OpenAI、最新モデル「GPT-6 Astra」発表し AGI 時代へ

OpenAI は木曜日、最新フラッグシップモデル「GPT-6 Astra」を発表しました。同社はこれを「世界で最も知能が高く、アライメント（価値観の一致）がとれたモデル」と位置づけています。ベンチマークの結果を見ても、この評価は妥当なように思えます。

ただし、発表前の記者会見では、OpenAI のプレジデントである Greg Brockman 氏がベンチマーク以上の見解を示しました。AGI（汎用人工知能）がまだ「曖昧で不確かなもの」であることを認めつつも、将来の歴史家たちは Astra を AGI が到来した瞬間を刻んだモデルとして振り返るだろうと示唆しています。

「今や私たちは AGI の時代に入ったと感じても不思議ではないと思います」と Brockman 氏は語りました。OpenAI が正式に AGI の達成を宣言するかどうかという質問に対し、彼はこの用語がもはや契約上のトリガー（マイクロソフトとの以前の合意を指す）に縛られるものではなく、「ミッションの概念や精神的な概念」であると説明しました。

「これが該当するかは読者自身が判断していただくことにします」と Brockman 氏は付け加えました。「私個人としては、私たちはすでにその段階にあると考えています。それを裏付ける十分な根拠があると思います。しかし、これは旅の始まりであって、終わりのことではありません。」

記者会見を締めくくる際、彼はこう述べました。

「ようこそ、AGI の時代へ」

「ようこそ、AGI の時代へ」—— OpenAI プレジデント Greg Brockman

OpenAI 史上最大の学習計算量

OpenAI の Aidan Clark 氏によると、Astra は OpenAI がこれまでに実施した中で最大のトレーニング実行となりました。"テキサスにあるスターゲイト拠点で、10 万基を超える GPU を同時に使用して事前学習を行ったのは初めてです」と Clark 氏は述べています。また、Astra は過去のモデルがトレーニングプロセスの監督に重要な役割を果たした、OpenAI 初のモデルリリースであると指摘しています。

imageクレジット：OpenAI

ただし、すぐに Astra を利用できるようになるわけではありません。まずは OpenAI の「Daybreak」プログラムを通じてアクセス権を持つ企業顧客向けに展開が始まります。

OpenAI によると、Astra は今後数日以内に Plus、Pro、Business、Enterprise ユーザー向け、および OpenAI API や AWS を通じて提供開始されます。

Pro、Business、Enterprise ユーザーは「GPT-6 Astra Pro」へのアクセスも得られ、対象となる API 顧客はゼロデータ保持機能付きで Astra を利用できるようになります。

コストについて

API で利用可能になった際、Astra の料金は入力トークン 100 万あたり 10 ドル、出力トークン 100 万あたり 50 ドルとなります。これは Sol の現在のプロモーション価格の 2.5 倍ですが、Anthropic の Fable 5.1 と同様の価格設定です。

一方、Muse の標準価格は入力トークン 100 万あたり 1.25 ドル、出力トークン 100 万あたり 4.25 ドルと、Astra よりもはるかに低く設定されています。Meta はそれぞれ 0.10 ドル/0.20 ドルの "Contributor" バージョンを提供していますが、このtierで生成されたデータは製品改善に利用される可能性があります。Google の Gemini 3.8 Flash の導入価格も 0.75 ドル/3.75 ドルとなっています。

トークンあたりの単価が高くても、モデルがより少ないステップでタスクを完了し、再試行回数が減れば、請求額が高くなるわけではありません。OpenAI によると、Astra は複数の評価やパートナーテストにおいて、他のモデルよりも少ないトークンを消費します。ただし、今回のローンチデータは情報が限られており、そのコスト削減効果が価格の上乗せ分を上回るかどうかを明確に示すには至っていません。

「重要なのはタスクあたりの料金です」と Brockman は述べています。

GPT-5.6 の際には Luna、Terra、Sol といったバリアントが発表されましたが、GPT-6 では OpenAI はそれらのバリアントを発表していません。現時点でのラインナップは Astra と Astra Pro のみです。

Astra が優れている点とそうでない点

OpenAI によると、特に注記がない限り、評価に使用されたモデルはいずれも最大限の能力を発揮する設定で動作しています。この設定はベンチマークの結果を向上させる一方で、レイテンシの増加やトークン消費量の増大を招く可能性があります。

Astra の DeepSWE v1.1 における結果は、OpenAI のモデルにとって明確な進歩です。113 タスクからなるエージェント型コーディングテストで 74.1% を達成し、Sol の 70.8% を上回りました。

しかし先週、Meta は Muse Spark 1.3 が最大推論設定で 75.4% を記録したと発表しました。Muse 1.3 そのものは利用可能ですが、最大推論設定は現在も安全性審査中で、ローンチ時点では一般公開されていません。

これは Meta にとって驚くべき勝利です。この規模のベンチマークにおいて、1.3 ポイントの差はおよそ 1〜2 タスク分に相当しますが、それでも Meta の技術がどれほど進化を遂げたかを如実に示しています。

現在の公開 DeepSWE リーダーボードでは、Gemini 3.8 Flash と Claude Opus 5 が 74%、Sol が 73% を記録しています。報告されている不確実性の範囲が重なっているため、明確な勝者を決めることはできません。一方、OpenAI のチャートには Muse が含まれておらず、Fable 5.1 の結果を 67.4% としているため、Astra の優位性が実際の広範な結果よりも大きく見えている可能性があります。

Astra の大きな進歩は、コーディング以外の分野で見られます。

特筆すべきは、ARC-AGI-3 で達成した 98.6% というスコアです。OpenAI は Astra を、対話間で推論を保持し、コンパクション（圧縮）技術を用いて長い文脈を管理する Responses API ハーネスで実行しました。同社は以前、モデル自体を変更せずにこれらのシステム選択が ARC-AGI-3 のスコアを大幅に向上させることを示しており、このベンチマークは Astra と OpenAI のエージェントシステム全体を測定するものです。

Astra が FrontierMath Tier 4 で記録した 97.6% という結果は、43問構成のティアに含まれる 41問の非公開問題を網羅しているようです。このベンチマークを実行している Epoch AI は、OpenAI が開発資金を提供し、一部に独占アクセス権を持っていると述べているため、その点も考慮しておく必要があります。

Credit: OpenAI.

Astra は、Python ツールを活用した BenchCAD の 1,000 ファイルからなる Vision2Code サブセットで 95.9% のスコアを記録しました。これに対し、Fable 5.1 は 84.3%、Sol は 83.3% です。BenchCAD では、レンダリングされた画像から CAD プログラムを再構築するタスクを与え、生成された 3D モデルの幾何学的な重なり具合で評価を行います。OpenAI は Claude の結果に使用した評価設定が一部変更されている点を明記していますが、それでも Sol との差は依然として大きいです。

また、5 つの科学分野にわたる 70 のコマンドライン研究タスクを完了させるよう求める「Terminal-Bench Science」では、Astra が 64.6% を達成しました。Anthropic は Fable 5.1 で 52.6% と報告しており、既存のパブリックリーダーボードの最高値である Opus 5 の 30% を大きく上回っています。

Anthropic もまた、Fable 5.1 の発表で科学分野への注力を強調し、より安全装置を減らした同基盤モデル「Mythos 5.1」によって設計されたタンパク質結合体の初期実験結果も公開しました。両社とも、単に科学の質問に答える段階を超え、実際の研究ワークフローへモデルを組み込むことを目指しています。

Codex の変更点は？

開発者にとって、ベンチマークでのスコアアップ以上に重要なのが、コンテキストウィンドウを超過するタスクに対する Astra の対応力です。

現在の Codex は「圧縮（compaction）」に依存しており、過去の作業を要約してコンテキストの空き容量を確保しています。しかしこのプロセスでは、後でエージェントが必要とする重要な詳細情報が失われるリスクがあります。具体的には、「なぜ以前の修正が失敗したのか」「どのテストが実行されたか」「タスク開始時にユーザーが追加した小さな要件は何か」といった情報です。

Astra は、コンテキストウィンドウを跨いでメモを保持したり、過去のメッセージやツールの出力を検索したりすることが可能です。この機能は現在、config.toml の設定で実験モードとして利用できますが、OpenAI によると今後数週間で Astra のデフォルト機能になるとのことです。

Astra はまた、作業の進行を止めることなく、回答に依存しない質問をユーザーに行うこともできます。これにより、1 つの未解決の判断が他のタスクをブロックするという、コーディングエージェントでよく見られる失敗モードを防ぐことができます。

OpenAI は、KiCad、Excel、Blender、Power BI といったアプリケーションでの Astra の動作や、ブラウザベースのフォーム入力、Web サイトの QA 実行デモも公開しました。

デスクトップアプリケーション間での作業をテストする OSWorld V2-Offline ベンチマークでは、Astra が 72.6% のスコアを記録。これは GPT-5.6 Sol の 65.7% を上回る結果です。また、タスクあたりの平均所要時間も約 75 分から 40 分に短縮されました。

Anthropic は Fable 5.1 で 77.9% というより高い結果を報告していますが、同社はこのテストで異なる OSWorld リリースを使用しており、過去のスコアと比較すべきではないと述べています。

OpenAI はまた Codex ハンチスも変更しました。Mind2Web ベンチマークでは、Astra と新しいハンチスの組み合わせが、現在の Sol ベースのセットアップよりも 1.9 倍速くタスクを完了しています。

より能力は向上したが、監視は難しくなった

Astra が OpenAI にとって最もアライメントされたモデルであるという主張の一部は、内部テストに基づいています。そのテストでは、不可能なタスクのシナリオにおいて Astra は許可されたターゲットから外れることが 0% であった一方、Sol では 48.2% に達しました。

OpenAI は、旧モデルが「本番環境の安全対策なしで稼働している」と説明していますが、周囲の安全設定の役割については直接的な比較ができるほど明確には示していません。

また同社は、監視回避を誘発するように特別に設計された評価において、Astra の書面による推論プロセスは Sol よりも監視が困難だったと明らかにしました。OpenAI はこの低下の一部の原因として、Astra が単純なタスクにおいて書面による推論に対してより大きな制御権を持ち、より少ない推論ステップで問題を解決している点を挙げています。

「知能の進歩が必ずしもアライメント（目標整合性）の進歩を保証するものではない」と OpenAI のチーフサイエンティストである Jakub Pachocki は述べています。彼はさらに、「将来のモデルを監視できる能力に対する信頼を十分に回復させるまで、スケーリングは停止する」と付け加えました。

サイバー攻撃能力にはより厳格なアクセス制限が伴う

OpenAI によると、Astra は同社の準備度フレームワークにおいて「クリティカル（重要）なサイバーセキュリティの閾値」を突破しました。社内のテストでは、このモデルは堅牢化されたブラウザやオペレーティングシステムに対する脆弱性攻撃コードを開発しました。また、最近の V8 のバグに対して評価を行っていた際にも、2 つの未発見の脆弱性を特定しています。同社はこれらを開発者へ報告する方針です。OpenAI は、報告されたサイバー関連の結果は Astra のデフォルト本番構成ではなく、「Daybreak Blue」というアクセス権限を付与した環境での結果であると説明しています。

OpenAI は、ExploitBench と ExploitGym を「既知のソフトウェア脆弱性を動作するエクスプロイトに変換できるか」というモデルの能力を測るテストとして位置付けています。ExploitGym では Astra が 42.4% のスコアを記録し、Sol の 30.3% を上回りましたが、OpenAI は両モデルに対して従来の 6 時間という制限時間を撤廃しました。

ExploitBench では、両モデルとも 100% のスコアを達成しています。

ただし、一般アクセスで利用可能な Astra のバージョンは、エクスプロイトの発見など高度なサイバーセキュリティ作業の一部を拒否するよう設計されています。

OpenAI は、初期段階として審査済みの防衛チームに対して Daybreak を通じて制限の少ないアクセス権を与えており、今後数週間で「Daybreak Blue」を通じて Astra の利用範囲を広げるとしています。Daybreak Blue は、承認された防御作業を行うためのアクセスプログラムであり、別個の Astra モデルや推論モードを指すものではありません。

API を活用する開発者向けには、サイバーセキュリティ関連の安全チェックが導入され、許可待ちで一時停止するのではなく、該当タスクは即座にブロックされます。

OpenAI の Mia Glaese 氏はまた、信頼されたアクセスプログラム外のユーザーが、サイバーセキュリティ作業中だけでなく、時には無関係な作業中にも速度低下や一時停止、あるいはブロックを経験する可能性があるとも警告しました。これは直近のモデルリリースでよく見られる課題ですが、利用者にとってはストレスとなるものです。

「ローンチ時点では、こうした現象は想定しておくべきことです」と彼女は述べています。