GPT-5.6 のレビュー（1 分で読めます）

GPT-5.6 がついに登場しました。政府の承認により2週間遅れましたが、Claude Fable と正面から対峙する形でのリリースです。私は過去2ヶ月間、社内で GPT-5.6 Sol を使用し、おそらく 250 億トークン以上を消費しました。今、何が得意で、どこで破綻するのかを知っています。Codex は最近非常に高速化されました。その変化は顕著です。また、Cerebras がまもなく完全版の GPT-5.6（水増しされていないバージョン）を提供すると予想されており、これまで見たこともない最先端モデルの速度が実現されるでしょう。Speedmaxxis の皆様、おめでとうございます！ただし、1 秒あたりのトークン数だけが高速化を決定づける要素ではありません。GPT-5.6 は通常、タスク完了への最短ルートを選択します。物事を非常にうまく、かつ直接的に実行する方法を知っているのです。マインクラフト風のゲームがその最たる例です。/goal コマンドで開始し、そのまま離れました。コア機能が動作した時点で停止するかと予想しましたが、そうなりませんでした。モデルはレベル、モブ、細部の追加を続けました。数日後、私が自ら実行を終了させました。しかし、途中で介入して正しい軌道に戻す必要があると感じたことはありません。

これは /goal を使用したからこそ起きたことです。このモードでは、GPT-5.6 はチェックイン（進捗確認）を行わずに、ほぼ非現実的な長時間にわたって作業を続けます。通常のプロンプトでは、より早く停止し、次のステップを尋ねる可能性が高くなります。長期自律性に関するあらゆる主張には、この注意書きが必要です。

BUILD OUTPUT · BLOCKCRAFT

RUN NOTES · LONG RUN

The run kept finding more work.

• 01

/goal started

One open build

• 02

Core game worked

Where I thought it would stop

• 03

Levels and bosses appeared

It decided the job wasn't done

• 04

Stopped manually

Days into the run

This level of persistence only showed up with /goal.

Blockcraft showed it could keep going. The Excel clone was a harder test: it had to inspect Excel on my desktop, recreate the interface, and make a lot of interlocking pieces work together.

Try the Excel clone.

GPT-5.6 built this over six days. It's the real app, not a screenshot. Edit a cell, write a formula, and poke around.

ゴールラインを設定して実行させました。Computer Use を使用してデスクトップ上の Excel を検査し、それと自社のビルドを比較しながらギャップを埋め続けました。私は約 6 日後に自分で実行を停止しました。機能は完全ではありませんが、デモの域を超えています。十分な時間と明確な目標を与えれば、GPT-5.6 は修正すべき次の課題を見つけ続けます。

リーディング設定が重要です。

Light モードは簡単な質問や小規模なローカル編集に適しています。High と Extra High が本格的な作業には最適なバランスです。Ultra モードは通常、追加の思考にかかる時間に見合わないほど長く、トークンを消費します。Fable は Medium または High で十分な性能を発揮することが多いです。GPT-5.6 Sol を使用する際は、私は常に Extra High に設定しています。

GPT-5.6 が 3 つのサイズで提供されているのが素晴らしいです。速度とコストに応じて Sol、Terra、Luna から選択し、それぞれに対して思考努力レベルを個別に設定できます。Sol は困難な作業向け、Terra は日常使用向け、Luna は高速かつ低コスト向けです。これらの制御は非常に精密です。ただ、Codex がプロンプトを自動的にルーティングしてくれればと思います。

ブラウザが最初に開きます。

GPT-5.6 は Codex ブラウザを好みます。タスクがウェブサイト上で完結する場合は、通常、API キーの入力を求めたり、ターミナルに作業を強制したりするのではなく、そのサイトを直接開きます。確認のために GPT-5.5 に切り替えてみると、ブラウザの方が明らかに適切である場合でも、直ちにコマンドラインへ移行してしまいました。

そのブラウザ制御は、私がこれまで使った中で最も高速かつ正確です。データインポートが実行されている間、負荷の変化に応じて Supabase を監視し、インスタンスのサイズを変更するよう指示しました。ダッシュボード上に留まり、処理を完了させました。API の設定やキーの手渡しは一切行っていません。Supabase は私が行うべきように扱われました。

ブラウザタスク・簡略化版

ダッシュボードの監視、設定の変更、結果の確認を行います。

console.local/usage

console.local/capacity

console.local/usage

エージェントアクティブ

使用量モニター

ライブ容量

監視中

CPU82%

メモリ76%

インスタンス02

容量

スケールインスタンス

調整中

アクティブインスタンス

*−*03*+*

自動スケーリング

**

容量を適用

使用状況モニター

容量が更新されました

検証済み

*✓*

負荷が範囲内に戻りました。

3 インスタンス・CPU 54%

• 01 観察

• 02 ナビゲーション

• 03 調整

• 04 検証

console.local/usage

console.local/capacity

console.local/usage

エージェントアクティブ

使用状況モニター

ライブ容量

監視中

CPU82%

メモリ76%

インスタンス02

容量

スケールインスタンス

調整中

アクティブインスタンス

*−*03*+*

自動スケーリング

**

容量を適用

使用状況モニター

容量が更新されました

検証済み

*✓*

負荷が範囲内に戻りました。

3 インスタンス・CPU 54%

• 01 観察
• 02 ナビゲーション
• 03 調整
• 04 検証

私は、通常自分でクリックして処理するであろう Google Workspace のタスクを GPT-5.6 に任せてみました。具体的には、Forward Future を forwardfuture.ai から forwardfuture.com へ移行し、古いアドレスも機能するようにすることです。これは管理コンソールを通じて、私が行うのと同じ手順で正常に完了しました。新しいドメインの検証を行い、.com をプライマリドメインとして設定し、.ai のエイリアスも動作させたまま維持しました。さらに MX、SPF、DKIM の設定も行われました。また、重要な保存操作の前には一時停止し、何が変わるかを正確に伝え、私の確認を待ってくれるという点でも優れていました。

Atlas は OpenAI が開発した AI ネイティブブラウザでした。このブラウザではページ内に ChatGPT が組み込まれており、ブラウザのメモリ機能や、タブを開いてユーザーに代わってアクションを実行できるエージェントモードを備えていました。その狙いは、コピー＆ペーストとタブの切り替えという面倒な手順から脱却することでしたが、人々が日常で使っているブラウザとしては結局あまり普及しませんでした。しかし、Codex を搭載した GPT-5.6 は、このアイデアを実現するバージョンの中で、私が一日中使い続けたいと思う最初のものです。

厄介な作業は、通常は一つの大きなタスクとして現れるものではありません。それは五十もの小さな仕事に分解されます。ダッシュボードを確認し、あるサービスから数値を取得し、別のサービスの設定を変更し、結果を確認して、元の業務に戻るというループです。Codex はこのループ処理において非常に優れています。ページを開き、そこに何があるかを読み取り、アクションを実行し、それが確実に反映されたことを確認します。最初に API 統合やその場限りのスクリプトを作成するよう私に求めるのではなく、自動で完結させてくれます。

まだこれを実際のメインのブラウザドライバとして使う準備はできていません。生産データを変更したりアクセスしたりする可能性のあるものは、引き続き注意深く監視しています。しかし、ワークフローの形はすでに現実のものとなっています：通常通りブラウジングを行い、タスクが発生した際に同じウィンドウ内で引き渡します。これがさらに信頼性が高まれば、ブラウザはすべてのクリックを行う場所から、作業を指示する場所へと変わっていくでしょう。

その人格は地味です。予想以上に気に入っています。GPT-5.6 は十分な情報を提供し、説明は簡潔で、回答に無駄な飾りをつけることはほとんどありません。Claude の方がまだ温かみを感じさせます。GPT-5.6 はより臨床的（クリニカル）であり、それが使いやすさにつながっています。私は通常、Fable に物事をよりシンプルに、あるいはより簡潔に説明するよう求める必要があります。

フロントエンドのセンスは向上しましたが、デフォルトは予測可能です：すべてのサイトが巨大な見出しと明確なセクション区切りを持つ PowerPoint デッキに変化します。作業成果物は美しく見えますが、同時にスライドのようにも映ります。ただし、このモデルはデザイン指示を良く受け入れます。私はこのページをエッセイの方向へ押し続けましたが、気に入っている部分は崩すことなく従ってくれました。

デザイン指示 · 前 / 後

## 同じ製品でも、異なる直感。

最初の試作は PowerPoint デッキのように見えました。1 回の指示によって、より密度が高く、静かで、使いやすいものになりました。

Before

Deck-first

image

見た目は良かったが、レイアウトはスライドデッキのように振る舞っていた。

After

Website-first

image

改訂版はより静かで密度が高い。まるでウェブサイトのような感覚だ。

私はまだ盲目的に信頼していない。OpenClaw を使用していたシステムの一部分を再構築するよう依頼したところ、完了したと回答された。しかし後で確認すると、実際には完了していなかったのだ。「完了」の定義を明確にし、モデルが検証できる対象を与える必要がある。混乱した際、内部プロセスの一部が稀に回答に漏れ出すことがある。稀ではあるが、発生すれば明白だ。

## The comparison, so far.

Fable は、私に大規模なプロジェクトを創り出してそれを適切に活用したいと思わせた。

GPT-5.6 はより手軽にアクセスできる。私は、作業フローを変えずに、1 行の編集やブラウザでの雑務、そして大規模なビルドにこれを利用している。私にとって GPT-5.6 は約 2〜3 倍速く感じられる。これはベンチマークではなく印象だ。生成が速く、迷走せず、触れるコードも少ない傾向がある。GPT-5.6 は驚異的なモデルであり、間違いなく GPT-5 シリーズの中で最高である。

まず類推から始めよう。なぜなら誰もが自らの見解を述べているからだ。GPT-5.6 はおそらく GPT-5 学習シリーズの最後のモデルだろう。それは長年のキャリアの頂点に達したアスリートのようなものだ。

長年の経験により、コート上で最も信頼性の高い選手となり、最高のゲーム IQ を備えている。しかしこれ以上成長する余地はない。この学習ラウンドはすでに天井に到達しているのだ。

一方 Fable は、本質的に新しい学習ラウンドからの最初のモデルであり、ドラフト会議の 1 巡目指名されたルーキーのようなものだ。それは未熟さゆえの驚異的なプレイを可能にするような、若き選手が持つ原動力とエネルギーを備えた才能を持っている。

しかし同時に、経験不足に起因するミスも犯す。そのルーキーにより多くの試合経験を積ませれば、やがてベテランを超えてしまう可能性もある。これは新しいゲームであり、新たな時代なのだ。

ベンチマーク結果を眺める前に、最も大きな違いは現れます。

この表は実用的なバージョンです：各モデルが指示をどのように受け取り、どの程度の裁量権を自らに与え、タスクをどう進めていくかを示しています。以下のベンチマーク表ほど科学的ではありませんが、私が毎日何を使うかを決定する上でより有用でした。

性格

率直で少し無味乾燥。通常は必要なだけの説明を提供します。

より温かみがあり、話しやすいです。

私が与える指示

小さな編集、ブラウザ作業、あるいは大規模なビルド。あらゆるスケールで機能します。

私はこれを使うに値する十分な規模のプロジェクトを探し続けました。

完了への道筋

通常は最短経路を選び、要求された範囲内に留まります。

プロンプトに余地がある場合、作業範囲を広げる可能性が高いです。

自律性

/goal を使用すれば数日間実行可能です。通常のプロンプトでは、タスクを限定されたものとして扱います。

大規模で開放的なプロジェクトにおいて、より自然な自律性を発揮します。

体感速度

およそ2〜3倍速く感じられます。生成が早く、迂回する回数が少なく、変更するコード量も少ないです。

生成が遅く、プロジェクトを処理するスピードも遅いです。

2 つの発表ページでは、15 の名前付きベンチマークの結果が公開されています。Terminal-Bench 2.1 のみが明確な直接比較となっています：OpenAI は GPT-5.6 Sol と Claude Fable 5 を同じチャートで報告しています。OpenAI は GeneBench、ExploitBench、および ExploitGym をパフォーマンス曲線として公開しているため、表には低推論から最大推論までの Sol の全範囲が示されています。Anthropic の結果の多くについては、ソーステーブルは Mythos 5 と Fable 5 を結合し、より高いスコアを表示しています。これらの値は以下に含まれていますが、Fable 単独の結果ではなく結合された結果としてラベル付けされています。OpenAI の発表チャートに一致する結果がない場合、私は関連するシステムカードおよびベンチマーク発行者の主要なリーダーボードも確認しました。

Terminal-Bench 2.1

88.8% Sol · 最大推論 91.9% in Sol UltraOpenAI chart ↗

84.3% Fable 単独 · 同じ OpenAI チャート OpenAI chart ↗ Anthropic は、Mythos/Fable の結合列に対して個別に 88.0%* を報告しています。

GeneBench v1

10.8–30.7% 低推論 → 最大推論 · 2.7K–30.1K 出力トークン OpenAI chart ↗

未公開

ExploitBench Cap%

28–73%: 低推論から最大推論へ · 出力トークン数 28.7K–120.5KOpenAI チャート ↗

78.0%*: Anthropic の Mythos 5 と Fable 5 を組み合わせた結果 · Fable のみではない Anthropic テーブル ↗

ExploitGym

6–25% (2 時間) 6–34% (6 時間): 低推論から最大推論へ · 意図的なエクスプロイト率 OpenAI チャート ↗

未公開

SWE-Bench Pro

GPT-5.6 の結果は見つかりませんでした

80.3%: Anthropic の Mythos 5 と Fable 5 を組み合わせた結果 · Fable のみではない Anthropic テーブル ↗

FrontierCode Diamond

GPT-5.6 の結果は見つかりませんでした

29.3%: xhigh · Anthropic の Mythos 5 と Fable 5 を組み合わせた結果 · Fable のみではない Anthropic テーブル ↗

GDPval-AA

GPT-5.6 の結果は見つかりませんでした

1932: Anthropic の Mythos 5 と Fable 5 を組み合わせた結果 · Fable のみではない Anthropic テーブル ↗

GDP.pdf

GPT-5.6 の結果は見つかりませんでした

29.8%: ツール未使用 · Anthropic の Mythos 5 と Fable 5 を組み合わせた結果 · Fable のみではない Anthropic テーブル ↗

Blueprint-Bench 2

GPT-5.6 の結果は見つかりませんでした

38.6% Anthropic 社の Mythos 5 と Fable 5 を組み合わせた結果（Fable のみの結果ではありません）Anthropic 表 ↗

AutomationBench

GPT-5.6 の結果は見つかりませんでした

17.4% Anthropic 社の Mythos 5 と Fable 5 を組み合わせた結果（Fable のみの結果ではありません）Anthropic 表 ↗

OSWorld-Verified

GPT-5.6 の結果は見つかりませんでした

85.0% Anthropic 社の Mythos 5 と Fable 5 を組み合わせた結果（Fable のみの結果ではありません）Anthropic 表 ↗

Legal Agent Benchmark

GPT-5.6 の結果は見つかりませんでした

13.3% Anthropic 社の Mythos 5 と Fable 5 を組み合わせた結果（Fable のみの結果ではありません）Anthropic 表 ↗

Humanity's Last Exam

GPT-5.6 の結果は見つかりませんでした

59.0%* ツールなし64.5%* ツールあり Anthropic 社の Mythos 5 と Fable 5 の結果（Fable のみの結果ではありません）Anthropic 表 ↗

BioMysteryBench

GPT-5.6 の結果は見つかりませんでした

46.1%* ハード83.9%* 人間が解決 Anthropic 社の Mythos 5 と Fable 5 の結果（Fable のみの結果ではありません）Anthropic 表 ↗

HealthBench Professional

60.5%長さ調整済み・64.1%未調整OpenAI システムカード ↗

66.0%*Anthropic 統合の Mythos 5 / Fable 5 の結果・Fable のみではない Anthropic テーブル ↗

Anthropic の数値の読み方。 Anthropic によると、Mythos 5 と Fable 5 は通常 1〜3 ポイント以内の差しかないため、発表テーブルには高い方の結果が示されています。アスタリスクは、その社の安全対策により大きな乖離が生じるベンチマークを示しており、これらのテストでは Anthropic は Fable が Opus 4.8 に近いパフォーマンスを発揮すると述べています。なぜなら、一部の要求がそのモデルにフォールバックするためです。「GPT-5.6 の結果が見つからない」とは、発表記事、リンクされたシステムカード、または私が確認したベンチマークリーダーボードに一次ソースの結果が表示されなかったことを意味し、スコアがゼロであることを示すものではありません。

ブラウザ上やフロントエンド作業において Fable が GPT-5.6 と同等の性能を発揮しながらもはるかに安価であれば、それは重要な意味を持ちます。もし GPT-5.6 がベンチマークスコアで上回っていても、実際の業務を完了させるためにより多くの再試行が必要であれば、それもまた重要です。私が重視するのはトークンあたりのコストではなく、完了したタスクあたりのコストです。

API の料金。 100 万トークンあたりの標準 API 価格（米ドル）。

入力トークン

$5 / 100 万トークン

$10 / 100 万トークン

キャッシュ入力

$0.50 / 百万回のキャッシュヒット**$6.25 / 百万回のキャッシュ書き込み

$1 / 百万回のキャッシュヒット

$12.50 / 百万回の 5 分間書き込み

$20 / 百万回の 1 時間書き込み

出力トークン

$30 / 百万トークン

$50 / 百万トークン

GPT-5.6 の価格設定とティア：OpenAI ↗

· Fable の価格設定：Anthropic ↗

## 3 つの追加機能。

動作するアプリを備えた実際のデスクトップ。

ファイル、ノート、ターミナル、カレンダー、タスクボード、設定、保存データはすべて連携して動作する必要があります。

Open Astra OS ↗

実行可能なルベー・ゴールドバーグの実験室。

パーツを配置したり移動させたり、プリセットを読み込んで一連の連鎖全体を実行できます。

Open Chainworks ↗

混ぜて解ける 3D ルービックキューブ。

各面を回転させ、標準的な移動記法を実行したり、シャッフルパターンを生成したり、正確なソルバーに経路探索を行わせたりできます。

Open Cube Studio ↗

## 私はこれを継続して使用しています。

GPT-5.6 は私の時間を無駄にしません。

私はそれをよく使います。なぜなら、結果に早く到達でき、モデルと格闘する時間が少なくて済むからです。何でも得意というわけではありませんが、/goal を使うことで長時間の実行時の挙動が変わります。日常業務においては、ベンチマークよりもこの点の方が重要です。初めて作業を正しく完了させるために最も信頼できるモデルです。

「完了」の定義を明確にしてください。確認できる具体的な対象を与えてください。作業がウェブサイトに存在する場合は、ターミナルに押し込むのではなくブラウザを使わせてください。それでも監視は必要です。曖昧なプロンプトでは、作業が終わる前に自信満々に「完了」と言ってしまう可能性があります。

Fable が利用可能になる中で、ついに OpenAI の最前線モデルが加わったのは素晴らしいことです。GPT-5.6 は GPT-6 が出る前の GPT-5 ファミリー最後のモデルとなる可能性が高く、そのファミリーの中で最も完成度の高いバージョンのように感じられます。私が重視する点では、Codex は Claude Code よりも成熟しており、特にブラウザ制御やコンピューター利用の面で優れています。Fable と比較したトークン効率性は驚異的なもので、OpenAI もクォータに対して寛大です。また、彼らとは仕事をするのが楽しく、政府による遅延中に何が起きていたかについても、 unusually 透明性が高く対応してくれました。