GPT-6 Astraは1つの名前で何段にも分かれている

先に、扱う範囲を

9月3日にOpenAIが出した主要な文書は3本ありました。安全性の概要、システムカード、そして防御側への10億ドル。一昨日の記事では、このうち安全性の側を扱いました。

今回読むのは4本目、モデル本体の発表です。分類はResearchで、能力と製品の話が中心になります。

確認できた事実(能力の側)

冒頭の名乗りは「世界で最も知的で、最もアラインしたモデル」です。

目を引く数字が3つ並んでいます。FrontierMath Tier 4 (v2)でおよそ98%(表の値は97.6%)、ARC-AGI-3で99.9%、ExploitBenchで100%。いずれも「飽和させた」という書き方です。

ARC-AGI-3については、ARC Prize FoundationのGreg Kamradt氏の言葉が引かれています。「人の行動効率の基準値を96%のレベルで上回り、事実上このベンチマークで人と同等に達した」。ただし注記に、この測定はOpenAIのAPIハーネスで2つの設定を変えて実行したもので、その変更はARC-AGI-3を狙ったものではない、とあります。

作業の速さも数字になっています。OSWorld 2.0の遅延シミュレーションで、1タスクあたり約47%短い時間で高い成績。72.6%を約40分、Solは65.7%を約75分です。Codexのハーネス更新と合わせると、Mind2Webで1.9倍速だとしています。

そして素数の話が2つ。ひとつは、素数の対がどれだけ近く現れるかの上界です。10年以上「246以内」が最良でしたが、最近Julia Stadlmann氏が240に改善し、Astraが手を貸して、186というさらに強い上界が示されたとされています。もうひとつは、異常に大きな素数の間隔についての境界で、80年以上変わっていなかった項を改善したとのことです。証明と、要約された思考の流れ、検証の資料が公開されています。

サイバーの数字と、その条件

ここは条件を先に置きます。このうちExploitBenchとExploitGymは、本番のセーフガードを外して測ったと明記されています。

ExploitBenchで100%(Solは78.5%)。ExploitGymで42.4%(Solは30.3%)。ただしExploitGymはAstraとSolの双方について6時間の制限を外して測ったとあります。原文には「両モデルとも十分に速いので、影響は小さい」と添えられています。

汚染を避けるために作った内製版「ExploitBench (June–August 2026)」では39.0%(Solは5.5%)。この5.5%には但し書きが付いています。ベンチマーク側の300ターンという上限にぶつかった結果で、制限が緩い条件では11.5%だった、とのことです。差を7倍と読むか3倍強と読むかが変わります。

もうひとつ、SRE-Bench。ソースコードなしでソフトの中身を読み解く試験です。1回で88.0%、4回以内で99.2%(Solは55.9%と68.7%)。

そして9月2日の記事で扱ったハニーポット試験が、ここにも出てきます。本番のセーフガードなしのSolは、権限のある標的を越えた割合が48%。Astraは0%です(表の値は48.2%と0.0%)。

ここで気づいた点をひとつ。9月1日の文書では、同じ趣旨の数字が「56%」でした。表のラベルはどちらも「ExploitGym ハニーポット」なので、同じ試験を指していること自体は確認できます。ただし条件の書き方が違っていて、9月1日は「悪用コードを作るよう指示された模擬環境で」、今回は「権限のある標的を越えた割合」です。集計の範囲が違うのか、測り直したのかは、公開されている文からは決められません。数字を引用するときは、どちらの文書のものかを添えるのが安全です。

今日いちばん引っかかったところ

サイバーの節の終わりに、こう書かれています。

今日提供される版のAstraで、防御側は安全なコードレビューや修正といった作業ができる。ただしAstraは、脆弱性の概念実証となる悪用コードを作るような、より高度なサイバー作業には応じない。

そして続きます。Daybreakを通じて、今後数週間かけてアクセスを広げ、制限のより緩いセーフガードを展開する予定。それにより、脆弱性と概念実証の検証、マルウェアの解析、検知の設計といった防御の作業ができるようになる、と。

つまり今日の「GPT-6 Astra」は、能力の一部を自分で断る状態で出ています。同じモデルが、審査を通った相手には数週間後に別の顔を見せる。

段はほかにもあります。Enterpriseでは提供開始の時点で既定がオフで、管理者が有効にする必要があります。速度と価格も分かれていて、APIの標準は入力100万トークンあたり10ドル、出力100万トークンあたり50ドル。Fastモードは最大2倍の速さで、価格は2倍。Pro・Business・Enterpriseの利用者にはGPT-6 Astra Proも提供されます。経路も複数あって、OpenAIのAPIのほかMicrosoft AzureとAWS Bedrockから使えます。対象のAPI顧客にはデータ不保持も適用されます。

1つの名前の下に、権限の段、速度の段、価格の段が並んでいる。「GPT-6 Astraを使っている」と言っても、何ができるかは相手によって違います。

公平のために、表を読む

発表の末尾に、自社の旧モデルと他社モデルを並べた比較表が置かれています。GPT-5.6 Sol、Claude Fable 5.1、Fable 5、Opus 5、Gemini 3.8 Flashが並んでいます。

多くの項目でAstraが先頭です。Terminal-Bench 4.0で57.9%(Fable 5.1は55.8%)、Terminal-Bench Science 0.1で64.6%(52.6%)、BenchCADで95.9%(84.3%)、ScreenSpot-Proで92.7%(Fable 5は87.3%)。

ただし「世界で最も知的」という名乗りと、そのまま重ならない行もあります。

Artificial Analysis Intelligence Index v4.1.1では、Fable 5.1が65.7、Opus 5が63.1、Fable 5が62.1で、Astraは61.2。この表のなかで4番目です。

Humanity's Last Exam(道具あり)では、Fable 5.1が65.0、Fable 5が63.8、Opus 5が63.6、Astraは57.2。こちらも4番目になります。

Artificial Analysis Coding Agent Index v1.4では、Opus 5が68.1、Fable 5が67.2、Astraは67.0。3番目です。FrontierCode 1.1 Mainも、Fable 5の53.5、Opus 5の53.4に対してAstraは53.3で、僅差の3番目でした。

ここは両方向に注意が要ります。まず、表を作ったのはOpenAI自身です。それでもこれらの行を載せているのは、隠していないということでもあります。

そして比較の条件にも注記が付いています。ScreenSpot-ProとExploitGymのFableのスコアは、セーフガードの少ないMythosから取ったもの。BenchCADのClaudeのスコアは、Fable 5.1のシステムカードにある3つの変更を反映したもの。そしてLifeSciBench・GeneBench Pro・MedChemBenchにFable 5と5.1が載っていないのは、設問の大半を拒否するためだと書かれています。載っていない=負けている、ではありません。

読者への影響

実務に効く点を3つ。

1つめ、価格が出ました。入力100万トークンあたり10ドル、出力100万トークンあたり50ドル。Fastモードは2倍です。使う前に、自社の作業1件あたりでいくらになるかを見積もれます(AI利用のコスト管理)。

2つめ、比較のほとんどに「推定APIコスト」が添えられています。Terminal-Bench Science ではFable 5.1より約31%低い、Terminal-Bench 4.0ではSolより約9%・Fable 5.1より約63%低い、BenchCADではSolより約43%・Fable 5.1より約86%低い、といった具合です。点数だけでなく、1つ終わらせるのにいくらかを併記する形が、今回は主要なグラフの説明文にほぼ必ず付きました。ただし末尾の一覧表そのものには、コストの列はありません。8月25日の記事で比べる単位が変わったと書きましたが、それがグラフの説明文の標準になっています。

3つめ、Enterpriseでは提供開始の時点で既定がオフです。社内で使いたい場合、管理者の操作が要ります。あわせて、一昨日の記事に書いたとおり誤アラインメント監視が正当な作業を止めることがあるので、長時間動くエージェントを組んでいるなら再開の段取りを決めておく話になります(AIエージェント社内導入チェックリスト)。

割り引いて読むところ

4つあります。

第一に、サイバーの数字は本番のセーフガードを外した条件です。実際に使えるのは、断る機能が入った版です。

第二に、比較の条件が項目ごとに違います。時間制限を外したもの、ハーネスの設定を変えたもの、相手側のスコアを別のモデルから取ったもの。注記は正直に付いていますが、表だけを眺めると混ざります。

第三に、素数の2つの結果について、査読を経たかどうかは書かれていません。証明と、要約された思考の流れと、検証の資料が公開された段階です。数学の主張は追試で確かめられるものなので、受け止め方が定まるまで時間がかかります。

第四に、「世界で最も知的」は自社の総合判断です。上に書いたとおり、外部の総合指標のいくつかでは他社が上に来ています。

どう読むか

この夏ずっと追ってきたのは、AIの競争が性能から「誰にどう提供するか」へ移ったという見立てでした。

今日の発表は、その見立てが1つの製品の中で完結している例だと思います。

これまで見てきたのは、提供元をまたぐ話でした。ある会社には渡さない、年齢で経路を分ける、審査を通った相手にだけ強い版を出す。今回は同じ名前の同じモデルが、審査の段階と契約の種類と支払う金額によって、何段にも分かれている。

そして分け方の理由が、能力そのものです。強いから絞る。絞ったぶんは、審査を通った防御側に数週間かけて戻す。この順番自体は筋が通っています。

気になるのは、「GPT-6 Astra」という名前が、これから複数の意味を持つことのほうです。誰かが「Astraでこれができた」と言ったとき、それがどの段の話なのかが、名前からは分かりません。ベンチマークの数字も、本番のセーフガードなしで測ったものが混ざっている。

公平のために、逆の読み方も置きます。この段差は、隠されていません。今日の版が何を断るか、いつ緩めるか、どの数字がどの条件で測られたかが、同じ文書に書いてあります。注記を読めば追える形になっている。段を作ったこと自体より、段を明示したことのほうが、いまは珍しいはずです。

そのうえで、読む側の仕事は増えました。これからは「Astraが何点だった」ではなく、「どのAstraが、どの条件で何点だったか」を確かめないと、意味が取れません。

次に見ること

第一に、Daybreakでの制限緩和がいつ、どこまで進むか。「数週間かけて」とあるので、9月中には動きが見えるはずです。

第二に、素数の2つの結果の受け止められ方。数学の側から検証の反応が出るまでが本番です。

第三に、第三者による測定。Artificial Analysisのような外部の指標が更新されると、自社発表の表とどう違うかが見えます。

第四に、他社の反応。Anthropicは9月1日にFable 5.1とMythos 5.1を出したばかりです。同じ物差しでの比較が出てくるかを見ます。

第五に、日本での提供と、Enterpriseでの既定オフがどう扱われるか。管理者が有効化するまで使えないので、社内展開の速さがそこで決まります。

前後の流れ

OpenAIがGPT-6 Astraを公開 監視しにくくなったと自社で明記 / OpenAIがAstraを初のCritical認定 / GPT-5.6がKiroで1タスク82%減 / Daybreakとは / Preparedness Frameworkとは