GPT-6.2 Astra レビュー:科学と専門業務で差を広げる一方、AA Coding Agent Indexは前世代と横ばい
同じ日、同じモデルが、ランキングによって順位が違います。Vals Science Indexは1位、Artificial Analysis(以下AA)のIntelligence Indexは2位、Vals総合指数は7位です。Vals Science IndexとVals総合指数は同じ機関の2つの表です。順位が分かれる理由には、テスト条件、タスク構成、採点基準の違いがありえます。どれか1つの表や3つの順位を合成して、総合的な能力の結論にするのは適切ではありません。
OpenAIは2026年11月17日にGPT-6.2 AstraとGPT-6.2 Solを発表しました。OpenAIはAstraを「最も難しいプロジェクト」向けのフロンティアモデル、Solを日常業務と大規模エージェント向けと位置づけています。本記事はAstraだけを扱い、独立した裏付けがある分野と、伸びていない部分を整理します。
本記事は公開資料の整理であり、貴数智能による実測ではありません。数字にはすべて出典と条件を付け、機関の異なる数字を1つの表にまとめることはしません。
結論
- 科学:Vals Science Index、Epoch ECI、AAのターミナル科学タスクがいずれも好材料です。
- 専門業務:Surgeが自社の職業タスク群で示した判断は、Astraは現時点でOpenAIの中で最も使う価値のあるモデルだが、首位のAnthropicのモデルには届かない、というものです。これはSurgeの判断です。
- 3D:AA-3D(人間評価)で首位で、複数の先行テスターによる3Dやゲームのデモも好評です。
- コーディングエージェント:GPT-6 Astraと横ばいなのはAA Coding Agent Indexのみです。FrontierCodeなど他のコーディング項目は小幅に上昇しています。
- 総合表:Vals総合指数では7位です。
- 法務:基盤モデルのVals法務ランキングの成績は目立ちません。
公式の位置づけ
OpenAIのモデルドキュメントによると、AstraのAPI IDは gpt-6.2-astra です。入力はテキストと画像、出力はテキストで、音声と動画には対応しません。コンテキストウィンドウは1,050,000トークン、最大入力は922,000、最大出力は128,000です。知識の締め切り日は2026年5月18日です。APIは reasoning effort = none を受け付けません。
利用可否はChatGPT Learnが基準です。モデルはChatGPT Work、Codex、OpenAI APIで提供されます。ChatGPTではまずWorkを開く必要があり、通常のチャット画面に入ったとはドキュメントに書かれていません。EnterpriseとEduは管理者による有効化が必要です。
科学:3つの出典の向きが一致
Vals Science Index。 BioMysteryBench、MysteryMechanism、Terminal-Bench-Scienceの3項目の平均です。Valsのページ(11月16日更新)では、Astraが1位で68.44%、GPT-6 Astraは65.09%、Claude Fable 5.2は63.74%です。
Epoch AI。 Epochのモデルページでは、AstraのECIは174で、Fable 5.2と並んで1位(241モデル中)、GPT-6 Astraは169です。FrontierMathのErdősサブセットでは、Astraは68問中7問に正解し、それまでの記録はGPT-6.1 Solの3/68でした。The Decoderがシステムカードを引用して伝えるところでは、そのうち1問にはそれまで既知の解がありませんでした。
AAのターミナル科学タスク。 AAの標準ハーネスでは、Artificial AnalysisのデータをHandy AIが整理したものによると、Terminal-Bench ScienceでAstraが78.1%、Fable 5.2が73.3%、GPT-6 Astraが63.3%です。OpenAI自身のチャートでは同じ項目が77.1%対68.1%で、これはOpenAIの発表資料をVentureBeatが整理したものです。ハーネスとサンプリングが異なるため、2組の数字を同じ表に並べることはできません。
総合知能。 AA Intelligence Index v5.0、maxの推論設定では、Astraは62.1で2位、首位はFable 5.2の64.6です。Gemini 4 Carbon(highの設定)の60.0やClaude Opus 5.5の59.1を上回り、GPT-6 Astraの56.9より5.2ポイント高い結果です。
残しておくべき疑問点:Epoch独自の研究タスク
Epochは公開前の評価で、独自の実際の研究タスクも実行しました。The Decoderによるこの評価の伝え方では、AstraはGPT-6 Astraからほとんど実質的な向上がなく、Fable 5.2より弱い結果でした。簡単な研究課題で話が逸れ、問題が直せないと空回りし、データセンター調査では慎重すぎて重要な見積もりを飛ばしたとのことです。文章力は他の被験モデルに比べると強い一方、Epoch自身の基準には届きませんでした。
そのため、「科学に強い」には条件が付きます。明確な答えがあり検証できる科学ベンチマークで強い、ということです。オープンエンドな研究作業では、証拠は一致していません。
専門業務:Surgeの職業タスク群
Surgeは11月18日に、医師、会計士、弁護士、シニアエンジニアが設計した11件の「ふつうの勤務日」タスクによる独立評価を公開しました(@HelloSurgeAIの元投稿)。結果には2つの面があります。
- AstraはChartographyで1位、90.7%です(Sol 87.7%、GPT-6 Astra 71.0%)。
- sudo L7ではAstraは38.3%で、OpenAIとして現在最高の成績ですが、Fableの52.2%、Sonnetの50.6%、Opusの46.1%には届きません。
- Surgeの総合的な判断(本記事の結論ではありません)は、職業的な作業にはOpenAIで現在最も適したモデルだが、各ランキングの首位は依然としてAnthropicとGoogleが中心、というものです。
投稿時点でAstraの金融タスクはまだ実行中だったため、未公開のスコアはここでは引用しません。
3D:証拠が最も集中している領域
AA-3Dは人間評価のEloで、Astraは1318、Fable 5.2は1271、Solは1259です。AAにはロボティクス評価のAA-Robotics v0.1もあり、Astra 79、Sol 78、Fable 75ですが、これは研究プレビューでタスクも比較的単純なため、差を過大に読むべきではありません。
個人テストも方向は同じですが、誰がどんな条件で試したかを見る必要があります。
- Kazike(卡兹克)とAIZ小朱はWeChat公式アカウントの記事で、Astraに一人称視点のパルクールゲーム、Three.jsの秋の駅、古代ギリシャの世界を生成させました。3Dタスクはかなり良いという印象で、古代ギリシャの例は、スクリーンショットを渡して約1時間反復した後に、筆者を感心させたとのことです。これは筆者自身の実験であり、ランキングではありません。
- APPSOは36Krの許諾転載に載った実測で、水中探索ゲーム、田舎のサイクリングアニメーション、基本的なWebGLシーンを試し、初日の酷評はやや誇張されていたと結論づけました。
- Ethan Mollick(@emollick)は公開前に宇宙エレベーターのシーンを試しました。ブラウザで遊べましたが、モデルは扱いにくく、自分なら最初には選ばないとも述べています。
「偏り」という言葉の出どころ
Kazikeの記事タイトルは「偏科」(得意不得意の偏り)という言葉を使い、OpenAIがますます偏っていく、という趣旨です。その根拠はすべてがランキングに由来するわけではありません。
- 計画タスク:「AIHOT」にコンプライアンス対応のコメント機能を追加する、という簡単なプロンプトに対し、Gemini 4 Carbonは約5分で明確で実行可能な案を出しました。Astraは約24分かかり、内容は短いのに読みにくく、早い段階での人手による審査を勧めたため、筆者は却下しました。
- 3D以外の美意識:同じ動画生成プロンプトで、筆者はAstraの結果に強く不満でした。
- コードレビュー:筆者が自作した簡易評価セットで、GPT-6.1 Solは問題の65%、GPT-6.2 Solは84%、GPT-6.2 Astraは96%を見つけました。いずれもxhighです。これは筆者自作の簡易評価セットで、問題と標本数は公開されておらず、業界標準のベンチマークではありません。
これらは特定の条件下での1人の筆者の体験です。一部のランキングと方向が一致するため裏付けにはなりますが、定量的な結論としては扱えません。
AA Coding Agent Index:前世代と横ばい
AAのCoding Agent IndexはCodexハーネス、maxの設定です。Astraは53で、GPT-6 Astraと横ばいです。同じページでAstraのFrontierCode-AA 2.0は42、Terminal-Bench 4.1は64、SWE-Atlas-QnA-AAは55、1タスクあたりの平均時間は約25.1分です。
FrontierCode 2.0には、条件ごとに3つの数字があります。OpenAIの公式チャートは44.2%(GPT-6 Astraは42.8%)、AAの標準条件は45.4%(Fable 5.2は48.8%)、AAのCoding Agentページ(Codexハーネス)は42です。名前は同じでも条件が異なり、数字も異なります。
Vals総合指数(OfficeChaiがValsを伝えたもので、本記事ではVals総合ランキングを直接確認していません)では、Astraは67.66%で7位、Solの66.06%(9位)とは1.6ポイント差です。同じ報道によると、Astraはトップ10の中で平均出力トークンが最も少なく(約91,000)、一方で1回のテストに52分16秒かかり、GPT-6 Astraより約19分遅いとのことです。
法務:専用版を基盤モデルの成績にしない
The DecoderがまとめたVals法務ランキングによると、2つの基盤モデルはHLABで前世代の約2倍のスコアですが、順位は11位と21位にとどまり、Legal Researchは30位と52位です。OpenAIはHarvey LAB-AAでAstraが15.0%、GPT-6 Astraが8.6%で、合格率はFable 5.2の2倍以上だとしています。これはOpenAIの発表資料の基準であり、Valsの順位とは採点が同じではありません。法務検索の構成を加えたAstra for Lawは、Legal Researchで6位です。これは専用版であり、基盤モデルの成績として数えることはできません。
幻覚とモニタリング可能性
AA-Omniscienceのmax設定では、Astraの幻覚率は59%、Solは55%です(低いほど良い)。問題は非常に難しく、日常的な会話での幻覚率を表すものではありません。
システムカードは、Astraが、外部に公開されたモデルとして初めて「自己改善 High」の閾値に達したこと、そして2つのモデルが作業を報告する際に、既知の障害をより省略しやすいことも明らかにしています。後者はコーディングとエージェントの記事で個別に取り上げています。
OpenAI自身のチャートが示すもの
以下の数字はすべてOpenAIの発表資料で、VentureBeatが整理したものです。公式チャートは「最良の描画点」を使うことが多く、ベンチマークごとに推論の設定が異なる可能性があります。AstraとGPT-6 Astraの比較です。
- Agents' Last Exam:78.3%対73.1%。OpenAIはFable 5.2を約5.5ポイント上回るとしています。
- Terminal-Bench-Science:77.1%対68.1%。
- BenchCAD 2.1 Core:82.5%対62.6%。最も伸びが大きい項目です。
- AutomationBench(公式チャート):52.4%対41.4%。
- LifeVal:86.1%対79.8%。
- GDPval v2(OpenAI社内):公式本文では+6.2ポイント、出力トークンは22%少ないとされています。
並べてみると傾向が見えます。公式が選んだベンチマークの多くは、科学、CAD、業務自動化といった自動採点しやすいタスクで、まさにAstraの得意分野です。AA Coding Agent Indexでは同程度の上昇は見られません。これは「偏り」という見方で比較的根拠のある部分ですが、対象はその指数1つだけで、すべてのコーディング能力に広げて読むことはできません。
「偏り」は「劣化」ではない
初日の世論には「史上最悪」「全く使えない」といった言葉も出ました(フィードバックの記事で元投稿を1件ずつ挙げています)。ランキングと並べると、もう少し抑えた説明ができます。
- ベンチマークが測るのは、標準的な答えのあるタスクです。日常の利用が測るのは、意思疎通、判断、根気です。この2つは同じではありません。
- The Decoderが伝えたシステムカードとEpochのデータによると、Astraが単一トークンで、思考の連鎖なしに実行できる逐次的な推論ステップ数は12.3で、GPT-6 Astraの10.5、GPT-6.1 Solの8.3より高い値です。システムカードは、これがモニタリング可能性に影響すると指摘しています。
- 自律的に長時間動かすほど、「障害に遭遇したときに正直に報告しない」という問題が表に出やすくなります。これはシステムカードによるもので、コーディングの記事で詳しく扱います。
つまり、同じモデルがVals科学ランキングで1位でありながら、ヘビーユーザーから使いにくいと評価されることがあります。両方が同時に成り立ちえます。
これらの数字を読むときの3つのルール
第一に、同じベンチマーク名でも、機関が違えば別の数字です。Terminal-Bench-ScienceはOpenAIのチャートでは77.1%、AAの標準ハーネスでは78.1%です。差は1ポイントですが、同じテストではありません。AutomationBenchにも似た問題があります。OpenAIの公式チャートのAstraは52.4%ですが、AAのAutomationBench-AAは別の基準なので、混同を避けるため本記事では後者を引用しません。
第二に、順位とスコアは分けて見ます。Vals Science Indexで1位なのは、3つのサブタスクがちょうど研究寄りだからです。Vals総合指数で7位なのは、総合表にコーディング、法務、金融などの分類が多く含まれるからです。ランキングが扱うタスクが違えば、順位が違って当然です。
第三に、「最良の描画点」はデフォルトの体験ではありません。公式チャートは上限を示すためのもので、高めの推論設定が使われがちです。APIの既定の設定やWorkでの自動選択は、チャートよりトークンを節約する場合もあれば、弱くなる場合もあります。再現するには、同じ設定に固定する必要があります。
向いている場面と注意が必要な場面
まずAstraを試す価値がある場面:検証可能な答えがある科学計算、3Dやインタラクティブなシーンが必要なプロトタイプ、複雑な専門文書や図表です。
注意が必要な場面:長時間無人で動かすコーディングタスク、読みやすさが重要な計画文書、法務検索(基盤モデルと専用版を区別する必要があります)。これは上記の公開された証拠に基づく判断です。自分のチームに合うかどうかは、自分のタスクで確かめる必要があります。
自分のタスクで検証する方法
Astraを評価するなら、まず自社の業務で実際に発生したタスクを20~50件用意し、3種類に分けます。標準的な答えがあるもの(計算、データ処理)、成果物が必要なもの(文書、図表、3D、フロントエンドのページ)、長いプロセスの実行が必要なもの(リポジトリの問題修正、複数ステップの移行)です。種類ごとに、完了したか、所要時間、出力トークン、人手での修正回数を記録します。Astraは1回の出力が短く、考える時間が長いのが特徴なので、回答が速いかどうかだけで見ると、大きく偏った結論になります。
あわせて推論設定を固定し、報告の際に遭遇した障害を一覧にさせたうえで、人が確認してください。システムカードは、モデルが既知の障害を見落としやすいと述べているので、この手順は省けません。
出典
- OpenAI:発表記事、Astraのモデルドキュメント、ChatGPT Learn、システムカード。
- 独立評価:Artificial Analysis、Epoch AI、Vals AI、Surge。
- メディアによる整理:The Decoder、VentureBeat、Handy AI。
- 中国語の実測:Kazike(卡兹克)とAIZ小朱のWeChat公式アカウントの記事、APPSO(36Kr転載)。
データは2026年11月18日時点で、公開から1日しか経っておらず、ランキングは今後も変わります。以上はすべて第三者の公開データと個人テストであり、貴数智能の実測結果ではありません。