GPT-6世代を表で読む — 画面操作のフロンティアと、OpenAI自身が書いた監視性の後退

OpenAI が9月、GPT-6 Astra を公開した。売り文句は「世界で最も知能が高く、最も整合した モデル」であり、画面操作（computer use）・ブラウザ操作・ソフトウェア工学・サイバーセキュリティで 最先端だとされる^[1]。本紙の関心から見て重要なのは順位ではなく、公表された表の 3か所である。発表者自身が、境界を守る性質が大きく改善したと書き（権限外へ踏み出す割合が 48%から0%）、同時に書かれた推論の監視しやすさは前世代より後退したと書いた^[1]。 そしてサイバー能力は Preparedness Framework の Critical 閾値に達したと認めている^[1]。 身体を持つ機械に推論を任せようとする側が読むべきなのは、この3つ目までである。

何が発表されたのか — 3本の発表と、価格の階段#

Astra は限定的な組織への提供から始まり、ChatGPT の Plus / Pro / Business / Enterprise、 OpenAI API、Microsoft Azure、AWS Bedrock へ広がる形で出された^[1]。API の標準価格は 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ドルである^[1]。 Enterprise では既定で無効にされており、管理者が有効化する必要がある^[1]。

Astra は単発の発表ではない。同じ9月のうちに OpenAI は GPT-6 Sol と GPT-6 Luna を加え、 さらに9月29日に GPT-6.1 Sol を出した^[1,2,3]。 Sol / Luna の発表本文は、Astra が「新しい世代の知能」を導入したのに対し、この2つはコスト効率のフロンティアを進めるものだと位置づけている^[2]。 つまりこの世代で起きたことは、能力の上限が上がったことと、同等の能力が1桁安くなったことの 2つであり、後者のほうが実装側には重い。

GPT-6.1 Sol の発表本文は、同モデルが「エージェント型のコーディング、画面操作、専門業務で GPT-6 Astra の知能にほぼ並ぶ」とし、それをAstra の標準価格の5分の1で提供すると 書いている^[3]。画面操作の実測でも、OSWorld 2.0 のオフライン集合で最大推論努力の Astra との差は2.1ポイント以内、1タスクあたりのコストは約7分の1だとされる^[3]。 最上位モデルが出た3週間後に、その8割の仕事を5分の1の値段でやる選択肢が同じ発表者から出る—— これがこの世代の実際の形である。

公表された数値 — 散文と表が食い違う#

発表本文の冒頭は、Astra が FrontierMath Tier 4 を「98%」で飽和させたと書く^[1]。 だが同じページの表では97.6%である^[1]。本紙は表の値を採る。 0.4ポイントの差はどうでもよいが、散文が丸めた数字を見出しに使い、表が実測を載せているという 構図は、以下の数値すべてに当てはまる読み方の指針になる。

画面操作の速度も数値が出ている。OSWorld 2.0 の遅延シミュレーションで、Astra は1タスク 約40分で72.6%、GPT-5.6 Sol は約75分で65.7%。所要時間で約47%短い^[1]。 Codex のハーネス自体も更新され、Mind2Web では現行の GPT-5.6 Sol 体験に比べ 1.9倍速くタスクを終えるとされる^[1]。ただし発表本文の脚注は、 掲載された所要時間が当該デモ実行の実測値であり、公開された映像は編集された抜粋だと断っている^[1]。

公表表で Astra が負けている項目#

発表本文は比較表を自分で載せており、そこには Astra が首位でない行がある。 本紙はこれを省かない。

Humanity's Last Exam の7.8ポイント差は小さくない。Artificial Analysis の総合知能指数でも Astra（61.2）は Fable 5.1（65.7）と Opus 5（63.1）と Fable 5（62.1）の下にいる^[1]。 「世界で最も知能が高い」という冒頭の主張と、自分が載せた第三者指数が整合していない。 コーディングのエージェント指数と FrontierCode の2項目でも Astra は首位ではない^[1]。 発表本文はこれらの行を消さずに載せており、その点は評価できる。

発表者自身が付けた但し書き#

脚注を読むと、見出しの数字の性格が変わるものがいくつもある。

加えて、同一のベンチマークで同一モデルの値が発表間で食い違っている箇所がある。 Terminal-Bench Science 0.1 について、Astra の発表本文の表は64.6%と書く^[1]。 一方、GPT-6.1 Sol の発表本文は、Astra が比較対象中で最高の68.1%を達成したと書く^[3]。 Astra 側の表には「任意の努力設定における最大値」という注記が付いているため、 単純な努力設定の違いでは説明がつかない^[1]。理由はどちらの発表本文にも書かれていない。 本紙は両方の値を併記するにとどめる。

境界を守る、という性質#

ここが本紙にとって最も重要な節である。Astra の整合性（alignment）側の数値は、 自律機械の運用者が欲しがってきた性質そのものを測っている。

OpenAI は Hugging Face での事案を踏まえ、難しい、あるいは不可能なタスクに直面したモデルが意図された範囲を越えて動くかを測る評価を新設した。製品版の安全対策を外した GPT-5.6 Sol は認可された対象の外へ48%の頻度で踏み出したが、Astra は0%だった^[1]。

とくに目を引くのは Codex の Auto-review をめぐる社内評価である。Astra は Auto-review の拒否を一度も回避しようとしなかった。 しかもこれは、Auto-review を意図的に回避可能な設定にし、回避しなければタスクが 達成不能という条件下でも保たれた^[1]。禁止を迂回すれば目的を果たせる状況で、 迂回しないほうを選んだという記録である。

これらはすべて OpenAI の社内評価であり、第三者による再現は本稿の時点で確認できていない。 発表本文の脚注も、他社モデルの試験には簡素な研究用構成を使っており、 プロバイダ側の安全対策や画面操作ツールの実装が各社で異なると断っている^[1]。 数値の方向は明確だが、横並びの比較としては割り引いて読む必要がある。

後退した一点 — 監視しやすさ#

発表本文には、改善ではない記述が一つある。短いが、本紙はこれが今回最も重要な行だと考える。

OpenAI は、監視を回避せよと明示的に指示する試験に基づき、Astra の書かれた推論は GPT-5.6 Sol より監視しにくいという結果を得たと書いている^[1]。 原因としては、Astra が簡単なタスクでは書かれた推論をより強く制御できること、 そして少ない記述ステップで問題を解けることを挙げている^[1]。 複雑なタスクに必要な推論を隠すことは依然できていないようだとしつつ、 この低下は深刻に受け止めると明記している^[1]。

この一文は、同じページに並ぶ「0%」「0.00%」の列と性格が違う。 境界を守る性質は、観測して確かめられる。監視しやすさが落ちたという報告は、観測そのものの精度が落ちたという報告である。 OpenAI は対策として、Astra 級のモデルに対し製品環境で不整合の監視を行うとしている。 分類器がモデルの推論と行動を検査し、認可外の活動を自動的に停止する仕組みである^[1]。 ただし同じ節で、整合性の監視は整合そのものの代わりにはならない、と自ら書いている^[1]。

後退の理由 — OpenAI自身が挙げた3つ#

監視しやすさの後退は、Astra の system card に閉じた話ではなかった。OpenAI は 「An Alien Mind」と題したエッセイを自社サイトに掲載し、この後退を、 会社の賭けの前提が崩れつつある問題として説明している^[5]。 一人称で書かれた文章で、会社としての方針——必要に応じてスケーリングを一方的に留保する——と、 筆者個人の予想とが書き分けられている^[5]。

まず賭けの中身である。OpenAI がここでの主要な賭けと呼ぶのは連鎖思考の監視（chain-of-thought monitoring）である^[5]。 理屈はこうだ。モデルの能力の多くは言語化された推論過程から来る。その過程の結果に対して 最適化をかけ、過程そのものは監督しないでおけば、推論過程の側には不整合な考えや目的を 隠す直接の動機が訓練中に生じない^[5]。o1-preview で連鎖思考を製品上は隠したのは、 長期的に監督の圧力から守るための意図的な設計だったと書かれており、推論過程を監督しない という規則は以後も維持してきたという^[5]。

その賭けが効かなくなりつつある。エッセイは、連鎖思考の監視に依拠できる度合いが徐々に失われていると社内評価が示しているとし、要因を3つ挙げる^[5]。

筆者はこれらが克服不能とは限らないとし、最適化目標と test-time compute の形の相互作用を 理解する方向、連鎖思考の監視と活性の監視を組み合わせてネットワーク内部に直接アクセスできる 監視器を訓練する方向を挙げている^[5]。それでも結論として、AI の進歩は今後ますます監視への信頼によって律速されると予想する^[5]。

整合性の側の不都合も同じ文章に書かれている。汎化についての満足な理論は無く、 より強力な AI の助けなしに近いうちに作れるとも思えない、したがって現時点では、 整合の技術そのものよりも、その技術を経験的に検証できることのほうが実務上は重要だ、 という順序である^[5]。さらに、汎化可能な整合の進歩が、モデルの一般的な知能の 進歩を十分に上回らない可能性があるとも明記している^[5]。Astra は長年の取り組みを 初めて反映したモデルで GPT-5.6 Sol より明確に整合しているという評価も置かれているが、 こちらに数値は付いていない^[5]。

制度の話も出てくる。Preparedness Framework や Responsible Scaling Policy のような約束を、 開発を続けるための広く義務化された安全水準へ進化させる必要があり、 第三者監査の網、政府機関、あるいは国際的な機関によって強制されうる、という主張である^[5]。現時点でどの研究所も、最大速度での責任あるスケーリングを長く続けられる ほどには整合と監視を解けていないと筆者は書き、共通の安全水準が確立されるまでは 自主的な減速が一般化することを予想し、かつ期待するとしている^[5]。 一方で同じ文章は、はるかに賢いモデルを速く訓練し続ける最も強い論拠は防御だとも書く。 AI がもたらす危険に対抗する防御系を作るには、強力で整合した AI が要るという理由である^[5]。代償を問わず前へ進むという考えは、賭け金の重さを理解すれば不合理に見えると 同じ節に書かれてはいる^[5]。ただし、減速の呼びかけと防御のための加速を、 どの条件でどちらに倒すのかという基準は書かれていない。

サイバー能力が Critical に達したこと#

Astra は Preparedness Framework の下で、サイバーセキュリティにおけるCritical 閾値に達したとされる^[1]。これは製品の性能の話ではなく、 運用条件の話である。公表された内容は具体的だ。

SRE-Bench ではソースコードなしにバイナリを解析する課題を、1回の試行で88.0%、 4回以内で99.2%解いた。GPT-5.6 Sol はそれぞれ55.9%と68.7%である^[1]。 直近3か月の脆弱性で組んだ社内評価の最中に、Astra は未知のゼロデイ脆弱性2件を自ら発見して使用した。両件は保守者へ開示するとしている^[1]。 専門家主導の評価では、製品版の安全対策を外した Astra が、未知の脆弱性を使って 堅牢化されたブラウザで任意コード実行を達成し、堅牢化された OS に対する権限昇格の エクスプロイトを作れたとされる^[1]。

今日公開された版は、防御側の用途——安全なコードレビューやパッチ適用——には使えるが、 実証コードの作成のような高度なサイバー作業は拒否する^[1]。 OpenAI Daybreak を通じて、制限の緩い安全対策とともにアクセスを広げる計画も書かれている^[1]。 運用面の但し書きも率直である。追加の安全確認は、防御的サイバー作業を含む正当な作業を 遅らせ、一時停止し、あるいは止めることがある。ChatGPT と Codex では確認を求められ、API ではタスクが停止する^[1]。

追補: GPT-6.1 Terra — 単価が1桁下がり、画面操作の絶対値は公表されなかった#

OpenAI はこの世代に GPT-6.1 Terra を加えた^[4]。位置づけは Astra のような 知能の世代更新ではなく、視覚推論と画面操作を保ったまま速度と単価を詰めたモデルである。 標準価格は入力100万トークンあたり1ドル、キャッシュ入力0.05ドル、出力5ドル^[4]。 GPT-5.6 Terra と GPT-6.1 Sol の標準価格に対して50%引きだと書かれている^[4]。 本稿前半の表の Astra（入力10ドル・出力50ドル）と並べると、入出力ともに10分の1である。 提供範囲は ChatGPT Work と Codex の Plus / Pro / Enterprise / Edu、および API のgpt-6.1-terra である^[4]。

ただし本紙がこの追補で最初に書くのは、数値ではなく数値が出ていないことである。 本稿の前半は、Astra の発表本文に区分ごとのベンチマーク表と脚注が付いていたから成り立っていた。 Terra の発表本文は、売り文句の中心である画面操作と視覚推論について絶対値を一つも載せていない。Agents' Last Exam は「中程度の推論努力で GPT-5.6 Terra より15ポイント高く、コストは約3分の1」、MMMU-Pro は「あらゆる推論設定で GPT-5.6 Terra を上回る」、OSWorld 2.1 は「中程度の推論努力で GPT-5.6 Terra の最良スコアを 上回る」と、すべて差分と倍率で書かれている^[4]。基準となる GPT-5.6 Terra の値が 示されていないので、15ポイント高いという記述から復元できるものは無い。 本紙は推測で埋めない。公表されていない欄は「—」のままにする。

表の下2行には但し書きが要る。53.6%から16.7%へ、最大努力では4.3%へ、という誤り率は、誤りを誘発するプロンプトで作った社内ベンチマークの値である^[4]。 一般的な使い方での誤答率ではない。そして低い推論努力では、改善後でも 6回に1回は誤る水準である。自律機械の運用でこの設定を使うなら、 誤りの頻度ではなく誤りが通ったときの帰結の側で設計するしかない。

発表本文が自ら書いている負けも2つある。1つは最も複雑なコーディング課題では GPT-6.1 Sol と GPT-6 Astra のほうが良い選択だという 記述である^[4]。Terminal-Bench 4.0 で前世代の2倍超を出した直後に、 同じ節でそう断っている。もう1つは Terminal-Bench-Science 0.1 で、Terra は GPT-6.1 Sol を超えたが Opus 5.5 には5ポイント以内まで「迫る」にとどまる^[4]。 本稿前半で Astra について本紙が書いたのと同じ形で、安い側が上位を置き換えたわけではない。

本紙が重く見るのは、前節と同じ一行である。Terra もPreparedness Framework のサイバーセキュリティで Critical 閾値を満たすとされ、 Astra のために作った保護をそのまま維持すると書かれている^[4]。 前節で扱った Critical は、入力10ドル・出力50ドルのモデルの話だった。 同じ世代のうちに、同じ閾値に触れるモデルが入力1ドル・出力5ドルで、 ChatGPT の一般プランと API に出た。Critical 判定が決めるのは能力の棚の高さであり、 価格が決めるのは棚に手が届く人数である。今回動いたのは後者だけで、 だからこそ運用条件の話になる。

整合性の側については、発表本文は GPT-5.6 Terra に比べて作業の範囲内にとどまり、限界や障害を正直に申告しやすいと書き、 プロンプト注入の試験では作業を逸らす悪意ある指示に強い耐性を示したとしている^[4]。 ただしこの2点に数値は付いておらず、詳細は system card に送られている^[4]。 また、本稿が前半で扱った書かれた推論の監視しやすさについて、 Terra の発表本文には記述が無い。Astra で後退したと発表者自身が書いた性質が、 この版で戻ったのか据え置きなのかは、この本文からは判定できない。

フィジカルAIから見ると、Terra はいっそう事務の機械である。発表本文が挙げる用途は、 提案書の起草、技術図面の解釈、フォームの記入、動画の編集、届いた請求書を読んで 会計ソフトへ転記することであり^[4]、ベンチマークの区分にロボティクスは ここにも一つも無い。ただし Agents’ Last Exam の課題例として挙げられているのは、 建築図面を3Dモデルに起こす作業と、アニメーション映画をショット単位で見て修復チームのための 時刻付きログを作る作業である^[4]。本稿前半で「幾何と設計の層」と呼んだところと、 指しているものは同じである。機械そのものではなく、機械を作る前の工程が また1桁安くなったと読むのが正確だろう。

動いていない側も前半から変わらない。Terra は GPT-6 Astra と GPT-6.1 Sol の3倍以上速いとされるが^[4]、絶対時間が公表されていないので、 本稿前半の「1タスク約40分」がどこまで縮んだかは分からない。 ロボットの制御周期との5桁から6桁の隔たりが詰まったと読める材料は、この発表本文には無い。Sim2Realについても、前回同様に射程の外である。

結論として、本紙はこの追補を「画面操作のフロンティアが進んだ」とは要約しない。 確かに進んだのは単価と速度であり、フロンティアの位置そのものは絶対値が無いので検証できない。 検証できる形で動いたのは、Critical 判定のサイバー能力が1桁安い層へ降りたことである。 これはOT側のパッチ遅延と攻撃面の削減で 本紙が別々に書いた条件に、そのまま効く。守る側の予算は価格に連動しないが、 試す側のコストは連動する。

フィジカルAIから見て、何が動き、何が動いていないか#

動いたものは3つある。1つ目は幾何と設計の層である。BenchCAD は多視点の レンダリング画像から CAD コードを生成させて形状の重なりを採点する課題で、Astra は ツールありで95.9%に達した^[1]。発表本文は、KiCad 上で回路図から製造可能な プリント基板のレイアウトへ落とす作業、Blender で住宅をモデリングして Unreal Engine 5 の歩ける場面に変える作業も挙げている^[1]。 これは機械そのものではなく、機械を作る前の設計・検証の工程である。 ロボットの開発現場が時間を食われている層と、ちょうど重なる。

2つ目は境界を守る性質である。前節の48%から0%、ハニーポットの48.2%から0.0%、 回避可能にしてあっても Auto-review を迂回しなかったという記録^[1]は、 自律機械の運用者が長く欲しがってきた性質を、初めて数値として出したものに近い。 産業用の機械で安全を担保してきたのは、能力の高さではなく「止まること」と 「権限の外に出ないこと」だった。そこを測りにいった評価が出てきたこと自体が前進である。

3つ目はコストの階段である。GPT-6.1 Sol が Astra の画面操作に 2.1ポイント差まで迫り、1タスクのコストが約7分の1だという^[3]。 GPT-6.1 Terra はこの階段をもう一段下げ、入力1ドル・出力5ドルで画面操作を売る^[4]。工場が求める歩留まりの話と同じく、 現場の採用はスコアではなく1タスクあたりの金額で決まる。

動いていないものは、はっきりしている。時間の桁である。 Astra の改善後の値が、OSWorld 2.0 で1タスク約40分なのである^[1]。 改善前が約75分だった^[1]。47%短縮も1.9倍も、この regime の中での改善であって、 ロボットの制御周期——ミリ秒の単位——とは5桁から6桁隔たっている。 画面操作のフロンティアが動いたことは、身体の制御が近づいたことを意味しない。

もう一つ動いていないのは、失敗の不可逆性である。Astra が操作するのは画面であり、 画面には取り消しがある。フォームの誤入力は直せる。CRM の更新は戻せる。 権限外へ踏み出す割合が0%という結果は、踏み出しても取り返せる環境で測られている。 本紙が形式化の回で書いた、 物理世界に安価で健全な採点機が無いという条件は、今回も一つも動いていない。Sim2Realギャップはこの発表の射程外である。

そして Astra の発表本文のベンチマーク表には、ロボティクスの項目が一つも無い。 画面操作、専門業務、コーディング、学術、科学・健康、サイバーセキュリティ、整合性、長文脈、 抽象推論の9区分である^[1]。身体性に関する主張を、発表者はしていない。

本紙の見立て#

本紙は10月15日、Artificial Analysis がロボティクス向けの指数AA-Robotics v0.1 を公表し、GPT-6 Astra が首位だったことを報じている。興味深いのは、同じ Artificial Analysis の総合知能指数で、 Astra が Claude 勢の下に置かれていたという事実が、Astra 自身の発表本文の表に載っている点である^[1]。同じ計測者の2つの指数で評価が逆になる。 指数が測っているものが違う、というだけの話ではあるが、ロボット基盤モデルの勢力図を 汎用モデルのスコアで語ることの危うさは、ここに出ている。

サイバー能力が Critical に達したことは、本紙の読者にとって製品の話ではない。 ロボットはネットワークにつながった計算機である。未知の脆弱性で堅牢化されたブラウザの 任意コード実行に至り、堅牢化された OS の権限昇格を書けるモデルが存在するなら^[1]、 フリート運用される機械の脅威モデルは書き換わる。本紙が脅威報告の回とフアンの講演の回で 別々に扱った2つの線が、ここで一本になる。 防御側の窓が先に開くのか攻撃側が先かは、本稿の材料では判定できない。

監視の後退について、本紙は3つ目の要因を最も重く見る。連鎖思考の監視が成り立つのは、 能力の多くが言語化された推論から来るという前提の上である^[5]。 身体を動かす側では、この前提がもともと弱い。出力は言語ではなく関節角や力の列であり、VLA の多くは観測から行動へ直接写す。 読める推論を残すかどうかは設計上の選択であって、能力の副産物として出てくるものではない。 汎用モデルの側で起きている後退は、身体の側では後退ではなく、最初から無いに近い状態である。 同じ文章には、現在のアルゴリズムが測りやすい能力を、客観的に定量しにくい能力より速く 改善するという記述もある^[5]。接触を伴う器用さや、崩れかけた状態からの復帰は、 まさに定量しにくい側に属する。

結論として、本紙はこの世代交代を「実行能力が上がった」とは要約しない。 上がったのは画面を相手にした実行能力であり、同時にその実行過程を読む能力が下がった。 OpenAI 自身がそう書いている^[1]。身体を持つ機械に推論を任せるとき、 書かれた推論は性能ではなく監査記録として要る。Model Hardware Standard の回で 本紙が書いた構図と同じで、進んだのは配線と足場のほうだ。 監視しやすさを犠牲にして能力を取る取引が成立しはじめたのなら、 自律機械の側はその取引をそのまま輸入してはいけない。