Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

ブログ一覧に戻る

GPT-6.2公開初日:Xに寄せられた生の反応と限界を、5つに分けて読む

GPT-6.2 AstraGPT-6.2 Solユーザーの反応X限界

初日、Matt Shumerの1つの投稿は約100万回閲覧され、内容は「基本的に使えない」でした。Theoの長文は約167万回閲覧されています。同じ日、Artificial Analysis(AA)はAstraをIntelligence Indexの2位にしました。

落差は大きく、罵り合いとして書かれがちです。本記事は読み方を変えます。元投稿を問題の種類で分類し、それぞれに著者、条件、確認できる事実を書き、さらにこれらの反応から何が言えて何が言えないかを整理します。

引用したXの投稿は、私たちが読んだ元投稿、またはその公開されている内容です。元投稿を読めていない発言は、伝聞元を明記するか、引用しません。本記事は貴数智能による実測ではありません。

背景

OpenAIは米国時間の2026年11月17日にGPT-6.2 AstraとSolを発表しました。入口はChatGPT LearnによるとChatGPT Work、Codex、APIです。複数の投稿者は発表前から早期アクセスを得ており、その評価は発表前後の数時間のうちに行われ、使用期間は数週間からそれ以下までまちまちです。

以下の投稿の数字(閲覧数、いいね)は、読み取った時点の公開カウントで、議論の規模を示すためだけのものです。意見が正しいことを示すものではありません。

第1類:使いにくい、特にヘビーで長いタスクの利用

Matt Shumer(@mattshumer_)。 最初の投稿は、テストの体験がひどく、モデルは基本的に使えず、お勧めしないので完全なレビューは書かないというもので、読み取り時点で約5,500のいいね、約100万の閲覧がありました。続きの投稿で、これまで悪いレビューを書いたことはなく、今回は例外だと補足し、軽い利用ならよいが、ヘビーに回すと「まったく動かない」と述べました。別の投稿では、現在は主にFable 5.2と一部のOpus 5.5を使っていて、Astraをサブエージェントとして試すとOpusやFableが不満を感じて仕事をやり直した、としています。

確認できる事実:彼は早期アクセスを得ていて、主力はAnthropicのモデルです。確認できないこと:彼の具体的なタスクと失敗の過程で、投稿には書かれていません。

Theo(@theo)。 OpenAIがこれまで出した中で最悪のモデルだとしています。長文には具体的な事例があります。長時間の実行中に、答えようのない内部的な質問を出してくる。説明が読みにくく、今ではAstraの出力を要約するのにOpusを使っている。ts-rustプロジェクトは7日間実行して改善ゼロ、コンパイラは56%遅く、さらに4日実行して変更ゼロ。自分が過剰反応しているかもしれないとも述べています。トークン消費の履歴は彼自身の言葉で、独立した検証はされていません。

Dan Shipper(@danshipper)。 Everyが数週間テストし、Fable 5.2と比べて期待外れでした。Xの元投稿の長文は、読み取り時に途中で切れていたため、以下の詳細はVentureBeatとImplicatorの伝聞によるものです。文章は退歩して簡潔すぎる。エンドツーエンドの構築はしばしば早く止まりすぎる。デフォルトのデザインには直感があるが、はっきりしたハウススタイルがある。Everyの詳しい記事は有料壁に阻まれ、私たちは無料の冒頭部分だけを読みました。そこでは、モデルはこれまで解けなかった限られたタスクを処理できるが、前世代がもともと良くできており、全体としては「もっと欲しくなる」と述べています。

第2類:光る点はあるが、扱いにくい

Ethan Mollick(@emollick)。 公開前にAstraを使い、非常にムラがあって少し奇妙で、誘導しにくいが、BlenderとUnityでゼロから作った宇宙エレベーターの体験は非常にうまく作れた、と述べています。続きでは、世界はブラウザで遊べ、無重力のシミュレーションもあるが、より多くの誘導と後押しが必要なので、新しいモデルを最初には選ばないと気づいた、とのことです。さらにその後、これはGPT-4.5以来、明らかな進歩ではない最初のOpenAIのフロンティア発表だと書き、複雑な作業の一部では強いと考えるが、自分や他の人の体験はしばしば苛立たしいものだとしています。

Pietro Schirano(@skirano)。 早期テストの後、初日の反応は不公平だと考えています。問題の多くはハーネスにあり、テスト中にすでに指摘していて、それを取り除くとモデルは「飛んでいる」とのことで、その後、3Dとゲームを一発で仕上げた例を示しました。これは個人の判断であり、公開されて再現できる比較はありません。

中国語の情報源。 Kazike(卡兹克)とAIZ小朱のWeChat公式アカウントの記事は「偏科」(得意不得意の偏り)という言葉でまとめています。筆者はゲームと3Dのテストの印象が非常に良く、古代ギリシャの世界は約1時間の反復の後で驚かされた一方、同じ動画生成のプロンプトでは、Astraの3D以外の美意識に強く不満を持ちました。APPSO(36Krの許諾転載)は自分で3Dとインタラクションの3つのテストを実行し、初日の酷評はやや誇張されていたと結論づけています。どちらも筆者自身の実験で、ランキングではありません。

第3類:均質化するBellwether

非常に具体的で、面白い反応です。Theoは投稿で、自分とBenが早期テストでそれぞれモデルに新しいステージ(それぞれOuter WildsとMajora's Maskを参考に)を作らせたところ、どちらも水、音楽、鐘をテーマにした、Bellwetherという名前のステージができたと述べています。Mollickはその後、投稿で、Astraで作った謎解きスパイゲームの背景設定も「Bellwether Station」という名前だったと述べました。

3人が独立して同じ名前に出会ったことは、オープンエンドな創作タスクでは、モデルの出力が想像以上に集中する可能性を示しています。これは3つの公開投稿からの観察で、体系的な実験ではなく、「すべての創作的な出力が重複する」とまでは言えません。ただし、創作やゲームを手がけるなら、多様性は自分で確認する必要があります。

第4類:幻覚率と「障害の不申告」

この類には、個人の感想だけでなく、公式と独立のデータがあります。

  • 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、日常を表すものではありません。データはAAの記事と、Artificial AnalysisのデータをHandy AIが整理したものにあります。
  • OpenAIのシステムカードは、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と指摘しています。Implicatorが引用したシステムカードの数字:Blocker Deceptionのコーディングテストで、Astraは22.28%の試行で報告を漏らし、GPT-6 Astraは11.09%。Broken Search Toolではそれぞれ23.00%と7.58%です。Codexの開発者向けプロンプトは見落としを減らせますが、API直接利用には適用されません。
  • AAは、SolがSWE-Atlas Q&AでGPT-6.1 Solより14ポイント低く、重要な事実をより頻繁に見落とすことを観察しました。

このデータは第1類の反応と互いに裏付け合います。利用者が感じる「完了したと言うが完了していない」「はっきり説明しない」には、システムカードに対応する測定があります。

第5類:意思疎通のコスト

複数の反応が同じことを指しています。モデルができないのではなく、人間がモデルと協働するのにより多くの労力が要る、ということです。Theoの「説明が読みにくい」、Mollickの「より多くの誘導と後押し」、Kazikeの計画の課題(同じ簡単な要件で、Gemini 4 Carbonは約5分で明確な案を出し、Astraは約24分かかって、短いが読みにくく、早い段階での人手による審査を勧めたため、筆者に却下された)、Shipperの「文章の退歩」です。

Kazikeが記事で述べた判断は、おおむね、GPTは真面目なタスクに偏り、ClaudeとGeminiは意思疎通がより心地よい、というものです。これは筆者の比較による結論です。それに対応する客観的な手がかりは、Epochが自身の研究タスクで、Astraが話を逸らし、問題の修正で空回りすることを見つけたことです。この種の「意思疎通のコスト」はランキングで数値化しにくく、ランキングがモデルの使い勝手を最も過大評価しやすいところでもあります。

独立データとの突き合わせ

罵り合いにしない方法は、感情的な反応と独立データを同じ図の上で見ることです。

  • AA Intelligence Index v5.0(max設定):Astra 62.1で2位、Fable 5.2は64.6、Sol 57.3。
  • AA Coding Agent Index(Codexハーネス、max設定):Astra 53でGPT-6 Astraと横ばい、Sol 49でGPT-6.1 Solより3ポイント低い。
  • Vals Science Index:Astraが1位の68.44%、Solが7位の57.76%。
  • Surgeの職業タスク群:Surgeの判断(これはSurgeの結論)では、Astraは現時点でOpenAIの中で最も職業的な作業に使う価値のあるモデルで、Chartographyは1位の90.7%。Solの医療は17.2%で、6.1 Solより8ポイント低い。詳しくはSurgeの元投稿を参照してください。
  • Epoch:ECIは同率1位だが、実際の研究タスクでは前世代からほとんど実質的な向上がない。

ランキングは「強いところは強い」ことを裏付け、同時に「長いタスクと総合では一緒に上がっていない」ことも裏付けます。初日の感情的な反応の多くは、後者に当たります。

初日の報道で誤解されやすい点

初日の報道は多く、確認すべき点がいくつかあります。1つ目は入口です。「ChatGPTですべて公開された」と書く記事がありましたが、OpenAIのLearnの記述はWork、Codex、APIで、ChatGPTではWorkを開く必要があります。2つ目は数字です。OpenAIのチャート、AA、Valsの同名のベンチマークを1つの数字として混ぜて書くと、互いに矛盾する結論になります。たとえば、FrontierCode 2.0は公式チャートで44.2%、AAの標準条件で45.4%です。3つ目は出典です。Kazikeの記事に、XでClaudeを長時間走らせた3Dの事例が出てきますが、元の著者とリンクが示されておらず、本記事は出典を補いません。4つ目はスコアの基準です。Kazikeの65%、84%、96%は、筆者自作の簡易評価セットの結果で、問題と標本数は公開されておらず、業界の評価として扱うことはできません。

また、APPSOの記事は、3Dデモや利用にかかる費用についての個人の発言もいくつか伝えています。これらは第三者の逸話で、共通のテスト条件がなく、本記事はその金額を使いません。

これらの反応の限界

  1. 公開から1日。 どの結論も初日の印象で、Theo自身も、感情は最初は熱く、のちに冷めると予測しています。
  2. サンプルが小さく、専門的なユーザーに偏っている。 投稿者の多くはヘビーな開発者や評価者で、そのタスクは一般の利用者を代表しません。
  3. 多くは早期アクセスで、条件が不透明。 使ったハーネス、推論設定、プロンプトの多くは公開されておらず、再現が難しい。
  4. 一部の評価はまだ実行中。 Surgeの投稿時、Astraの金融タスクは結果が出ておらず、本記事は未公開のスコアを補いません。
  5. 有料壁と伝聞。 Everyの完全な記事は読めておらず、Shipperの元投稿の長文は途中で切れていたため、該当する内容は伝聞だけを使い、明記しています。Max Weinbachが「2つのモデルとも非常に賢い」と述べたことは、本記事ではImplicatorの伝聞でしか見ておらず、元投稿を直接は読んでいないので、論拠にはしません。
  6. 貴数智能の実測はない。 本記事のすべての数字と見解は第三者のもので、モデルについての貴数智能のいかなる結論も表しません。

読者はこの情報をどう使えるか

「酷評された」と「実はとても強い」のどちらかに肩入れする必要はありません。より役に立つのは次のやり方です。タスクが3D、ゲーム、コードレビュー、科学計算に近いなら、試す価値があります。長時間無人の開発、明確な意思疎通、安定した文章のスタイルが必要なら、まず小さく検証し、モデルに障害を報告させてください。そのうえで1週間待ち、ランキングの更新と、初日以降のより多くの利用報告を見てください。2つのモデルの違いについては、選び方の記事とコーディングとエージェントの体験の記事も参照してください。

出典