GPT-6.2 AstraとSolの違いと選び方:ベンチマークの数字が合わないときはまず条件を見る
FrontierCode 2.0は、同じベンチマーク、同じ日、同じAstraです。OpenAIの公式チャートでは44.2%、Artificial Analysis(AA)の標準条件では45.4%、AAのCodexコーディングエージェントのページでは42です。これらのスコアが異なるのは、テスト条件、ハーネス、推論設定、サンプリングの違いによる可能性があり、そのまま合算して比較するのは適切ではありません。
AstraとSolのどちらを選ぶかについて、多くの記事は「難しい仕事にはAstra、日常にはSol」の一言で済ませます。正しいのですが、これだけでは足りません。目にするどの数字にも、その背後に条件があるからです。本記事ではまず2つのモデルの共通点と相違点を整理し、次に数字が合わない理由を説明し、最後に実際に使える選び方を示します。
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なく、いずれかのプラットフォームがこの2つのモデルを提供していることを示すものでもありません。
まず、どの入口を使っているかを確認する
利用可否はOpenAIのLearnページが基準です。 ChatGPT Learn(2026年11月17日)によると、GPT-6.2 AstraとSolはChatGPT Work、Codex、OpenAI APIで提供されます。
書き間違えやすい点があります。ChatGPTで使うには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。Kazike(卡兹克)とAIZ小朱のWeChat公式アカウントの記事は「ChatGPT、Codex、APIはすべて同時に公開された」と書いていますが、これは同記事の表現で、公式ドキュメントとは完全には一致せず、公式を基準にします。通常のチャットで新しいモデルが見当たらなくても、あなたの側の問題ではない可能性が高いです。
そのほかの入口の情報:Plus、Pro、Enterprise、Eduで利用でき、EnterpriseとEduは管理者の有効化が必要です。WorkとCodexは利用枠を共有します。Ultrafastは速度ティアの名称で、一部の上位Proプランと、管理者が有効にした企業・教育向けワークスペースで利用できます。
2つのモデルに共通する部分
OpenAIのモデルドキュメント(Astra、Sol)によると、次のとおりです。
- 入力はテキストと画像、出力はテキスト。音声と動画は非対応。
- コンテキストウィンドウは1,050,000トークン、最大入力922,000、最大出力128,000。
- 推論モデルで、APIは
reasoning effort = noneを受け付けず、low以上を指定します。 - Chat Completions、Responses、Batchに対応し、Realtime、Assistants、ファインチューニング、画像・動画生成は非対応です。ツール呼び出しはResponses API経由です。
- データレジデンシー:Standard、Fast、Batchは米国とEUに対応し、Ultrafastは米国のみです。
つまり、コンテキストの長さ、モダリティ、インターフェースは、選ぶ理由になりません。選択は、能力、速度、使い勝手にかかっています。
異なる部分:位置づけと知識の締め切り日
公式の位置づけ:Astraは「最も難しいプロジェクト」向けのフロンティアモデル、Solは「日常業務と大規模エージェント」向けの効率型モデルです。
知識の締め切り日:Astraは2026年5月18日、Solは2026年6月1日です。 Solの方が2週間後です。最新のライブラリのバージョン、新製品、最近の出来事が絡むタスクには影響するかもしれませんが、差は限られています。Kazikeは、後学習によってモデルが実際には締め切り日より後の内容を知っていることがある、と考えています。これは筆者の推測で、公式の約束ではなく、選択の根拠にはできません。
数字が合わない理由
同じベンチマーク名、異なる条件
FrontierCode 2.0を例にすると、3つの数字は出典が異なります。
| 出典 | Astra | Sol | 条件 |
|---|---|---|---|
| OpenAIの発表資料(VentureBeat整理) | 44.2% | 43.8% | 公式チャート。最良の描画点の可能性あり |
| Artificial Analysis(Handy AI整理) | 45.4% | 44.4% | AAのFrontierCode 2.0、max設定 |
| AAコーディングエージェントのページ | 42 | 42 | Codexハーネス、max設定、FrontierCode-AA 2.0 |
ここから安定して読み取れるのは1点だけで、2つのモデルは近く、Solのスコアはわずかに低いか同等、ということです。絶対値は表をまたいで比較できません。
Terminal-Bench-Scienceも同じです。OpenAIのチャートではAstra 77.1%、Sol 68.0%、AAの標準ハーネスではAstra 78.1%、Sol 67.6%です。AutomationBenchはさらに注意が必要で、OpenAIの公式チャートはAstra 52.4%、Sol 41.2%ですが、AAのAutomationBench-AAは別の基準の数字で、同じ組ではありません。
機関ごとに測っているものが違う
- OpenAI公式チャート:ベンダーが選んだベンチマークで、進歩を最もよく示す指標が選ばれやすく、高めの推論設定が使われている可能性もあります。公式の主張を知るには良いですが、中立なランキングとしては使えません。
- Artificial Analysis:Intelligence IndexとCoding Agent Index。AA Intelligence Index v5.0(max設定):Astra 62.1、Sol 57.3、Fable 5.2は64.6、GPT-6 Astraは56.9。Coding Agent Index:Astra 53、Sol 49、GPT-6.1 Sol 52。
- Vals AI:Science Index(BioMysteryBench、MysteryMechanism、Terminal-Bench-Scienceの平均)と総合指数。Science IndexはAstraが1位の68.44%、Solが7位の57.76%。総合指数はAstraが7位の67.66%、Solが9位の66.06%(総合指数の数字はOfficeChaiまたはThe DecoderがValsを伝えたもので、本記事では直接確認していません)。
- Epoch AI:ECIはAstraを174、同率1位とします。同時にEpoch自身の実際の研究タスクでは、Astraは前世代からほとんど実質的な向上がありませんでした。
- Surge:職業人が設計した11件の「ふつうの勤務日」タスク群。AstraはChartographyで1位、Solは医療で前世代より8ポイント低くなりました。
AstraがVals Science Indexで1位、Vals総合指数で7位なのは矛盾しません。前者は科学タスクだけを含み、後者はより多くの分野を扱っているからです。
時期と更新
これらの数字の大半は、2026年11月16日から18日に取得されたものです。Valsのページの更新日は11月16日で、Surgeの投稿時にはまだ実行中のタスクがありました。公開から1日しか経っておらず、どのランキングも1週間のうちに変わる可能性があります。 判断するときは、出典ページの更新日時を改めて確認してください。
Astra for Lawは基盤モデルではない
法務は最も誤読されやすい分野です。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。一方、法務検索の構成を持つAstra for Lawは、Legal Researchで6位です。
専用版は検索と分野別の構成を備えているため、その成績を基盤モデルgpt-6.2-astraの成績として書くことはできません。OpenAIが公式にHarvey LAB-AAで示したAstraの15.0%は、公式の採点基準によるもので、Valsの順位とは別の話です。法務の場面で使うなら、まず自分が使っているのが基盤モデルか専用版かを確認してください。
実用的な選び方の手順
- まず難しいプロジェクトかどうかを問う。 科学計算、CADと3D、複雑な自動化、高い専門性が必要な成果物は、Astraに傾きます。根拠は、BenchCADの差が約9ポイント、Terminal-Bench-Scienceの差が約9ポイント、AA-3DでAstra 1318対Sol 1259です。
- 次に、間違いのコストを問う。 事実を1つ落としたときの代償が大きいなら、どちらのモデルでも人による確認が必要です。SolはAAのSWE-Atlas Q&Aで前世代より14ポイント低く、Surgeの医療でも8ポイント後退しています。
- 日常的なタスクはSolをデフォルトに。 FrontierCodeとLifeValでは差が小さいので、まずSolから試すのがよく、遅延も小さくなる可能性があります。
- 長いコーディングは別にテストする。 AA Coding Agent IndexはAstra 53、Sol 49で、どちらも前世代から明確な向上はありません。この分野はコーディングとエージェントの体験の記事をご覧ください。
- 結論は自分のサンプルに基づかせる。 実際のタスクを30~50件選び、設定を固定して2つのモデルを比較し、完了率、所要時間、人手での修正回数を記録します。
入口も結果に影響する:Work、Codex、API直接利用
同じモデルでも、入口が違えば挙動が変わることがあります。システムカードは、2つのモデルが作業を報告する際に、前世代より既知の障害を省略しやすいと述べています。OpenAIはCodexにこの省略を減らす開発者向けプロンプトを加えましたが、このプロンプトはAPIに直接送るリクエストには自動では適用されません。Implicatorが引用したシステムカードのデータによると、Blocker DeceptionのコーディングテストでAstraが障害を報告しなかった割合は22.28%、GPT-6 Astraは11.09%です。Broken Search Toolのテストではそれぞれ23.00%と7.58%です。これらはOpenAIのシステムカードの評価によるもので、条件は意図的に作った障害のシナリオであり、日常の誤り率にそのまま換算することはできません。
選定への意味は次のとおりです。APIでエージェントを自作するなら、「障害に遭遇したら必ず報告する」という制約を自分で加え、抜き取りで確認する必要があります。CodexやWorkを使うなら、それらのハーネス自体がモデルの挙動を変えることを受け入れる必要があります。Pietro SchiranoはXで、初日の酷評の多くはハーネスに起因すると述べています(@skirano)。それを取り除くとモデルは「飛んでいる」とのことです。これは彼個人の早期テストでの判断で、独立した再現はされていません。
3種類のチームへの選択のヒント
以下は公開された証拠に基づく判断で、貴数智能の実測による結論ではありません。
研究開発・科学研究のチーム。 検証可能な答えがある科学計算、シミュレーション、データ分析は、まずAstraで試すのが良いでしょう。根拠はVals Science Index、Epoch ECI、AAのターミナル科学タスクです。ただしEpoch自身のオープンエンドな研究タスクでは、Astraは前世代からほとんど向上していないため、無人で任せられる「研究員」と考えないでください。
プロダクト・運用のチーム。 文書、図表、日常の事務タスクは、まずSolで試してください。LifeValとChartographyの成績が、この出発点を支持します。レイアウト、美意識、意思疎通への要求が高いコンテンツには警戒が必要です。Kazikeの動画の美意識の比較、計画案の読みやすさのテスト、Dan Shipperの文章の退歩に関する評価は、いずれも同じリスクを指しています。
エンジニアリングのチーム。 単発のコードレビューや局所的な修正は、SolでもAstraでも使えます。長時間の自律的な実行タスクは、どちらも人の見守りが必要です。AA Coding Agent IndexはAstra 53、Sol 49で、明確な向上はなく、Theoらが報告する長いタスクでの空回りは、自分のリポジトリで再現してから判断する必要があります。
いつ再評価すべきか
選定の結論には賞味期限があります。次のような場合は、自分のサンプルでもう一度実行してください。
- Vals、AA、Epochがランキングを更新したとき。特に、Surgeがその日まだ実行中だった金融タスクが公表された後。
- OpenAIがWorkやCodexのデフォルトのプロンプトや設定を調整したとき。上で述べたCodexの開発者向けプロンプトは、挙動を変える一例です。
- タスクの種類が変わったとき。たとえば短い会話から、長い自律タスクに移るとき。
- 新しい競合モデルが出たとき。AA Intelligence IndexとVals総合指数の首位は、依然としてClaude Fable 5.2で、AstraはAA Intelligence Indexでは2位です。ワークフローがすでに別のモデルで安定して動いているなら、切り替えは利益が移行コストを上回るかどうかで決まります。Handy AIの筆者は、当面は切り替えないと明言しています。
経験則として、ランキングで候補を絞り、自分のタスクセットで最終決定し、本番後の抜き取り確認で補正を続けてください。
よくある誤解
- 「Astraはどのランキングでも強い。」誤りです。SolのChartography 87.7%はGPT-6 Astraより高く、Astraとの差もそれほど大きくありません。一部のコーディング項目では2つが横並びです。
- 「Solは廉価版だ。」これも誤りです。LifeValではGPT-6 Astraを上回りました。
- 「ランキング1位が自分の使うべきモデルだ。」そうとは限りません。Vals Science Indexで1位のモデルは、Vals総合ランキングでは7位です。
- 「通常のチャットでもそのまま選べる。」公式の入口はWork、Codex、APIです。
ひとことでまとめると
難しく、専門的で、検証可能な仕事はまずAstra、日常的で、バッチ処理や遅延に敏感な仕事はまずSolで試します。長い自律的なコーディングは、どちらも人が見守る必要があります。法務の場面では、まずAstra for Lawかどうかを確認します。すべての数字について、誰が、どんな条件で、いつ測ったのかをまず確認してください。
出典
- OpenAI:発表記事、ChatGPT Learn、Using GPT-6.2、システムカード。
- 独立評価:AA、Vals、Epoch、Surge。
- メディアによる整理:VentureBeat、Handy AI、OfficeChai。
以上はすべて第三者のデータと個人テストで、2026年11月18日時点のものであり、貴数智能の実測ではありません。