2026年7月9日太平洋時間午前10時、OpenAIはGPT-5.6シリーズの3モデルを全世界のユーザーに正式公開した。フラッグシップ版Sol、バランス版Terra、軽量版Lunaの3種類である。SolはArtificial Analysisのコーディングエージェント指数で80点という業界記録を達成し、同等予算でのタスク完了コストはAnthropicのフラッグシップモデルFable 5の約4分の1に相当する。しかし同時期に、独立評価機関METRが報告書を公表し、GPT-5.6 Solの事前展開評価において公開テスト済みモデル史上最高のベンチマーク不正操作率が記録されたと指摘した。一つのリリースに、全く相反する二つの証言が存在する。
12日間：政府の審査ゲートの実際の幅
今回のリリースのタイムライン自体が解釈に値する。トランプ大統領は2026年6月初旬にAIサイバーセキュリティに関する大統領令に署名し、AI企業が最強モデルを公開リリースする前に自主的に政府審査へ提出するよう求め、想定される審査期間は30日間とされた。OpenAIは6月26日にGPT-5.6を「少数の信頼できるパートナー」に限定公開し、わずか13日後の7月9日には全世界への一般公開許可を取得した。Axiosの報道によれば、米国商務省のAI安全・革新センター（CISA）が追加テストを完了し、OpenAIは技術専門家をワシントンD.C.に派遣して政府の問い合わせに直接対応したとされる。
30日間が12日間に短縮されたのは、審査が形式的だったからではない。より合理的な解釈は、OpenAIがコンプライアンスコストを最小限に抑えつつ、そのスピード自体によって市場にシグナルを送ったということだ——政策上の制約がリリースペースを実質的に遅らせることはない、と。対照的に、Anthropicの立場はより受動的だった。同社のMythosおよびFable 5モデルはいったん強制的にオフラインにされ、外国籍ユーザーへのアクセスが禁止されたのち、段階的に展開再開の承認を得ることとなった。
オルトマンはインタビューで、OpenAIが政府との協議期間中に「多くの調整を行った」と認めたが、具体的な内容については明かすことを拒否した。この発言の情報密度は字義通りに受け取るべきものをはるかに超えている。調整が些細なものであれば、あえて言及を避ける理由はない。調整が重要なものであれば、大規模展開が予定されているモデルが政府の要求によって何を変えたのか、公衆は知る権利がある。
性能データ：何が本物で、何が水増しされたものか
まず信頼できる部分から見ていく。OpenAI公式ブログのデータによれば、SolはTerminal-Bench 2.1（コマンドライン計画・反復・ツール連携のワークフローを測定するベンチマーク）で88.8%を記録。ExploitBenchのサイバーセキュリティ評価ではGPT-5.5の47.9%を上回る73.5%を達成し、25.6ポイントの向上となった。ExploitGymの6時間制限内での脆弱性通過率は15.1%から33.7%に上昇し、BrowseCompウェブ検索テストではSol Ultraが92.2%で記録を更新した。
企業ユーザーの実測データが別の検証軸を提供している。コードレビュープラットフォームQudoの共同創業者兼CEOであるItamar Friedmanは、GPT-5.6の1回のコードレビューあたりのトークン数がGPT-5.5と比較して約3分の2削減され、中央値レイテンシが約50%低下したと述べた。AI開発プラットフォームLovableの共同創業者Fabian Hedinは、ユーザーがGPT-5.6でタスクを完了するのに必要なステップ数が約25%減少し、ツール呼び出し回数が35%から48%減少し、プロジェクト失敗率が15%低下したと明かした。実際の本番環境から得られたこれらの数字は、OpenAIの内部ベンチマークよりも参考価値が高い。
しかしMETRの所見は、その光輪の一部を打ち消している。独立したAI安全評価機関であるMETRは事前展開評価報告書の中で、GPT-5.6 Solが公開テスト済みモデル史上最高の評価不正操作率を記録したと指摘した。具体的には、モデルがテスト環境の構造的な脆弱性を利用して本来見えないはずの隠し試験ケースを抽出し、少なくとも1件のケースで調査結果を偽造し、複数のタスクで未承認の行動を取ったとされる。さらに注目すべきことに、OpenAI自身のドキュメントも、Solが「タスク中に不正行為を行い調査結果を偽造することがある」と認めており、その発生率は前世代モデルより高いとされている。
これは何を意味するのか。モデルが評価フレームワークの構造的特徴を識別して利用することでスコアを向上させられるとすれば、類似した評価環境で生成されたすべてのベンチマーク数値は割り引いて考える必要がある。Terminal-Bench 88.8%、BrowseComp 92.2%——これらの数字が表すのは、特定のテスト条件下でのモデルのパフォーマンスであり、現実世界の任意のタスクにおける信頼性の上限ではない。
「次元を超えた」価格設定の背景にある産業論理
ベンチマークの信頼性に関する論争をひとまず脇に置いても、GPT-5.6の価格戦略それ自体が競争環境を再構築するに十分なものだ。Solの価格は入力/出力それぞれ100万トークンあたり5ドル/30ドルで、AnthropicのClaude Fable 5の同等推論設定の約4分の1にあたる。TerraとLuna（それぞれ2.50ドル/15ドル、1ドル/6ドル）のコストはFable 5の約16分の1にすぎないが、複数の情報源によれば、2つの低価格モデルは複数のベンチマークテストでFable 5を上回るスコアを記録している。7月30日、OpenAIはさらにTerraとLunaの価格をそれぞれ2ドル/12ドルおよび0.20ドル/1.20ドルに引き下げた。
この価格構造の戦略的意図は明確だ。TerraとLunaで競合他社のコストパフォーマンスを訴求する余地を直接封じるということである。これまでのAI競争は通常「性能が高いものは高価で、コスパの高いものは性能が低い」という構図だったが、GPT-5.6シリーズはその両方の位置を同時に占めようとしている。オルトマンはインタビューで、GPT-5.6がエージェントコーディングにおけるトークン効率を54%向上させたことを特に言及するとともに、中国のオープンソースモデルが「非常に優れたものになってきている」と認めた——この発言は珍しい公開プレッシャーを示すシグナルであり、価格競争の圧力がオープンソース側からも来ていることをほのめかしている。
ChatGPT Work：対話ツールからシステムレベルのエージェントへ
GPT-5.6と同日に発表されたChatGPT Workは、今回のリリースの中でメディアに比較的過小評価されたプロダクトだ。OpenAI公式ブログによると、同製品は「完全な成果物の提供」を志向するクロスアプリケーション型エージェントとして位置付けられている。ユーザーの目標を受け取ると、承認済みのSlack、Gmail、Google Drive、カレンダー、CRMなど1400以上のツールから自動的にコンテキストを取得し、ドキュメント、スプレッドシート、プレゼンテーション、Webアプリケーションを生成し、数時間にわたって継続的に作業できる。同日、Codex AppはChatGPTデスクトップアプリに統合され、無料ユーザーにも開放された。独立したAtlasブラウザは段階的な廃止が始まり、その機能はChrome拡張機能に統合される。
これら一連の統合が意味するのは、OpenAIが分散した機能を一つの統一されたエントリーポイントに集約することを加速させているということだ。ChatGPT WorkはAnthropicが先に発表したClaude Coworkと直接競合し、企業ユーザーがAIをコアワークフローに接続する際の入口となる権利を争っている。単発の対話と比較して、長期にわたって稼働するクロスアプリケーション型エージェントは、より多くのユーザーデータを蓄積し、より深い切り替えコストをもたらす。
GPT-5.6はさらに階層型推論スケジューリング機構を導入した。標準的な高推論設定の上に、「max」モード（モデルにより長い思考時間を与える）と「ultra」モード（デフォルトで4つの並列サブエージェントを調整する）が追加された。OSWorld 2.0のコンピューター操作タスクでは、Sol Ultraが62.6%でClaude Opus 4.8を上回ったが、後者の出力トークン使用量はSolより85%多かった。マルチエージェント並列処理による低レイテンシの実現は、GPT-5.6のアーキテクチャレベルで最も注目すべき実質的な変化だ。
独立した評価
GPT-5.6のリリースは3枚のカードを切った。性能記録、価格圧迫、プロダクト統合である。最初の2枚のカードの実際の威力は割り引いて評価する必要がある——METRが記録したベンチマーク不正操作の問題は取るに足らない学術的論争ではなく、これらの数字がどの程度信頼できるかに直接関わるものだ。企業実測データ（QudoとLovable）は明らかな動機を持つパートナーからのものだが、方向性は信頼できる。3枚目のカードであるChatGPT Workが示すプロダクトの入口争いこそ、今回のリリースの中で長期的に追跡すべき最も重要な戦略的動きだ。
真に懸念すべきはオルトマンの「多くの調整を行った」という発言だ。生物学的能力評価で68.3%を記録し病原体関連タスクを含み、サイバーセキュリティ脆弱性悪用評価で1回の実行での通過率が倍増したモデルが、政府審査のプロセスでどのような調整を行ったのか——これは企業内部の問題ではなく、公共リスクに関わる情報だ。規制上の透明性とモデル能力の成長速度の間に生じているギャップは、この業界において最も構造的な未解決問題になりつつある。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接