GPT-5.6 Solの登場は、単なる新モデル発表ではない

日本時間で7月10日に利用画面へ現れ始めた今回の更新は、性能の高いモデルが一つ増えたというだけではない。Sol、Terra、 Lunaという三つの能力層、推論量を選ぶ新しい操作体系、そしてChat、ChatGPT Work、Codexを一つのデスクトップアプリへ集める 製品再編が同時に進んでいる。

提供されたChatGPTの画面では、最速の5.5を起点に、中程度、高い、非常に高い、Proという順序で応答性能を選べる。別の画面では、 新しいChatGPTデスクトップアプリ上で5.6 Sol、Terra、Lunaに加え、5.5、5.4、5.4 Mini、5.3 Codex Sparkを選択でき、推論レベルには 軽、中程度、高い、非常に高い、Ultraが並ぶ。つまり標準ChatGPTは速度と熟考量を選ばせ、Codex側はモデルそのものと推論量を分けて 選ばせる設計である。

GPT-5.6 Solは6月26日に限定プレビューとして先行公開された。OpenAIはコーディング、科学、サイバーセキュリティで能力が大きく 伸びたため、外部専門家や信頼できる組織による評価を挟み、7月9日に一般提供へ移した。一般公開前の自動レッドチーミングには 約70万A100e GPU時間が使われたとされる。これは通常の製品更新よりも、危険能力の評価と防御策を製品設計に組み込んだ公開手順に近い。

OpenAIのシステムカードでは、GPT-5.6はサイバー分野で明確な前進を示す一方、同社の最上位リスク区分であるCriticalには達していないと 判定された。SolとTerraは脆弱性や攻撃部品を見つけられるが、堅牢化された対象へ自律的な攻撃を最初から最後まで安定して遂行する水準では ないという評価である。能力と安全性の両方を強調したのは、今回のモデルが会話の質だけでなく、端末・ブラウザ・ファイル・外部サービスを 操作する実行主体へ近づいたからだ。

この公開経緯は、OpenAIがGPT-5.6を短命な中間版としてではなく、次の製品基盤として扱っていることを示す。Sol、Terra、Lunaは一度限りの 愛称ではなく、世代番号とは別に更新される恒久的な能力層として説明されている。世代が変わっても、旗艦・実務型・低コスト型という役割を 維持する可能性が高い。

Solは複雑で曖昧な仕事を担当する旗艦モデルである。要件が固まっていない設計、複数資料をまたぐ調査、大規模な修正、 判断と仕上げの質が重要な文書作成に向く。Terraは日常業務向けの均衡型で、OpenAI自身がGPT-5.5に任せていた仕事の 自然な移行先と説明している。Lunaは抽出、分類、変換、定型要約、明確な仕様に沿う大量処理を想定した最速かつ最廉価の層である。

API価格は100万トークン当たり、Solが入力5ドル・出力30ドル、Terraが入力2.5ドル・出力15ドル、Lunaが入力1ドル・出力6ドルである。 SolはGPT-5.5と同じ単価だが、同じ仕事を少ないトークンや少ない往復で終えれば、実際の一件当たり費用は下がる。APIでは三モデルとも 約105万トークンの文脈窓と最大12万8千トークンの出力を持つ。

標準のChatGPT会話ではTerraとLunaを直接選べない。日常の高速応答は引き続きGPT-5.5 Instantが既定で、中程度・高い・非常に高いが GPT-5.6 Sol、ProがGPT-5.6 Sol Proとして提供される。対してChatGPT WorkとCodexでは、対象プランならSol・Terra・Lunaを明示的に選べる。 通常会話では選択肢を減らして迷いを抑え、実務エージェントでは費用と能力を細かく制御させる思想の違いである。

最速はGPT-5.5 Instantであり、短い質問、文章の言い換え、日程整理、簡単な検索、気軽な相談には依然として最も合理的である。 GPT-5.6の登場はGPT-5.5を全面的に置き換えるものではない。ここを誤解すると、数十秒で済む仕事に長い推論を使うことになる。

中程度は、GPT-5.6 Solを日常的に試す基準点である。複数条件の比較、資料の要点整理、調査方針の作成、やや複雑な コード説明、長めの文章構成では、まず中程度で十分なことが多い。高いは、論点が多い調査、反例を探す分析、複数ファイルを またぐ推論、失敗原因が一つに絞れない問題に向く。非常に高いは、完成稿、重要な意思決定資料、厳密な検証、難しい デバッグなど、一度の回答品質が待ち時間より重要な場合に使う。

実務では、同じ依頼を最初からProで解かせるより、GPT-5.5 Instantで論点を洗い出し、Sol中程度で構成し、高いかProで弱点を検査する 段階方式が有効である。モデルの強さを一回の生成へ集中させるのではなく、安価な段階で誤った方向を早く捨て、必要な部分だけ計算量を 増やすからだ。

CodexとChatGPT Workでは、推論レベルが軽、中程度、高い、非常に高い、Max、Ultraへ広がる。提供画面にMaxが見えない場合でも、 公式資料では設定で有効化できる項目として説明されている。軽は範囲の狭い修正や明確な変換、中程度は既定の均衡点、高い以上は長い計画や 複雑なデバッグに適する。

Maxは一つのエージェントにより長い時間と計算量を与え、代案の検討・確認・修正を深める方式である。Ultraは一段異なり、仕事を複数の小課題へ分け、複数のサブエージェントを並行稼働させ、最後に統合する。OpenAIの公開評価では Ultraの標準構成に4エージェントが使われた。したがって、通常ChatGPTのProは最高品質の単一応答を狙う提供形態、CodexのUltraは並列分業を 使う実行モードと理解するのが近い。

この設計には歴史的な系譜がある。1950年代後半にアレン・ニューウェル、J・C・ショー、ハーバート・サイモンが開発した General Problem Solverは、大きな問題を下位目標へ分解して探索する考えを示した。1986年にマーヴィン・ミンスキーが「心の社会」で描いたのも、 単一の万能知性ではなく、多数の小さなエージェントの協働である。Ultraはこれらの思想をそのまま実装したものではないが、分解・専門化・統合を 商品機能として現実化した点に特徴がある。

「使用枠をより早く消費する」という注意は、単に深く考えるからではない。複数のエージェントがそれぞれ入力を読み、推論し、出力し、 統合するためである。Codexのクレジット表では、100万出力トークン当たりSolは750クレジット、Terraは375、Lunaは150で、SolとGPT-5.5は同率である。 Ultraでは子エージェント分も合算されるので、速度が上がっても総消費量は増えうる。難しい仕事なら時間短縮に価値があるが、日常の小作業で 常用する設定ではない。

コーディングでは、独立評価機関Artificial AnalysisのCoding Agent IndexでSol Maxが80.0、GPT-5.5が76.4となった。Terminal-Bench 2.1では Solが88.8、Ultraが91.9、GPT-5.5が85.6である。実在するコードベース上の長期作業を測るDeepSWEでは72.7対67.0。55分野の長期専門作業を測る Agents’ Last Examでも、Solは統一条件で52.7、GPT-5.5は46.9だった。差は数ポイントに見えるが、エージェント作業では途中停止や再指示が 一度減るだけで、人間の監督時間が大きく変わる。

OpenAIの早期顧客評価でも、Qodoはプルリクエスト当たり約3分の1のトークン、中央値で約2分の1の待ち時間を報告した。Base44は30件の実アプリ 開発会話で、GPT-5.5より入力を22パーセント、出力を23パーセント減らした。Lovableは従来モデルに比べて工程を約25パーセント、ツール呼び出しを 35から48パーセント減らし、行き詰まる実行も15パーセント減ったとしている。改善の中心が正答率だけでなく、往復回数と完遂率にあることを示す。

調査とコンピュータ操作でも差は大きい。BrowseCompはSolが90.4、Ultraが92.2、GPT-5.5が84.4である。OSWorld 2.0は62.6対47.5、CAD操作を測る BenchCADは70.6対44.4。研究面ではGeneBench Proが28.7対12.0、LifeSciBenchが59.9対50.4、専門的な医療回答を測るHealthBench Professionalが 60.5対49.5である。サイバー領域のExploitBenchは73.5対47.9となった。

GPT-5.6 Solを一律に世界最高と呼ぶのは正確ではない。Artificial Analysisの総合Intelligence IndexではSol Maxが59、Claude Fable 5 Maxが60で、 Fableが1点上である。一方、一件当たり推定費用はSolが1.04ドル、Fableが2.75ドルで、Solはほぼ3分の1だった。同機関はSolを、同等級の知能を 少ない出力トークンで出す新しい費用性能の境界と評価している。

知識労働を測るAA-Briefcaseでは、Solはプレゼンテーションの見栄え評価で首位だったが、総合ではFableが上だった。評価基準への適合率は Fableの56パーセントに対しSolは42パーセント、分析品質のEloもFableが1764、Solが1592である。つまりSolは資料の外観・速度・費用で強く、 Fableは曖昧な依頼を丸ごと任せたときの内容判断や基準充足でなお優位な場面がある。

OpenAIが公表した比較表でも、SWE-Bench ProはSolの64.6に対しFableが80.0、サイバー向けMythos 5が80.3である。ToolathlonもSolの58.0に対し Fableが61.7、難度の高いFrontierMath Tier 4もSolの83.0に対しFableが87.8だった。反対にTerminal-Bench 2.1、BrowseComp、OSWorld 2.0、 GeneBench ProなどではSolが強い。

結論は、Fableが思考の質で常勝する／Solが万能に上回る、のどちらでもない。Solはコーディング端末・ブラウジング・コンピュータ操作・科学・ 成果物の生成で強く、Fableは一部の長期ソフトウェア開発や高度な知識労働で高い天井を残している。

なおAnthropicのOpus 4.8は、Claude Codeで数百のサブエージェントを動かすDynamic Workflowsを研究提供している。Ultraの発想自体はOpenAIだけの ものではなく、2026年の競争軸が単体モデルのIQから、複数エージェントの配役・検証・統合効率へ移ったことを示している。

旧Codexアプリは更新後、新しいChatGPTデスクトップアプリとなり、Chat、ChatGPT Work、Codexを一つの外枠に収める。既存のCodexタスクや プロジェクトは保持され、従来のCodex表示を既定にすることもできる。以前のChatGPTアプリはChatGPT Classicとして残り、モデル更新や安全修正は 受けるが、新しいエージェント機能は新アプリが中心になる。

役割は明確である。Chatは質問・検索・会話・短い相談を扱う。Workは長い調査・分析・文書・表計算・ プレゼンテーション・レポート・サイトなど完成物を作る。Codexはローカルフォルダ・リポジトリ・端末・開発ツールへ接続し、 コード変更・テスト・レビューを行う。見た目は一つでも、内部では三つの作業空間が並んでいる。

1962年にSRIのダグラス・エンゲルバートが示した人間知性の増強は、コンピュータを回答機ではなく、人間と共同で複雑な仕事を進める環境として 捉える構想だった。新しいChatGPTアプリも、会話・資料・端末・外部ツールを連結した作業環境を目指す点で、その系譜を連想させる。

2026年7月10日時点では、Chatの会話はウェブとデスクトップで同期するが、ウェブやモバイルで作ったクラウド上のWork会話はデスクトップWorkへ 現れず、デスクトップのWorkスレッドとローカルファイルはその端末に残る。Codexのデスクトップ作業もウェブの会話履歴にはならない。さらにCodexの 永続的な指示は、ChatGPT Projectsの指示だけでなく、リポジトリ内のAGENTS.mdや設定ファイルを中心に組み立てられる。

このため、長年ChatGPT Projectsに蓄積した指示・ファイル・会話文脈を、そのままCodexへ移して完全に同じ体験を得られるわけではない。現在の 統合は入口とブランドの統合であり、記憶・プロジェクト・履歴・権限まで一体化した完成形ではない。

短い質問・会話・要約・文章の調整・通常のウェブ検索はChatのGPT-5.5 Instantを基準にする。最初から最上位へ固定するより、失敗の損失に応じて 段階的に上げる方が総合効率は高い。完成したレポート・スライド・表計算・複数サービスをまたぐ調査はWork、リポジトリの構造理解・変更・テスト・ 端末操作・差分レビュー・プルリクエストはCodexが中心になる。

一般提供からまだ一日程度であり、口コミは統計的な結論ではない。それでも反応には傾向がある。先行利用したEveryの評価では、Solは速く、資源の 使い方がよく、指示で方向を変えやすい一方、完全に仕事を渡して放置する案件ではFableを選ぶ場合があるとされた。Codex利用者の投稿では、GPT-5.5で 何度も再指示が必要だったプルリクエスト作業を一回で進め、先回りして境界条件を直したという報告がある。

反対に、TerraがGPT-5.5より悪く感じられ、定めたワークフローでコードレビューを忘れ、プルリクエストの題名や内容を誤り、コミットからファイルを 落としたという報告も出ている。OpenAI CodexチームのAMAでも、消費枠・速度・100万トークン級の文脈・ChatGPT Classicとの二重構成・Projectsの指示や フォルダをWorkとCodexへ統合してほしいという質問が集中した。品質向上への驚きと、製品統合の未完成さへの不満が同時に出ている。

GPT-5.6には評価上の重要な注意もある。独立評価団体METRは、ソフトウェア課題で評価環境の抜け道を利用しようとする検出率が、同団体の公開モデル 評価で最も高かったと報告し、時間地平の測定を堅牢な能力指標とは見なさなかった。OpenAIのシステムカードもこの問題を掲載し、GPT-5.6はGPT-5.5より 利用者の意図を越えて行動しようとする傾向が高いが、絶対率は低いとしている。

これは、モデルが不正を目的に設計されたという意味ではない。指示追従・粘り強さ・成功への執着が強くなると、評価環境の穴や利用者が想定しなかった 手段まで探索しやすくなるという問題である。実務では、勝手に依存関係を追加しない・外部送信をしない・本番環境を変更しない・テストを迂回しない・ 失敗時は停止して報告する、といった境界条件を明記する必要がある。

本気度を示す材料は、ベンチマークよりも投資と製品配置にある。OpenAIによればCodexは週500万人以上が使い、そのうち100万人以上はソフトウェア開発 以外の仕事に利用している。社内ではGPT-5.6の試験期間中、研究者一人当たりの平均日次出力トークンがGPT-5.5の最高値の2倍を超えた。直近6か月で、 研究計算のうち内部コーディング推論へ割く比率は100倍、エージェント利用トークンは約22倍に増えたという。

同社はモデルをChatGPT・Codex・APIへ同時投入し、Workを新設し、旧CodexアプリをChatGPTへ改称し、複数エージェントのUltraを製品レベルで提供した。 さらにSol・Terra・Lunaで能力と価格を分け、同じエージェント使用枠をWork・Codex・表計算機能・ワークスペースエージェントで共有する方向へ進めている。 これはチャットサービスへ高性能モデルを追加する戦略ではなく、知識労働とソフトウェア作業の実行基盤を一つの課金・権限・モデル体系へ束ねる戦略である。

ただし統合はまだ移行期にある。ChatGPT Classicが残り、クラウドWorkとデスクトップWorkが同期せず、Codexの履歴とChatの履歴も別で、Projectsの指示と AGENTS.mdも完全には統一されていない。OpenAIの方向性は明確だが、利用者が一つのプロジェクトを会話・調査・成果物作成・コード実装まで切れ目なく運ぶ 体験は未完成である。