OpenAI が GPT-5.6 を正式発表——総合知能スコアは Claude Fable 5 に肉薄、コストは半減、ChatGPT と Codex が統合
- OpenAI は GPT-5.6 シリーズ三段階モデルを正式発表。フラッグシップの Sol、バランス型の Terra、コスパ重視の Luna が、本日より ChatGPT・Codex・API で順次提供開始、24時間以内に全世界展開。
- 同日 ChatGPT Work（Codex を内蔵し、タスクを自分でステップ分解して成果物を出す agent、Claude Cowork 対抗）もローンチし、Codex アプリを新しい ChatGPT デスクトップアプリに統合。いずれも GPT-5.6 が駆動する。
- 新モードの ultra を追加。デフォルトで4体のエージェントを協調させ、複雑なタスクを並行処理。API 側では Responses の multi-agent beta で同様の体験を自前構築できる。
- 公式ベンチマーク：Sol は Artificial Analysis のコーディングエージェント指数で80点を記録し過去最高を更新。総合知能指数では約半分のコストと61%少ない所要時間で Claude Fable 5 に肉薄、差はわずか1点。
- サイバーセキュリティ関連スコアが明確に跳躍（ExploitBench は47.9%から73.5%に上昇）。公式は依然「重大リスク」の閾値は超えていないとしつつ、安全対策の遮断力は約10倍に強化されたとする。
- 価格：Sol は100万トークンあたり入力$5・出力$30、Terra は$2.5/$15、Luna は$1/$6。より安定した prompt キャッシュ機構も新設。
OpenAI がまた新モデルを発表——今回は一気に三段階
OpenAI は本日（2026年7月9日）、フラッグシップの Sol、バランス型の Terra、コスパ重視の Luna から成る GPT-5.6 シリーズを正式発表し、あわせて複数のエージェントを協調・並行動作させる ultra モードも発表した。
しかも今回はモデルを出しただけではない。同じ日に OpenAI は ChatGPT Work をローンチし、Codex を ChatGPT に統合した。それを駆動しているのがまさに GPT-5.6 だ。このプロダクトラインの変化はモデル本体に劣らず重大で、詳しくは第9節で解説する。
提供開始のスケジュール：本日より ChatGPT・Codex・OpenAI API の3箇所で同時に提供開始し、世界各地に段階的に展開、24時間以内に完了する。以下では公式が示したいくつかのテストに沿って、「どこがどう省エネになったのか」「ultra とは何なのか」を一節ずつ見ていく。
同じ賢さで、なぜもっと安く速くなれるのか
あるモデルが使いやすいかどうかを測るには、「スコアの高さ」だけでなく「そのスコアを得るのにいくらかかるか、どれだけ時間がかかるか」も重要だ。GPT-5.6 の売りはまさに後半にある——同じ一連のタスクの所要時間とコストを削り、スコアはほぼ落とさない。
公式は二つの総合テストでこれを示している。一つは Agents' Last Exam（55の専門分野をカバーする長期的なエージェントワークフロー）で、Sol は53.6点まで駆け上がり過去最高を記録、Claude Fable 5 より13.1点高い。中程度の推論設定だけでも Fable 5 より11.4点高く、コストは約4分の1で済む。より省コストなのは小型モデルの方で、Terra と Luna は約16分の1のコストで Fable 5 を上回った。もう一つは Artificial Analysis 総合知能指数（エージェント能力、コーディング、科学的推論、汎用能力をまとめて採点するもの）で、Sol は max 設定でも Fable 5 よりわずか1点低いだけだが、タスク完了にかかる時間は61%少なく、コストは約半分だ。
ultra モード：4体の AI に手分けさせて仕事をこなす
GPT-5.6 は「どれだけ時間と計算資源を思考に費やすか」の段階を調整でき、low・medium・high・xhigh から max まで揃っている。max のさらに上に新設された段階が ultra だ。これは「1体のモデルにもっと長く考えさせる」のではなく、デフォルトで4体のエージェントを呼び出し、タスクを分解して並行処理させ、最後に結果をまとめる仕組みだ。
公式は BrowseComp（ウェブ閲覧タスク）、SEC-Bench Pro（セキュリティの概念実証）、Terminal-Bench 2.1（コマンドラインタスク）の3項目で「エージェント1体」と「エージェント4体」の成績を比較した。結論は、並行するエージェントを数体増やすことで、より短い時間でより高いスコアを得られるというものだ。BrowseComp を例に取ると、単体のエージェントはフルに8分かけて90.84%に達したのに対し、4体のエージェントなら6.58分で92.18%まで到達した。
下のエージェント数を切り替えて、この「スコア・所要時間」曲線が左上にどう動くか見てみよう（左ほど速く、上ほど正確）。
単体エージェントのベースライン：low から max まで、スコアは69.04%から90.84%まで一貫して上昇するが、最高スコアを出すには7.99分フルにかかる。曲線全体は右下寄り。
ultra のデフォルト設定：4体のエージェントを並行動作させると、同じ推論設定でも曲線全体が左上へ移動する。max 設定では6.58分で92.18%に到達し、単体エージェントより速く正確だ。
エージェント16体：さらに左上へ押し進める。low 設定では1分未満で86.41%、high 設定では2.79分で92.18%に達し、上限は93.4%近くまで迫る。
開発者向けには、API 側で同時に multi-agent beta が開放された。1回のリクエスト内で GPT-5.6 に複数の並行サブエージェントを走らせ、それぞれの結果をまとめさせることで、自前で ultra 相当の体験を構築できる。
「GPT-5.6 は我々が CursorBench でテストした中でも最も強力なモデルの一つで、初期評価でも堅実な結果を示している。継続性、知能水準、全体的な効率のいずれにおいても、開発者にとって大きな前進だ。」Oskar Schulz、Cursor 社長
コーディング能力はどう強化されたのか——スコアは過去最高、しかもより省コスト
Sol は現時点で OpenAI 最強のコーディングモデルだ。Artificial Analysis のコーディングエージェント指数では、max 設定で80点を獲得し同ランキング過去最高を記録、Claude Fable 5 より2.8点高く、しかも使用する出力トークンは半分未満、所要時間も半分未満、コストは約3分の1低い。ファミリー全体がその恩恵を受けている。Terra は Fable 5 をわずかに上回り、Luna は Opus 4.8 を超え、それぞれ約3分の1の時間、約半分の出力トークン、約4分の1のコストで済む。
どこで省コストになったか——モデル自身に小さなプログラムを書かせてツール呼び出しを処理させる
コーディングやツール呼び出しの多い作業では、従来の方法は「ツールを1回呼ぶたびに、その返却内容を丸ごと会話に戻し、モデルにもう一度見せて次の判断をさせる」というものだった。往復が増えるほど、消費するトークンも増える。GPT-5.6 は Programmatic Tool Calling（プログラム形式のツール呼び出し）を導入した。モデルが自ら小さなプログラムを書き、メモリ内で複数のツールを連続して調整・不要な中間データを取り除き、重要な節目でだけ結論を自分自身に持ち帰る。
インターンにリストを渡して雑用を自分で処理させ、重要な節目にだけ報告に戻ってきてもらうようなもの。一手ごとに電話で指示を仰ぐ必要がない。往復が減れば、消費するトークンも回り道も減る。
副次的なメリットとして、中間データがすべてメモリ内で処理され保存されないため、Programmatic Tool Calling は Zero Data Retention（ZDR、処理後にいかなるデータも保持しない）というコンプライアンス要件を自然に満たしている。医療や金融といったデータに敏感な業界がツール呼び出しの多いワークフローを導入する際に適している。
自分で仕上がりを見て、問題を見つけて直せるようになった
GPT-5.6 にはインターフェースデザインで一つの変化がある。大まかな方向性さえ与えれば、見た目が良く、使い勝手の良い、実用的なインターフェースを作れる。さらに重要なのは、より強化されたコンピュータ操作能力によって、自分がレンダリングした成果物を実際に見ることができ、コードを吐き出すだけにとどまらず、見た目や機能上の不具合を見つけて自分で直してから返せるようになった点だ。
公式が挙げた最初の実例は、GPT-5.6 がたった一つの高レベルな指示だけで作り上げたヨットレースのミニゲーム Saltwind。すぐに遊べる3Dウェブゲームだ。下に埋め込まれているのがそのゲーム本体で、「START REGATTA」をクリックすれば実際に船を操縦できる（キーボードの A/D で舵取り、W/S で帆の調整、スペースで加速）。
もう一つの流れは、一言の自然言語をインタラクティブな解説ページに変えることだ。ChatGPT Work では、公式が3つの例を示している。インタラクティブなスピログラフ、波の干渉、GPT トークナイザーの可視化——いずれもスライダーを動かせばリアルタイムに再計算されるウェブページだ。まずスピログラフを見てみよう。ユーザーが「その原理をわかりやすく説明するインタラクティブなスピログラフを作って」と一言伝えると、モデルは1分12秒考えたのち、直接以下のページを生成した（実際の動作記録）。
x = (R − r)·cos(t) + d·cos(((R − r)/r)·t) y = (R − r)·sin(t) − d·sin(((R − r)/r)·t)
PPT テンプレートを模写する——誰がより忠実に再現できるか
GPT-5.6 は参考資料一つから、版式・フォント・余白・配色・繰り返し現れるコンテンツパターンなど、マスタースライド（Slide Master）に隠されたルールを含む一連のデザイン規範全体を推測でき、その約束事を新しいコンテンツに一貫して適用できる。公式は「参考ファイルどおりに数字を更新する」という比較実例を示している。同じ参考テンプレートで、GPT-5.5 はマスタースライドの重要な要素を見落としたが、GPT-5.6 はより完全に参考構造に従った。
同様の改善はドキュメントや表にも表れている。複雑な参考フォーマットへの追従がより忠実になり、数式や財務モデルの処理がより正確になり、レイアウト・余白・階層・ページ構成もより的確に使いこなせる。こうした点は、フォーマットどおりに繰り返し成果物を出す必要がある知識労働に直接影響する。
「本番レベルのアプリケーションを作る背後にある長く複雑なプロセスにおいて、GPT-5.6 は高い効率を発揮する。Lovable が現在採用しているモデルの一つとして、同じタスクを完了するのに必要なステップ数が約25%減り、ツール呼び出しは35%から48%減少し、同時にプロジェクトの成功率を高め、停滞する実行を15%減らした。」Fabian Hedin、Lovable 共同創業者
サイバーセキュリティ能力が一段跳躍——公式はどう管理しているか
GPT-5.6 は現時点で OpenAI 最強のサイバーセキュリティモデルであり、しかも使用トークンは少ない。3項目のテストの跳躍は明確だ。ExploitBench（脆弱性コードへの到達から任意コード実行の実現までの進捗を測定）は GPT-5.5 の47.9%から73.5%に上昇。ExploitGym（実際の脆弱性を利用可能なエクスプロイトプログラムに変換）は2時間の制限内で15.1%から24.9%に上昇し、6時間まで緩和すると33.7%に達する。SEC-Bench Pro（複雑なソフトウェアでの概念実証生成）は45.8%から71.2%に上昇。
公式がこの能力に下した安全判断はこうだ。GPT-5.6 はバイオセキュリティ・サイバーセキュリティのいずれにおいても以前のモデルより強力になったが、両分野とも「重大リスク」（Critical）の閾値は超えていない。サイバーセキュリティに関して、公式のテストでは「脆弱性の発見と修正」により長けていると評価しており、強化された標的に対して自律的にエンドツーエンドの攻撃を確実に仕掛けられるわけではないため、防御側にシステムを事前に補強する猶予が生まれるとしている。防御系タスク(セキュアコードレビュー、パッチ適用、脅威モデリング、ブルーチーム演習)がこのモデルが重点的に支援する方向だ。
管理方法としては、GPT-5.6 の防護は多層構造になっている。モデルに組み込まれた防護に加え、リアルタイムチェック、継続的モニタリング、アカウントレベルの管理を組み合わせている。公式はさらに「推論モニター」という仕組みを追加し、低知能な分類器のフラグだけに頼るのではなく、会話全体を振り返って危害の可能性を判断させる。以前と比べ、Sol のサイバーセキュリティ防護が潜在的に有害な行為を遮断する力は約10倍になった。誤って遮断された正常な利用については、ChatGPT と Codex 側でワンクリックで能力の低いモデルに切り替えて再試行できるオプションを用意している。公開前には、公式は約70万 A100e GPU時間に及ぶブラックボックス自動レッドチームテストを実施した。
Trusted Access for Cyber とは何か
これは OpenAI Daybreak が身元確認済みのセキュリティ研究者や機関向けに提供する高度な権限プログラムだ。確認済みユーザーは、認可された環境で脆弱性の分類・検証、マルウェア解析、検知エンジニアリング、パッチ検証など、より強力な防御能力を利用できる。未確認のユーザーはこの権限を得られない。最も機微な能力はこうした信頼できるユーザーに限定されており、「正当な防御作業を許可すること」と「深刻な悪用を防ぐこと」のバランスを取っている。
ベンチマーク全表：どこで Claude を逆転し、どこでまだ及ばないか
OpenAI が強調して見せているグラフは、いずれも自社が優位に立つ項目だ。付録にある完全なベンチマーク表を広げてみると、より全体像が見えてくる。GPT-5.6 Sol には圧倒的にリードしている項目もあれば、Claude Mythos 5 に逆転されている項目もある。以下ではカテゴリ別にいくつかの重要な比較を挙げる。
| テスト（カテゴリ） | GPT-5.6 Sol | 対抗馬の最高成績 | 優勢な側 |
|---|---|---|---|
| ARC-AGI-3 （抽象推論） | 7.78% | 1.5% Claude Opus 4.8 | GPT が圧倒的リード |
| OSWorld 2.0 （PC操作） | 62.6% | 54.8% Claude Opus 4.8 | GPT がリード |
| コーディングエージェント指数 （Coding Agent） | 80 | 77.2 Claude Fable 5 | GPT がリード |
| BrowseComp （ウェブ閲覧、Sol Ultra） | 92.2% | 88% Claude Mythos 5 | GPT がリード |
| SWE-Bench Pro （実コードベース） | 64.6% | 80.3% Claude Mythos 5 | Claude がリード |
| FrontierMath Tier 4 （超高難度数学） | 83% | 87.8% Claude Mythos 5 | Claude がリード |
| 総合知能指数 （Intelligence Index） | 58.9 | 59.9 Claude Fable 5 | Claude がわずかにリード |
| Toolathlon （ツール呼び出し） | 58% | 61.7% Claude Mythos 5 | Claude がリード |
より多くの分野別スコアを見る（学術・マルチモーダル・長文脈など）
| テスト | Sol | Terra | GPT-5.5 | Claude 最高 |
|---|---|---|---|---|
| GPQA Diamond | 94.6% | 92.9% | 93.6% | 94.6%（Mythos Prev.） |
| FrontierMath Tier 1-3 | 89% | 84.9% | 85.3% | 87%（Fable 5） |
| MMMU Pro（ツール使用あり） | 84.6% | 82% | 83.2% | ， |
| GraphWalks BFS 1M | 77.1% | 71.2% | 45.4% | 79.4%（Mythos 5） |
| GDPval-AA v2（Elo） | 1747.8 | 1593 | 1493.7 | 1759.6（Fable 5） |
| Terminal-Bench 2.1 | 88.8% | 87.4% | 85.6% | 88%（Mythos 5） |
| BenchCAD（python） | 83.4% | 78.2% | 55.8% | 65%（Mythos 5） |
脚注：HealthBench Professional は OpenAI 自社論文の採点方式を用いており、Anthropic のシステムカードの方式とは異なるため、両者の数値は額面どおりに比較できない。マルチエージェント（ultra）の評価では、レイテンシは主エージェントのみで計算し、トークン数とコストはすべてのサブエージェントを合算している。
モデル発表だけではない——Codex が ChatGPT に統合、自分で作業をこなす ChatGPT Work も追加
GPT-5.6 と同じ日、OpenAI はプロダクトの構図にも手を入れた。ChatGPT Work をローンチし、独立していた Codex アプリを ChatGPT に統合した。それを駆動しているのがまさに GPT-5.6 だ。この半分の変化はモデル本体に劣らず重大なものだ。
ChatGPT Work とは何か：Codex を内蔵した ChatGPT agent で、様々なアプリからコンテキストを取得し、一つの目標をステップに分解し、完成した表・スライド・ドキュメント・ウェブページを直接渡してくれる。アドバイスをくれるのではなく、成果物をくれるのだ。スケジューリングができ、バックグラウンドで自分で複数ステップのタスクを走らせられ(Anthropic の Claude Cowork に対抗)、ローカルのファイルやアプリを使えるほか、新たに内蔵されたブラウザでウェブサイトやオンラインファイルにアクセスすることもできる。Plugins によって各種システムに接続でき、フォルダや zip をドラッグするだけですぐに動くウェブサイトに変えられる新しいテスト機能 Sites もある。
デスクトップ側の統合：これまで独立していた Codex アプリは、新しい ChatGPT デスクトップアプリ(Mac・Windows いずれにも対応)に統合された。Chat・Work・Codex の3つのインターフェースはすべてのプラン(無料版を含む)で使える。すでに Codex アプリを入れているユーザーは、アップデートするだけで新しい ChatGPT デスクトップアプリに切り替わる。一方、これまでの ChatGPT デスクトップアプリは ChatGPT Classic と改称された。
Chat · Work · Codex 三位一体
デスクトップ側は三位一体になり、すべてのプラン(無料版含む)で利用可能。旧独立版は ChatGPT Classic に改称。
いつから使えるか：ChatGPT Work は本日まず Pro・Enterprise・Edu プランに開放され、今後数日で Plus・Business にも拡大される。
いつから使えて、いくらかかるのか
GPT-5.6 は本日より ChatGPT・Codex・OpenAI API で提供開始され、世界各地に段階的に展開し、今後24時間以内に順次全面提供となる。三段階のうち Sol はフラッグシップ、Terra は GPT-5.5 に近い性能を低コストで提供するモデル、Luna は最速・最安だ。
Terra を使用
三段階から選択、各自設定可能
Sol Pro・ultra を選択可
具体的な割り当て：ChatGPT では Plus・Pro・Business・Enterprise ユーザーが medium 以上の設定で Sol を使え、Pro と Enterprise はさらに Sol Pro を選べる。ChatGPT Work と Codex では、Free・Go は Terra を使い、Plus 以上は Sol・Terra・Luna から選んでそれぞれ effort 設定を行える。max 設定は GPT-5.6 を使えるすべてのユーザーが設定画面で有効化できる。ultra は ChatGPT Work では Pro・Enterprise に、Codex では Plus 以上に開放される。
価格(100万トークンあたり)
キャッシュの課金ルールも更新された。GPT-5.6 以降、キャッシュへの書き込みは非キャッシュ入力価格の1.25倍で課金され、キャッシュの読み取りは引き続き9割引(つまりキャッシュ入力に90%の割引)が適用される。同じ長いコンテキストを繰り返し使うアプリケーションにとって、キャッシュはより予測可能になり、コストもコントロールしやすくなる。
もっと詳しく見るなら
まずは実際の作例をいくつか見てみよう。OpenAI Codex のエンジニア Derrick Choi は、終始 Codex と音声でブレインストーミングし、GPT-5.6 Sol に一発生成(single-shot)でページ全体を作らせ、動作する15個のウェブサイト・UI を作った。以下はそのうちの4つだ。
