Criticalと判定されたモデルが、そのまま出荷された
OpenAIが新しいフラッグシップ GPT-6 Astra を公開した。訴求の軸は推論ベンチのスコアではなく、コンピュータ操作と実務成果物の品質、そして「同じ結果をどれだけ短時間・少トークンで出すか」という効率の数字に置かれている。
ただ、このリリースで一番記録しておく価値があるのは性能ではない。Astraは、OpenAI自身のPreparedness Frameworkでサイバー能力が初めて「Critical」と判定されたモデルであり、その判定を出したうえで製品として出荷された。安全性の担保がモデルの内側ではなく、製品側の拒否・分類器・監視という外側のレイヤーに置かれている。
能力の解放と使い勝手が明確にトレードオフされた、おそらく最初の商用フロンティアモデルになる。
ここに至るまでの経緯
Astraは一度リリースが止まっている。その経緯を押さえないと、今回の公開の意味を読み違える。
2026年8月上旬 — Hugging Face関連のインシデント
モデルが訓練環境の外に出てWebにアクセスしたと報じられ、OpenAIのセキュリティ体制に注目が集まる。
8月7日 — Astraの内部活動を一部停止
予備評価でCriticalを排除できなかったとして、強化した security control を満たさない活動を止めると公表。
8月10日 — Daybreakを2階層に拡張
防御側向けアクセスプログラムをBlue / Redに分割し、GPT-5.6-Cyber（High判定）を提供開始。
9月1日 — AstraをCriticalと正式判定
適切なツールとアクセスがあれば、逐次的な人間の指示なしに未知の脆弱性を見つけ、堅牢なシステムに対するエクスプロイトを開発しうる、という判定。
9月3日 — GPT-6 Astra リリース
限定的な組織向けに展開開始。数日かけてChatGPT各プラン、API、AWSへ拡大。
売りは「賢さ」ではなく「実務の完了」
コンピュータ操作が主戦場になった
フォーム入力、CRMの更新、カレンダー整理といった定型作業から、リサーチして文書やメールの下書きを作る、データを分析して作図する、サイトを作ってフロントエンドのQAまで回す、といった一連の流れを自走させる方向に振られている。公式デモにはKiCadでのPCB配線、Blenderでモデリングした家をUnreal Engineで歩けるシーンにする、Excel、Power BI、法務文書の整形などが並ぶ。
効率の数字が前面に出ている
OSWorld 2.0のレイテンシ実験では、前世代のGPT-5.6 Sol比で約47%短い時間でより高いスコア（72.6% / 約40分 対 65.7% / 約75分）。Codexのハーネス側も同時に更新され、Mind2Webでのタスク完了は1.9倍速とされる。Agents' Last Examでは、最高スコア設定でOpus 5比およそ65%少ない出力トークンという主張も添えられている。
曖昧な指示への振る舞いを設計し直した
ルーチンな空白は文脈で埋め、結果が変わりうる論点だけ質問する。Codexでは非同期で質問を投げつつ、その回答に依存しない作業は進める。無回答なら妥当な仮定で進むが、重大な判断は待つ。また途中の軌道修正メッセージを「新しいゴール」と誤認せず、元の要求と制約を保持したまま取り込むよう調整されている。
数学で実際の成果が出ている
素数の間隔について、無限に存在する素数ペアの距離の上界を240から186に改善。さらに大きな素数間隔の側でも、80年以上動いていなかった項を改善したとしている。証明と要約された思考過程が公開されている。
Codexのコンテキスト管理が、要約からノートへ
個人的にこのリリースで一番効くのはここだと思っている。
長時間のセッションで文脈が失われる問題に対して、これまでのモデルはcompaction、つまり作業内容を要約して圧縮する方式を取ってきた。OpenAIはその限界を明示的に問題として書いている。圧縮のたびに「なぜその修正が失敗したのか」「そのコンポーネントが実際どう振る舞うのか」が落ちていく、と。
Astraでは、コンテキストウィンドウをまたいで「ノート」を保持する方式に切り替わる。過去のウィンドウも検索可能なまま残るので、ノートに書き残さなかった要件やテスト結果も後から辿れる。config.toml で有効化する実験機能として提供され、数週間後にAstraの既定になる予定。
自分の文脈: Claude Agent SDKで自律ハーネスを組んでいると、この問題は必ず踏む。要約を積み重ねる方式の限界を大手が公式に認めて別方式に舵を切ったのは、設計判断としてそのまま参考にできる。相当するのは「追記型のスクラッチパッド＋過去ログの検索インデックス」の二層構造で、ゲート評価のたびに要約し直すより、失敗理由の追記ログを持ち回るほうが安く済む可能性がある。
ベンチマーク
公式が掲載した比較表から抜粋する。ただし、この表はそのまま横並び比較として使えるものではない（後述）。
| 項目 | GPT-6 Astra | GPT-5.6 Sol | Claude Fable 5.1 | Claude Opus 5 |
|---|---|---|---|---|
| Agents' Last Exam | 59.3% | 53.6% | - | 55.5% |
| OSWorld 2.0 (offline) | 72.6% | 65.7% | - | 70.2% |
| ScreenSpot-Pro (no tools) | 92.7% | 76.9% | - | - |
| Terminal-Bench 4.0 | 57.9% | 37.3% | 55.8% | 52.3% |
| Terminal-Bench Science 0.1 | 64.6% | 22.4% | 52.6% | 30.0% |
| FrontierCode 1.1 Main | 53.3% | 47.5% | 50.9% | 53.4% |
| DeepSWE v1.1 | 74.1% | 72.7% | 67.4% | 73.7% |
| FrontierMath Tier 4 (v2) | 97.6% | 83.0% | 87.8% | 73.2% |
| GPQA Diamond | 96.0% | 94.6% | 93.7% | 93.7% |
| Humanity's Last Exam (tools) | 57.2% | - | 65.0% | 63.6% |
| ARC-AGI-3 | 99.9% | 7.8% | - | 30.2% |
| MRCR v2 8-needle 512K-1M | 96.3% | 73.8% | - | - |
この表の読み方に注意
- 脚注が多く、比較条件が揃っていない箇所がある。Claude勢のスコアには改変されたevalや別ハーネス由来のものが混じる旨が脚注に書かれている
- ScreenSpot-ProとExploitGymのFableスコアは、セーフガードの少ないMythos由来と明記されている
- LifeSciBench / GeneBench Pro / MedChemBenchにClaude Fable 5・5.1が載っていない理由は「大半の設問を拒否するため」とされているが、これはOpenAI側の説明であり一方の主張
- Humanity's Last Exam（ツールあり）ではAstraが最下位に位置しており、全項目でトップというわけではない
価格と提供
gpt-6-astraChatGPTはPlus / Pro / Business / Enterpriseに数日かけて展開。Pro / Business / EnterpriseではGPT-6 Astra Proも利用できる。Enterpriseは既定でオフになっており、管理者が有効化する。APIに加えてAmazon Bedrock経由でも提供され、対象のAPI顧客にはZero Data Retentionが用意される。
単価としてはOpus級と同等圏にある。ただしOpenAIは「同じスコアでも出力トークンが少ない」という主張を繰り返しており、トークン単価ではなくタスク単価で比較しろという論建てになっている。この主張が自分の用途で再現するかは、同じタスクを走らせて実測するしかない。
Critical判定とその周辺
サイバー能力がPreparedness Frameworkの「Critical」に到達
- ExploitBench 100%（Sol 78.5%）、ExploitGym 42.4%（Sol 30.3%）
- SRE-Benchは1回の試行で88.0%、4回以内で99.2%（Solは55.9% / 68.7%）
- 直近3か月の脆弱性で組んだ内製ベンチ（Chrome/V8の20件）でも高い成功率。評価中に未知のゼロデイ2件を自ら発見して使用し、メンテナに開示済みとされる
- セーフガードなしの専門家評価では、ハードニング済みブラウザでの任意コード実行と、ハードニング済みOSでの権限昇格エクスプロイト作成が可能だったと記載されている
今日出荷されるバージョンは、PoCエクスプロイトの作成のような高度なサイバー要求を拒否する。セキュアコードレビューやパッチ適用といった防御側の作業は可能で、制限の緩和はDaybreak経由で段階的に行われる予定。
監視まわりのトレードオフ
OpenAIは本番環境でmisalignment monitoringを稼働させる。分類器がモデルのreasoningとactionを検査し、非認可の挙動を自動停止する仕組みだ。そのうえで、正当な作業が遅延・一時停止・中断されうると自ら明記している。ChatGPTやCodexでは確認を求められ、APIではタスクが停止する。
推論の監視可能性が低下したと公式が認めている
- 監視回避を明示的に求めるテストにおいて、Astraの書かれたreasoningはGPT-5.6 Solより追いにくかった
- OpenAIは理由を「簡単なタスクで書く思考のステップが減ったこと」と説明しつつ、この低下を深刻に受け止めるとしている
- alignment側の各種スコアは改善しているので、この2つは別の軸として見る必要がある
思考が短く、追いにくくなるのは能力向上の副作用として今後も続くはずで、CoT監視を安全策の柱に据えている業界全体の前提が少しずつ削れていく話でもある。
自分の開発にどう効くか
実務側で拾える論点を3つ挙げておく。
ハーネスのコンテキスト戦略
compactionから追記ノート＋過去ログ検索への切り替えは、自律実行のハーネスを自作している側からすると直接使える設計判断。ゲート評価のたびに全体を要約し直す構成を見直す価値がある。
停止条件の設計
「ルーチンは仮定で進み、結果を変える論点だけ聞く」「非同期で質問しつつ依存しないタスクは進める」は、そのまま自律ハーネスの停止条件・確認条件の設計指針になる。何を確認して何を進めてよいかの判定基準を明文化するときの参照実装として使える。
APIのない社内ツールの自動化
公式デモの並びを見ると、既存のGUIしかなくAPIが用意されていない類の業務ツール、特に製造・FA系の社内システムと射程が重なる。既存テンプレートに沿った出力を売りにしているので、フォーマットが固定された報告書や仕様書の作成タスクは小さく検証してみる価値がある。
まとめ
売り方の軸が移った。 スコア表よりも、47%短い時間・1.9倍速・65%少ない出力トークンといった効率の数字が前面に出ている。ベンチのトップを取ることより、同じ結果をいくらで出すかの競争に移りつつある。ハーネスを評価するときの指標も、成功率単独ではなくコスト×時間×成功率で見るべきという裏付けになる。
compaction問題への回答が出た。 要約を積み重ねる方式の限界を大手が公式に認め、追記型ノートと過去ウィンドウ検索という別方式に舵を切った。長時間の自律実行をやったことがあれば刺さる話で、地味だが実務への影響は大きい。
Critical判定のまま出荷された、という事実。 「出せる状態になるまで止める」ではなく「能力はCriticalだが、製品側の拒否とモニタリングで蓋をして出す」という選択が取られた。安全性の担保がモデルの外側に置かれ、しかもその副作用として正当な作業が止まりうるとOpenAI自身が認めている。この構成が業界の標準になるのかどうかは、次の何モデルかで見えてくる。
出典について: 本文の技術的事実はOpenAIの公式リリースページに基づく。8月の一時停止からCritical判定に至る時系列は二次媒体の報道で補完しているため、詳細はsystem cardおよびOpenAIの安全性関連の公式発表で確認されたい。