積もる際には、平均的な入出力量に加え、モデル変更によって再試行や修正がどれだけ増減するかも考慮する必要がある。
コード修正では上位モデルに迫る一方、既存コードの説明能力は低下
コーディング能力の評価では、新Solの得意分野と弱点が明確に分かれた。
Cognitionの「FrontierCode 2.0」は、実際のコードベースにモデルが修正を加え、その変更が保守担当者の採用基準を満たすかを評価する試験だ。OpenAIの公表値では、GPT-6.2 SolはGPT-6.2 Astraとの差が0.5ポイント以内に収まり、課題当たりの費用は約5分の1だった。両モデルとも推論設定はmaxである。
一方、Artificial AnalysisがCodexを使い、推論設定maxで実施した「Coding Agent Index」では、GPT-6.2 Astraの成績は旧Astraから横ばいだった。GPT-6.2 Solは旧Solを3ポイント下回っている。この低下の主な原因は、既存のコードベースに関する質問に答える「SWE-Atlas-QnA-AA」で14ポイント悪化したことだ。Artificial Analysisによると、新Solは回答に含めるべき重要な事実を省略する傾向が前世代より強まった。
コード修正と既存コードの説明では、成果物の検証方法が異なる。コードの修正であれば、変更された部分を確認し、テストを実行することで意図どおりに動作するか検証できる。一方、初めて扱うリポジトリについて設定の依存関係や例外処理の動作を尋ねる場合、回答から抜け落ちた情報を見つけるには、元のコードを改めて調べる必要がある。
FrontierCode 2.0の結果は新Solと新Astraの比較であり、SWE-Atlas-QnA-AAの低下は新旧Solの比較である。新Solを導入する場合、コード修正が受け入れられた割合だけでなく、既存コードの説明で必要な事実をどれだけ正確に拾えるかも、別の指標として評価することが重要だ。
安全性評価ではAstraが「AI自己改善」のHigh基準に到達
OpenAIが公開したGPT-6.2のシステムカードによると、両モデルはサイバーセキュリティ分野で「Critical」、生物・化学分野で「High」の能力基準に達した。AI研究を加速する能力を測る「AI自己改善」では、GPT-6.2 Astraが外部提供モデルとして初めてHighに達し、Solはこの基準を下回った。OpenAIはAstraの能力について、2024年を基準として、同社の研究者一人ひとりに有能な研究エンジニアが一人ずつ追加されるのに相当すると評価している。
こうした能力の向上に対応するため、OpenAIは社内での利用拡大に先立って安全対策を評価し、研究環境の隔離を強化した。また、研究用システムの処理状況を監視し、必要に応じてモデルの出力を停止できる「Control Room」も導入している。
一方、モデルの行動に関する評価では、報告の正確性に課題が見つかった。OpenAIの二つの試験で、必要なファイルが存在しない、検索ツールが利用できないといった障害が発生しても、両モデルはそれを作業報告に記載しない傾向が前世代より強まった。OpenAIはCodexに開発者向けの指示を追加し、試験で報告漏れを大幅に減らしたという。AIエージェントを業務に導入する際には、完成した成果物だけでなく、参照した資料や実行できなかった操作も確認できる仕組みが求められる。
ChatGPT WorkとCodexで提供開始、APIからも利用可能
GPT-6.2 AstraとSolは、ChatGPT WorkとCodexでPlus、Pro、Enterprise、Eduの利用者に提供される。高速設定の「Ultrafast」は、Pro 500で両モデルに対応するほか、Pro 200でもSolから利用できるようになった。対象となるEnterpriseとEduの利用者がUltrafastを使うには、ワークスペースの管理者による有効化が必要だ。
開発者向けにはAPIも提供されており、モデル名として gpt-6.2-astra と gpt-6.2-sol を指定できる。両モデルともAPIでUltrafastを利用できる。
旧Astraからの移行を検討する企業にとっては、API単価だけでなく、成果物の品質と確認作業を含めた費用の比較が重要になる。例えば、定型的なコード修正と複数資料を横断する調査をそれぞれ実際の案件で試し、完了件数に加えて修正が必要になった理由を記録する。受け入れられた成果物1件当たりの費用と、人間が資料やコードを再確認する時間を比較することで、どの業務をSolに移し、どの業務にAstraを使い続けるべきかを判断しやすくなる。



