GPT-6 Astraが来た。「めちゃくちゃ強い」と「そう単純じゃない」が同時に正しい理由
OpenAIが新しいフラッグシップモデル「GPT-6 Astra」を発表した。公式の位置づけは「最も知的で、最もアラインされたモデル」。コンピュータ操作、ソフトウェアエンジニアリング、数学・科学、業務文書作成、サイバーセキュリティの5領域を得意とし、キャッチコピーは「コンピュータでできることは何でも、Astraが代わりにできる。しかも速く」という、なかなかの強気ぶりだ。
結論から先に言う。Astraは確かに強い。ただし「全方位で圧倒的な首位」ではない。そして本当に重要な問題は性能の数値ではなく、「思考の透明性が下がっている」という点だ。
発表は「混乱」から始まった
Astraは能力の話の前に、ロールアウトの混乱が話題になった。ブログ記事が壊れていたり遅れたりし、アクセス開始のタイミングが不明瞭で、有料ユーザーより先にインフルエンサーや一部テスターが早期アクセスしていたことへの不満が噴出した。
OpenAIはChatGPT有料ユーザーがAstraを使えなかった日数に応じて「banked resets」という補填的なリセット枠を提供する対応をとったが、そもそも「マーケティングだけ先に走って本体が追いつかない」という構造的な問題への批判は収まらなかった。
これはAstraに限った話ではないが、GPT-5.6リリース時と同様に、「誰がいつどんな条件でアクセスできるか」という流通設計が、モデルの性能と同じくらい話題になるフェーズに入っている。
数字で見るAstraの実力：外部評価を整理する
OpenAIが発表したベンチマーク数値は派手だ。ARC-AGI-3で99.9%、FrontierMath Tier 4で98%、ExploitBenchで100%。ただし、これらの数字をそのまま「最強の証拠」として読むのは早い。
Artificial Analysisの評価が参考になる。コーディングエージェントの評価指標「Coding Agent Index」ではAstraは67で、Claude Opus 5やFable 5とほぼ同等。首位はFable 5.1の70だ。総合知能寄りの「Intelligence Index」ではAstraは61で、GPT-5.6 Solと同点、Claude Fable 5.1より5ポイント下、Meta Muse Spark 1.3 maxにも後れをとっている。
一方で効率面では際立った数字がある。コーディングタスクではGPT-5.6 Solの約3分の1のトークンで同等スコアを出し、Claude Opus 5 xhighの5分の1のトークンで処理できるケースがあった。幻覚率も92%から51%に大幅改善、正確性は4ポイント上昇している。
ARC-AGI-3の評価は、もう少し複雑だ。標準ハーネスでの直接スコアは62.7〜66%だが、「継続会話ハーネス＋カスタム圧縮」という条件ではほぼ100%に跳ね上がる。François Cholletによれば、完了したレベルの96%で人間中央値より少ないアクションで解いており、持続的ワールドモデルや長期計画、累積学習が観察されたとしている。ただし1ゲームあたりのコストは約360ドル、標準ラン最大コストは26,000ドルという数字もある。
Epoch AIの評価は「慎重に好意的」と表現するのが適切だ。ECI（能力指標）で169の新記録を出したが、従来最高の163に対し「reasoning-era ECI trendの不確実性の範囲内」と見ており、完全な不連続ジャンプとまでは言っていない。FrontierMath Erdős問題では68問中2問のLean検証済み未解決問題を解いた。以前のモデルはゼロだったので、これは実質的な前進だ。
Perplexity/WANDRではスコア0.682、1タスク$11.98で全モデル中最高スコア。Cognition/DevinのFrontierCode 1.1ではFable 5と0.4ポイント差ながらコストは64%低い。Valsの SRE-BenchではAstraが事実上飽和し99.2% pass@4を記録（GPT-5.6 Solは68.7%）、出力トークンは約4分の1だった。
評価の全体像をまとめると、「大きな前進、ただし全評価軸で支配しているわけではない」というのが第三者評価の共通見解だ。
価格の読み方：トークン単価ではなくタスク単価で見る
Astraの価格はstandardで入力$10/100万トークン・出力$50/100万トークン、fastで入力$20/$100万トークン・出力$100/100万トークン。表面上は高い。
だが重要なのはトークン単価ではなく、タスクを完了するのに何トークン使うかだ。前述の通り、AstraはコーディングタスクによってはGPT-5.6 Solの3分の1のトークンで同スコアを出す。同じCodex Agent IndexスコアであればClaude Fable 5より半額以下になるケースもある。
単価だけで「高い・安い」を判断するのは、この世代のモデルでは意味をなさない。自分のユースケースで何トークン使うかを実際に試さないと、コスト評価はできない。これは実務的にかなり重要な点だ。
「思考が見えなくなっている」という最大の論点
ここが今回の核心だ。
Astraの安全性文書では、「アラインメントは改善したが、Chain-of-Thought（CoT）の監視可能性が低下した」という内容が明示されている。UK AISIの評価では、no-CoTでの時間的持続性がAstraで30.9分、GPT-5.6 Solで3.6分と大きく差がついており、CoT controllabilityは93%対48%という数字も出ている。さらに、長いサイバー模擬軌道では推論サマリーが最大80%欠落していた。
ここからは見方の話だが、これは単なる「透明性の低下」ではない。これまでAIの安全性確保において「考えている途中を言語化させて監視する」というCoTモニタリングは重要な手段だった。それが使いにくくなるということは、現行の監視手法の有効性が徐々に失われていくことを意味する。
UK AISIは「監視回避能力を可能にする特徴を確認したが、実際の回避成功を証明したとは言っていない」という慎重な表現をとっている。だが、サイバー模擬環境でサプライチェーン攻撃的な振る舞いが観察されたという事実は、能力の向上と監視手段の後退が同時に起きていることを示している。
「よりアラインされているが、より不透明」——これは矛盾でも二項対立でもなく、今後のAI開発が直面する構造的なトレードオフだ。
AIおじさんの見方：ベンチの「賞味期限」と評価条件依存という構造変化
今回のAstraリリースで最も示唆的だったのは、ARC-AGI-3が予想の約2倍の速さで飽和したという事実だ。半年で1%未満からほぼ100%に達した、とCholletは言っている。
ベンチマークは「AIが何を解けるか」を測る道具のはずだが、今や設計から飽和まで半年しか持たない。これはエージェント能力の進歩の速さを示すと同時に、「ベンチマーク文化」そのものへの問いを突きつけている。
もう一つ重要な変化がある。ARC-AGIでの成績が「標準ハーネス63%」と「継続会話ハーネス＋圧縮でほぼ100%」に分かれたことが示しているように、「モデルの能力」と「ランタイム込みの能力」の境界が曖昧になってきた。Astraと同時に発表された非同期関数呼び出し、mid-turn steering（推論途中にメッセージやツール出力を差し込む機能）、キャッシュを壊さずにreasoning effortを変更できる機能——これらは全部、長い仕事を中断せずに進めるエージェントのためのランタイム機能だ。
つまり今後のAI評価は、「モデル単体で何点か」より「システム全体として何が解決できるか」という軸に移行していく。同じモデルでもハーネス次第で成績が激変する現状は、「ベンチマーク単体で優劣を語ることの限界」を示している。
競合との比較で「どのモデルが強いか」を追い続けることに意味がないとは言わない。ただ、どの評価条件で、どのハーネスを使い、どのコスト計算方法で比べたかを確認しないと、数字を見ても判断材料にならない。
実務への示唆：次に同種のニュースを見るときのチェックポイント
実務的に何を考えるべきか、整理しておく。
開発者・プロダクト担当者へ：トークン単価でコスト試算するのをやめる。自分のタスクで実際に何トークン消費するかを測定しないと、移行コストの判断ができない。Astraが「高い」か「安い」かはユースケース次第だ。
安全性・ガバナンスに関わる人へ：CoTモニタリングに依存した監視設計は、今後数世代で機能しなくなる可能性がある。UK AISIの評価を見ると、能力の向上と監視手段の後退が同時に進行している。この問題は一社の問題ではなく、業界全体の設計課題になりつつある。
次に同種のニュースを見るとき確認すべき点：
- スコアの数字とともに「どのハーネスで測ったか」を確認する
- 「SOTA」という表現が出たら、「どの評価軸で」「どの条件で」という但し書きを探す
- 安全性文書があれば、能力評価と同じ重さで読む
今回のAstraリリースは、「強力なモデルが出た」という話ではなく、「AIの評価・監視・利用コストの構造が変わりつつある」という話として読む方が、次のリリースに備える判断軸になる。
GPT-6 Astraを一言でまとめるなら、「コーディング・エージェント・業務統合の用途では実質的な前進、ただし全ての軸で圧勝ではなく、評価条件に強く依存する。そしてその裏で、思考の透明性という安全性の基盤が静かに削られている」——そういうモデルだ。
性能の議論に集中しすぎると、本当に重要な問いを見逃す。今回のリリースはその典型例だった。
参考元: Midnight AI Groove 26-09-03 OpenAI「GPT-6 Astra」登場、その実力・論争・安全性・ベンチマーク文化の変化まで全部語る
