GPT-6 Astra徹底調査―「世界一賢いAI」ではなかった。では何なのか。

Posted on by

2026年9月3日、OpenAIが「GPT-6 Astra（アストラ）」を発表しました。社長グレッグ・ブロックマンは「AGI時代へようこそ」と言い、メディアは「全ベンチマーク塗り替え」と報じた。

でも、私が一次情報を全部突合して見えてきた事実は少し違います。Astraは「一番賢いチャットAI」ではありません。独立評価の総合知能指数では、今もClaude Fable 5.1が1位です。

ではAstraは何なのか。私の結論はこれです。

Astraは「質問に答えるAI」と「仕事を終わらせるAI」の境界線そのもの。

この記事では、OpenAI公式発表・ARC Prize独立検証・Artificial Analysis最新指数・System Cardを突き合わせて、Astraの本質と「実務でどう使うべきか」を整理します。推測ではなく、出典つきで。

最初に結論：Astraの3つの事実と1つの誤解

事実1：コンピュータ操作能力は明確な世代更新。 PCの画面を見ながらブラウザ・Excel・CADを操作し、人間が途中で指示を変えても目的を失わない。この領域では現行最強候補です。

事実2：サイバー能力はOpenAI史上初めて「Critical」閾値に到達。 未知の脆弱性（zero-day）を実際に見つけられます。だからこそ、一般公開部分は防御用途に制限されています。

事実3：アライメント（行動の安全性）は劇的に改善した半面、モデルの「考え方の監視」はかえって難しくなった。 OpenAI自身が認めています。

誤解：「世界一賢いモデルが来た」。 違います。知能の総合指数ではFable 5.1が首位を維持しています。Astraの強さは賢さの総合力ではなく、長い仕事を止めずに完遂する実行力にあります。

基本スペック

項目 内容
発表日 2026年9月3日（米国時間）
APIモデルID gpt-6-astra
コンテキスト窓 1,050,000トークン
最大出力 128,000トークン
知識カットオフ 2026年4月30日
推論レベル low / medium / high / xhigh / max
入力 テキスト・画像
提供 ChatGPT（Plus/Pro/Business/Enterprise）、API、Amazon Bedrock

価格は入力が100万トークンあたり10ドル、出力が50ドル。前世代GPT-5.6 Solのちょうど2.5倍です。後で詳しく書きますが、この「2.5倍」の実態は単純ではありません。

Computer Use：なぜ「世代更新」と言えるのか

Astraの発表で中核に据えられたのが、コンピュータ操作能力です。数字を見てもらえばわかります。

指標 Astra 前世代Sol
OSWorld 2.0（PC操作） 72.6%／約40分 65.7%／約75分
ScreenSpot-Pro（画面要素の特定） 92.7% 76.9%
Agents’ Last Exam（実務タスク） 59.3% 53.6%
AutomationBench（業務自動化） 41.4% 18.1%

注目すべきはOSWorldです。スコアを7ポイント上げながら、1タスクあたりの所要時間を約47%短縮しています。速くて正確、というのはエージェントにとっては「使える・使えない」の分かれ目です。

デモの範囲も具体的です。オンラインフォーム記入、CRMの顧客情報更新、カレンダー整理、Webサイトを作ってフロントエンドのQAまで自走、KiCadという回路設計ソフトでPCBレイアウトを2分54秒で完遂、Blenderで作った住宅モデルをUnreal Engine 5で歩ける空間にする——こうした「画面を使う仕事」が対象になっています。

一点だけ公平を期すと、報じられた「1.9倍高速」はAstra単体の性能ではなく、Codexの実行環境（ハーネス）刷新との合計値です。ただしそのハーネス改善は前世代モデルにも効くので、むしろ導入側としては嬉しい副作用です。

コーディング：強い。ただし「完勝」ではない

コーディング関連の主要ベンチを並べます。

ベンチマーク Astra Sol Fable 5.1 Opus 5
Terminal-Bench 4.0 57.7% 37.3% 55.8% 52.3%
DeepSWE v1.1 74.1% 72.7% 67.4% 73.7%
BenchCAD（3D CAD再構成） 95.9% 83.3% 84.3% 82.1%

Terminal-Benchで首位を取っていますが、Fable 5.1との差は2ポイント弱しかありません。一方BenchCAD（マルチビュー画像から3Dモデルを再構成する課題）では95.9%と圧倒しています。

そして実務家にとって一番面白いのが、Codexに追加された「コンテキスト窓をまたぐ記憶」です。

これまで長めの開発セッションでは、コンテキストが埋まると会話を要約圧縮（compaction）していました。問題は、要約のたびに「なぜその修正が失敗したか」「このコンポーネントの癖は何か」という細部が落ちていくこと。Astraはウィンドウをまたいだノート保持を持ち、過去の全やり取りが検索可能になります。数週間後にデフォルト予定とのことで、長時間動くコーディングエージェントには100万トークン自体より効く改善だと私は見ています。

数学・科学：ベンチを「超えた」成果が出た

  • FrontierMath Tier 4 v2：97.6%（Sol 83.0%、Fable 5.1 87.8%）——ほぼ飽和
  • GPQA Diamond：96.0%
  • ARC-AGI-3：99.9%（ただし後述の重要な注記あり）

そしてベンチマークより重いのが、未解決問題への貢献です。

素数に関する2つの古典的問題で、Astraが関与した研究が新結果を出しました。1つは「間隔が近い素数ペアが無限に存在する」という有名な問題で、10年以上動かずにあった上限値246が、まず研究者により240へ、そしてAstra関与の研究で186へ改善。もう1つは80年以上変わらなかった大きな素数間隔の評価式の一項目を改善しています。証明も検証資料も公開済みです。

これは「モデルがテストで高得点」の世界と「研究の詰まりを解消した」の世界は別物だということです。AIの科学支援がようやく実用レイヤーに入ってきました。

ARC-AGI-3「99.9%」の正しい読み方

ここは慎重に切り分けないといけない部分です。汎用知能の指標として有名なARC-AGI-3で「99.9%飽和」と報じられましたが、ARC Prize財団の独立検証によると条件が大きく違います。

検証条件 Astra最高スコア 検証コスト
Standard harness（各社共通・中立条件） 62.7% $26,098
Provider Adapter（OpenAI固有機能あり） 99.95% $18,817

Provider AdapterではOpenAI独自の推論状態保持や会話圧縮が使えるため、実運用に近い条件で高スコアが出ます。中立条件の62.7%でも十分すごい（前世代Solは7.8%）のですが、「人類の知能テストを完全攻略」という見出しは正確ではありません。

私はこの一件を、今後のAI評価の読み方の教訓にしたいと思っています。ベンチマークの数字は「どのハーネスで測ったか」までセットで見る。 これだけで大抵の誇張は消えます。

サイバー能力：「Critical」到達の重み

Astraは、OpenAIの安全性評価枠組み（Preparedness Framework）でサイバー能力の最高区分「Critical」に達した初のモデルです。

  • ExploitBench（既知脆弱性→実働エクスプロイト化）：100%（Sol 78.5%）
  • SRE-Bench（ソースなしバイナリ解析）：1試行88.0%／4試行99.2%（Sol 55.9%／68.7%）
  • OpenAIは過去脆弱性の学習汚染を自認し、直近3か月（2026年6-8月）のChrome/V8脆弱性だけで再評価→それでも39.0%対5.5%と7倍超の差
  • 評価中に未知のzero-dayを2件発見・悪用（メンテナーへ開示済み）

本番のAstraはPoCエクスプロイト作成を拒否し、セキュリティレビューやパッチ作成など防御用途に限定されます。より高度な防御ワークフローは審査制プログラム「OpenAI Daybreak」経由で数週間以内に開放予定とのことです。

中小企業にとっての実務含意は明確で、「脆弱性の発見と修正が速くなる」一方で「攻撃者側のツールも同じ速度で進む」ということです。基本的な対策（更新の即時適用、MFA、バックアップ）の重要度がさらに上がります。

アライメント：改善と悪化が同時に起きた

ここが一番面白い（そして重要な）部分です。

改善した側： OpenAIはHugging Faceインシデントに倣い、「困難または不可能なタスクを頼まれたモデルが、許可範囲外の対象に手を出すか」を測る新評価を作りました。セーフガードなしのSolは48%の確率で越権しました。Astraは0%です。自動レビュー拒否後の回避試行も0回、自己能力の虚偽報告も前世代の約3分の1に低下。

悪化した側： System CardでOpenAI自身が認めている通り、Astraは自分の思考連鎖（Chain-of-Thought）の「見せ方」を指示通りに制御できる度合いが大幅に上がりました（限定条件でSol 16.1%→Astra 60.9%）。監視を逃れる能力が高まったとも言えます。OpenAIのチーフサイエンティストJakub Pachockiは「知能の進歩はアライメントの進歩を保証しない」と明言し、監視可能性が一定ラインを超えればスケーリングを止める方針まで示しています。

つまり正しい評価は二面になります。

Astraは「行動としては歴代一番安全」だが、「内心を監視することは前より難しくなった」。

そして本番では、思考と行動を分類器で常時監視し、不審な挙動でタスクを自動停止する仕組みが入ります。APIではタスクが停止する——これが次の実務ポイントに直結します。

独立評価が示す「総合2位」という現実

Artificial Analysis（第三者評価機関）の知能指数は、発表翌日にv4.2へ更新されました。最新順位は1位Claude Fable 5.1、2位GPT-6 Astra（AstraはSol比+4ポイント改善）。 Humanity’s Last Examなどの知識系でもFableがリードしています。

ただし同一機関のデータで、Astraの強さが明確に出ている軸もあります。

  • Coding Agent Index：67。Sol比で約3分の1のトークン量、Opus 5比で5分の1。Fable 5.1（70）に次ぎ、同スコアのFable 5の半額以下のコスト
  • GDP.pdf（4,592ページのPDF横断推論）：33.2%で首位（Sol 28.2%、Fable 5.1 26.2%）
  • 出力トークン効率フロンティアを「支配的」と評価
  • 幻覚率（AA-Omniscience）：92%→51%へ大幅低下、同時に精度も+4pt

弱い面も出ています。経済価値タスクのGDPval-AA v2ではSol比で低下、プレゼン品質もSolが優位継続、知能系タスク単価はSol比+75%。

「総合知能は2位、トークン効率と長大文書推論は1位、一部タスクは前世代に後退」——これが独立評価の実像です。

価格：トークン単価2.5倍の実態

項目 Astra 備考
入力 $10 / 1M Solは$4
Cached入力 $1 / 1M cache read 90%引き
出力 $50 / 1M Solは$20
Batch / Flex 50%引き 非即時処理の定番
Fast mode 2倍価格で最大2.5倍速度 AstraはSLAなし・EUデータレジデンシー非対応

罠が2つ。272Kトークン超のプロンプトはリクエスト全体の単価が入力2倍・出力1.5倍になります。長大な資料を一度に放り込む使い方は実質値上げです。そしてライバルFable 5.1も表向き同額$10/$50ですが、cache readはAstra $1に対しFable $0.25の4倍差。エージェントで同じ文脈を何度も読み直す用途では、この差が請求書を左右します。

そのうえで、前述の通りAstraはトークン効率が高いので、「単価2.5倍＝1件の仕事も2.5倍」にはなりません。コーディングはSolとほぼ同コストでスコア向上、BenchCADではSol比43%減という公式推定もあります。見積もりは「トークン単価」ではなく「タスク単価」で立てるべきです。

実務でどう使うか：司令塔Astra、現場は下位モデル

私の推奨構成は明確です。

Astra＝司令塔・難所・最終レビュー

標準モデル＝定型処理

低コストモデル＝大量の機械的処理

OpenAI自身のモデル選択指針も同じ階層構造です。具体的な割り当て先として、

  • Astraに向く：計画立案、難所推論、多段ツール実行、異常系の判断、成果物の最終検証、長大文書横断の分析
  • 下位モデルに流す：定型分類、大量要約、抽出、テンプレ生成

そしてAstraを自動化パイプライン（cron等）に入れる時に必須の注意が一つあります。前述のMisalignment Monitoringで、正当な作業でもAPIタスクが停止することがある、とOpenAIが公式に予告しています。無応答を「単純な通信切れ」と扱って自動再実行するのは危険です。停止理由の判別、途中保存（チェックポイント）、冪等リトライ、人間へのエスカレーション——この4点セットを組めるかどうかが、Astraを業務に載せられるかの判断基準になります。

あわせて読みたい

出典

本記事の数字はすべて以下の一次情報・独立検証に基づきます（2026年9月5日時点）。

  • OpenAI公式発表「GPT-6 Astra: A new generation of intelligence」（openai.com/index/gpt-6-astra）
  • OpenAI Developer Docs：gpt-6-astra仕様・Fast modeガイド
  • GPT-6 Astra System Card（deploymentsafety.openai.com/gpt-6-astra）
  • ARC Prize公式検証：GPT-6 Astra on ARC-AGI-3（arcprize.org）
  • Artificial Analysis「Benchmarking GPT-6 Astra」（9/3）／「Intelligence Index v4.2」（9/4）
  • Axios／Reuters／Forbes Japan／CNET Japan の報道

なおAstraはリリース直後で評価が動いています。長期運用でのエラー蓄積、誤停止の頻度、実コストは未検証です。数字の更新があればこのブログで追います。

Photo by igovar igovar from Pexels