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]。

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]。

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]。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。

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。