何が発表されたか
OpenAIは、9月初めに公開したフラッグシップ GPT-6 Astra に続き、同じ世代の中位モデル GPT-6 Sol と軽量モデル GPT-6 Luna を公開しました。Astraと同様の手法で学習し、業務タスク・事実性・コーディング・コンピュータ操作・alignmentの改善を、より速く安いモデルに持ち込んだという位置づけです。
発表の中心は性能そのものより価格です。API価格はGPT-5.6世代（プロモーション価格）から50%引き下げられました。ベンチマークの比較も、ほぼすべてが「タスク1件あたりいくらかかったか」とセットで示されています。
| モデル | 入力 | 出力 | 前世代比 |
|---|---|---|---|
| GPT-6 Sol | $4 → $2 | $20 → $10 | 50%引き下げ |
| GPT-6 Luna | $0.20 → $0.10 | $1.20 → $0.50 | 50%引き下げ |
| GPT-6 Astra（参考） | $10 | $50 | — |
価格は100万トークンあたり。APIのモデル名は gpt-6-sol / gpt-6-luna。
ChatGPTでは Work と Codex から提供が始まり、Plus / Pro / Business / Enterprise / Edu が対象です。Free / Go ユーザーもデスクトップアプリでLunaを利用できます。一方、通常のChat画面にはまだ来ていません。
三層になったGPT-6ファミリー
今回の発表で、GPT-6は役割の異なる3つのモデルで構成されることになりました。OpenAIはAstraを引き続き「全方位で最良」と位置づけ、Sol・Lunaを「日常業務に知能を広く配るためのモデル」として出しています。
Astra
最も難しく重要な仕事向け。コンピュータ操作は引き続き最高性能とされる。
Sol
難しい業務タスクを、より高い利用上限と低コストで反復できる主力モデル。
Luna
最安価帯。高effortでは前世代の中位モデル相当の水準に届く。
共通の改善
Astra由来の応答スタイル、キャッシュ改善、alignment評価の向上。
公式が示した主な数字
OpenAIは、同じくらいのスコアをどれだけ安く出せるかを軸に比較しています。本文と表に明記されている値を抜き出すと次のとおりです。
業務ワークフロー（AutomationBench）
SolのxhighがClaude Opus 5のmaxを上回り、タスク単価はOpus 5の約9%。LunaはHigh effortで前世代から5.4ポイント改善し、タスク単価は58%下がっています。
コーディング（DeepSWE v1.1）
Solのmaxが68.8%で、Claude Fable 5のxhigh（69.9%）まで1.1ポイント差、タスク単価は約80%減。Lunaのmaxは66.6%で、Opus 5 / Fable 5のmedium相当とされています。
コンピュータ操作（OSWorld 2.0 offline）
Solのxhighが60.5%で、Opus 5 medium（60.3%）とほぼ同じスコアをタスク単価約80%減で達成したとしています。
事実性（社内評価）
ユーザーが誤りを指摘した実会話をもとにした評価で、Solは前世代より誤りが約半分に減ったとされます。
| モデル（effort） | スコア | タスク単価 |
|---|---|---|
| GPT-6 Sol（xhigh） | 33.2% | $0.27 |
| GPT-6 Astra（low） | 30.3% | Solの3.9倍 |
| Claude Fable 5.1 + Opus 5 fallback（max） | 31.4% | Solの8.9倍超 |
| Claude Opus 5（max） | 26.9% | Solの11.1倍 |
AutomationBench 1.0.6 の公式表より。
いちばん効くのはキャッシュの話
価格表の50%引き下げが目立ちますが、エージェントを組んでいる立場で実務に効いてくるのは、同時に発表されたプロンプトキャッシュの改善のほうだと考えています。GPT-6では既定でキャッシュヒット率が上がり、キャッシュされた入力の読み取りは90%割引です。そのうえで、開発者が制御できる範囲が広がりました。
effortとツールを変えてもキャッシュが切れない
会話の途中でreasoning effortを上げ下げしても、ツールを有効・無効にしても、それ以前のコンテキストがキャッシュ対象として保たれるようになりました。難しいステップだけeffortを上げ、軽い後続処理では下げる、という運用がキャッシュを失わずにできます。
キャッシュ境界を明示できる
明示的なブレークポイントで、キャッシュされるプレフィックスの終わりを開発者が決められます。
計測と診断の手段
キャッシュ率の推移を見るダッシュボードと、キャッシュが効かなかった理由を説明する診断ツールが追加されました。GitHubは、Copilotで新たに処理が必要なプロンプトトークンの割合が数か月で50%以上減ったと報告しています。
長時間動くエージェントでは、同じシステムプロンプトやツール定義、これまでのやり取りを何度も読み直します。そこでキャッシュが切れるかどうかは、トークン単価の差よりも請求額に大きく響きます。自作ハーネスで言えば、ステップごとにeffortを切り替える設計と、キャッシュヒット率を評価指標として持つことの両方が、今回の変更で現実的な選択肢になりました。
応答スタイルの変化
Astraで入った応答スタイルの改善も、SolとLunaに持ち込まれています。専門用語や曖昧な言い回しを減らし、価値の低い詳細を省いて、全体にやや短くなる方向です。
公式の比較例でおもしろいのは、評価しているポイントです。結論を急がないこと、相手にとって自明なことを繰り返さないこと、そして何を確認して何を確認していないかをはっきり書くこと。これは、alignment評価で「コーディング作業について誤解を招く主張」が減ったという話と同じ方向を向いています。エージェントの完了報告にどんな要件を課すかを考えるとき、そのまま参考になる観点です。
数字を読むときの注意
比較条件がそろっていない箇所がある
- 比較相手はClaude Opus 5 / Fable 5 / Fable 5.1で、その後に出たClaude Opus 5.5は含まれていない
- 「同等」とされる比較の多くは、effortの違う組み合わせ（Sol xhigh 対 Opus 5 medium など）で成り立っている
- Fable 5.1のスコアがない評価では、Fable 5の値で代用していると脚注にある
- AutomationBenchのFable 5.1は、約40%のタスクで発生したOpus 5へのフォールバック費用が未計上（OpenAI側の説明）
- 事実性とalignmentの評価は、誤りや問題行動を誘発しやすい状況を意図的に集めたもので、通常利用時の発生率ではない
補足: 公式ページのグラフには本文にない数値も多くありますが、この記事では本文と表に明記された値だけを使っています。自分の用途で採用を判断するなら、同じタスクを複数モデルで走らせ、タスク単価と所要時間を実測するのが確実です。
まとめ
GPT-6 SolとLunaは、Astraで示した能力を「いくらで配れるか」に答える発表です。API価格は前世代から半額になり、競合との比較もタスク単価を軸に組まれています。
エージェント開発の観点で見逃せないのは、effortやツールを切り替えてもキャッシュが保たれるようになった点です。長く動くエージェントのコストは、トークン単価よりもキャッシュをどう設計するかで決まる、という流れがはっきりしてきました。
一方で、比較条件にはOpenAIに有利な組み方も含まれています。数字はそのまま受け取らず、自分の環境で確かめる前提で扱うのがよさそうです。