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 Sol レビュー:日常向けモデルは旗艦にほぼ並んだが、全面的な進化ではない

GPT-6.2 SolOpenAIモデル評価FrontierCodeLifeVal

OpenAIが公開したFrontierCode 2.0のチャートでは、Solは43.8%、Astraは44.2%で、差は0.4ポイントです。同じ日、Artificial Analysis(AA)のCoding Agent Indexでは、Solは前世代のGPT-6.1 Solより3ポイント低くなりました。

どちらも事実です。GPT-6.2 SolはOpenAIが「日常業務と大規模エージェント」向けに位置づけたモデルで、多くのタスクでAstraに迫る一方、いくつかの具体的な分野では後退しています。「お手頃な旗艦」とも「廉価版」とも書くのは正確ではありません。

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。数字は出典と条件ごとに分けて掲載し、混ぜて使うことはしません。

公式の位置づけと仕様

OpenAIの発表記事によると、Solは日常業務と大規模なエージェント展開向けで、OpenAIは社内でもSolをデフォルトモデルにしている人が多いとしています。Solのモデルドキュメントに記載された仕様は次のとおりです。

  • API ID:gpt-6.2-sol。
  • 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。
  • 推論に対応し、APIは reasoning effort = none を受け付けません。
  • Chat Completions、Responses、Batchに対応。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。
  • 知識の締め切り日は2026年6月1日で、Astraの5月18日より後です。

コンテキストとモダリティはAstraと全く同じです。違いは位置づけ、締め切り日、能力の分布にあります。

利用可否はChatGPT Learnに従います。ChatGPT Work、Codex、APIで、ChatGPTではまずWorkを開く必要があります。EnterpriseとEduは管理者による有効化が必要です。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。

Astraに近い部分

以下の数字は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あり、対応する推論設定が異なる可能性があります。

ベンチマーク(OpenAI公式チャート) SolとGPT-6.1 Sol
FrontierCode 2.0 43.8%対39.0%
LifeVal 83.8%対79.5%
BenchCAD 2.1 Core 73.1%対52.6%
Terminal-Bench-Science 68.0%対57.0%
AutomationBench(公式チャート) 41.2%対36.1%
Harvey LAB-AA 11.1%対6.9%
Agents' Last Exam 73.0%対72.5%

このうち2点は個別に触れておきます。

  • FrontierCode 2.0。 Sol 43.8%、Astra 44.2%。OpenAIはmax設定でSolがAstraに約0.5ポイント及ばないとも述べています。
  • LifeVal。 Solの83.8%は、前世代を上回るだけでなく、GPT-6 Astraの79.8%も上回ります。

独立評価にも「近い」ことを裏付ける材料があります。AAのFrontierCode 2.0の標準条件では、Handy AIの整理によると、Solは44.4%、Astraは45.4%、Claude Fable 5.2は48.8%です。AA Intelligence Index v5.0(max設定)では、Solは57.3でGPT-6 Astraの56.9とほぼ同程度、Astraは62.1です。つまりSolは、今世代の旗艦ではなく、前世代の旗艦に相当する水準です。

Vals総合指数(OfficeChaiまたはThe Decoder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、Solは9位の66.06%で、7位のAstra(67.66%)と1.6ポイント差です。

後退した部分

コーディングエージェント

AAのコーディングエージェントのページはCodexハーネス、max設定です。

  • Coding Agent Index:Sol 49、GPT-6.1 Sol 52で3ポイント低下。Astraは53。
  • SWE-Atlas-QnA-AA:Sol 46、GPT-6.1 Sol 60。AAの記事は、この14ポイントの低下を主因とし、Solが重要な事実をより頻繁に見落とすためだとしています。
  • Terminal-Bench 4.1:Sol 58、Astra 64。
  • 1タスクあたりの平均時間:Solは約17.5分、Astraは約25.1分。

ここでのSolのFrontierCode-AA 2.0は42で、Astraと同じです。同名のベンチマークが、Codexハーネスでは42、AAの標準条件では44.4%、公式チャートでは43.8%です。3つの数字は3つの条件に由来し、互いに置き換えられません。

科学

Vals Science Index(11月16日更新)では、GPT-6.2 Solは7位の57.76%で、GPT-6.1 Solの59.63%を下回ります。OpenAIの発表資料では58.5%対59.6%となっており、Valsのページとはわずかに異なりますが、本記事ではValsのページに従います。結論は同じで、小幅な低下です。

職業タスク

Surgeの職業タスク群(医師、会計士、弁護士、シニアエンジニアが設計した11件)が示すのは、良い面と悪い面の両方です。

  • 良くなった点:コーディング、図表、エージェントの指示追従。ChartographyではSolが87.7%で、GPT-6 Astraの71.0%を上回り、Astraの90.7%をわずかに下回ります。
  • 悪くなった点:医療、PDF、金融。DAYJOB HealthcareではSolが17.2%、GPT-6.1 Solが25.2%で8ポイント低下し、Surgeがその日に測定した中で最大の後退でした。同じ項目でAstraは34.4%です。
  • sudo L7ではSolが36.1%、Astraが38.3%で、どちらもFableの52.2%を下回ります。

幻覚と障害

AA-Omniscienceのmax設定では、Solの幻覚率は55%、Astraは59%です(低いほど良い)。問題は非常に難しく、日常の幻覚率を表すものではなく、Solの方が信頼できるという根拠にもなりません。

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。Solについては、AAが観察したSWE-Atlasの低下(重要な事実をより頻繁に見落とす)は別の指標ですが、納品前に人による確認が必要だという注意として、並べて読むことはできます。

個人テスト:Kazikeのコードレビュー

Kazike(卡兹克)とAIZ小朱はWeChat公式アカウントの実測記事で、自作のコードレビューセットを使い、xhighで3つのモデルを比較しました。GPT-6.1 Solは問題の65%、GPT-6.2 Solは84%、GPT-6.2 Astraは96%を見つけています。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いません。 記事ではさらに、AstraはSolより約2倍遅く、十数件多くバグを見つけたとしています。筆者はこれを受けて、Solのxhighをデフォルトのレビューモデルにするつもりだとのことです。これは筆者の利用判断であり、一般的な推奨ではありません。

AAの結論とは矛盾しません。コードレビューは「コードを読んで問題を指摘する」作業で、Coding Agent IndexはCodex内で長いタスクを完了する能力を測るもので、別種の作業です。

「近い」を分解する:差はどこにあるか

「SolはAstraに近い」の意味は、ベンチマークによって大きく異なります。本記事が引用した公式チャートの比較では、差は3つに分けられます。

第一の帯、ほぼ差がない:FrontierCode 2.0(43.8%対44.2%)とLifeVal(83.8%対86.1%、2.3ポイント差)。これらは比較的汎用的なタスクで、モデルが強くても、追加の推論予算による伸びは限られます。

第二の帯、明確な差がある:BenchCAD 2.1 CoreではSolが73.1%、Astraが82.5%。Terminal-Bench-Scienceでは68.0%対77.1%。AutomationBench(公式チャート)では41.2%対52.4%。Harvey LAB-AAでは11.1%対15.0%。科学、CAD、複雑な自動化といった「最も難しいプロジェクト」では、Astraの優位は9ポイント前後で、これが2つのモデルに対するOpenAIの役割分担の根拠でもあります。

第三の帯、Solが進歩していない:Vals Science Indexは前世代を下回り、AAのSWE-Atlas Q&Aは14ポイント低下、Surgeの医療は8ポイント後退。

3つを合わせた結論は、Solの強みは「速くて十分」であり、「あらゆる方向で旧モデルより強い」ことではない、ということです。Vals Science Indexのページには、「速い」ことを裏付ける数字があります。この指数ではSolの平均所要時間は約19分、Astraは約22分15秒、Solのトークン使用量は約321万、Astraは約348万です。これはValsの3つの科学タスクでの平均で、すべてのタスクには当てはまりません。

前世代との比較が重要な理由

「GPT-6.1 SolからGPT-6.2 Solへの更新は価値があるか」と尋ねる読者は多くいます。公式チャートの答えは前向きです。公式の7つの比較項目で、Solはすべて前世代を上回り、GDPval v2では+5.3ポイントもあります。独立評価の答えは入り混じっています。AA Intelligence IndexではSolはGPT-6 Astraに近いものの、Coding Agent Indexは低下し、Vals Science Indexはわずかに低下し、Surgeは複数の分野で後退を示しています。

この2つは同時に成り立ちえます。公式チャートが選ぶベンチマーク、サンプリングする推論設定、採点基準が、いずれも独立機関とは異なるからです。更新するかどうかは、自分のワークロードがどちら側に近いかで決まります。FrontierCode、LifeVal、BenchCADのようなタスクなら、更新の根拠は十分です。医療文書、PDF抽出、検索型のQ&Aのようなタスクなら、まず自分のサンプルで新旧2世代を比較してから決めてください。

本番投入前の最小限の検証リスト

  1. 実際のタスクを30件ほど選び、新旧のSolをそれぞれ同じ推論設定で実行します。
  2. タスクごとに「重要な事実を見落としたか」を記録します。AAはこの点でSolが後退したと観察しています。
  3. 医療、金融、PDF系のタスクは、一般的なタスクと平均せず、別に集計します。
  4. 納品時に、遭遇した障害を一覧にさせて、抜き取りで確認します。システムカードは、2つのモデルがより省略しやすいと警告しています。
  5. API経由なら、ツール呼び出しにはResponsesインターフェースを使い、ドキュメントどおりに推論設定を指定し、noneは使わないでください。

Solをデフォルトにしてよい人

上の証拠に基づくと、Solが向いているのは次のようなケースです。

  • 日常の質問応答、文書整理、生活や事務のタスク(LifeValの方向)。
  • コードレビュー、図表の生成、低遅延が必要なバッチ型エージェント。
  • Astraは難問用に残し、それ以外は速いモデルに任せたいチーム。

注意が必要なのは次のとおりです。

  • 医療、金融、PDF中心のワークフロー。Surgeは、Solが前世代より後退していることを示しています。
  • 事実を落としてはいけない検索型のQ&A。AAのSWE-Atlasの低下は警告です。
  • 科学系のベンチマーク。Vals Science IndexではSolは前世代をわずかに下回ります。

誤読しやすい2点

第一に、xhighでの結論をデフォルトの設定に持ち込まないでください。 Kazikeのコードレビュー比較はxhigh、AAのコーディングエージェント指数はmax、公式チャートは「最良の描画点」です。WorkやCodexで使う設定は、それらより低いかもしれません。設定が低いほど、難問でのSolとAstraの差は表に出やすくなるのが通常で、これは自分で確かめる必要があります。

第二に、1つのランキングでモデル全体を語らないでください。 SolがFrontierCodeでAstraに迫っても、SurgeのメディカルタスクでSolが17.2%であることは変わりません。Vals Science Indexで前世代をわずかに下回っても、LifeValでGPT-6 Astraを上回ることは変わりません。1つの数字が答えるのは、1つの問いだけです。

初日のフィードバックにおけるSolの声

初日の公開議論は、主にAstraに向けられていました。Solへの直接の評価は少なく、Kazikeは日常のレビュー向けの候補として扱い、OpenAI自身は社内でデフォルトにしている人が多いと述べ、Surgeの結論は良い面と悪い面の両方でした。これらは性質の違う発言であることを強調しておきます。OpenAIの発言はベンダーの立場、Kazikeは個人の自作セット、Surgeは独立したタスク群です。具体的な場面を伴うSolの長いタスクでの利用報告は十分に見つかっていないため、本記事は「Solは使いやすいか」という総評は出さず、公開された証拠のどこで強く、どこで弱いかだけを述べます。

現実的な役割分担の考え方

チームが2つのモデルを両方使えるなら、公開された証拠は、控えめな役割分担を支持します。日常のリクエスト、バッチレビュー、図表、一般的な事務タスクはSolに任せ、科学計算、CAD、複雑な自動化に当たるとき、または抜き取りでSolが頻繁に項目を落とすときに、Astraに切り替える、というものです。理由は3つあります。2つのモデルの公式な位置づけがもともとそう分かれていること。FrontierCodeとLifeValで2つの差が非常に小さいこと。BenchCADとTerminal-Bench-Scienceでは差が9ポイント前後に集中していること。

逆に、Solが特定のベンチマークで「旗艦に追いついた」からといって、医療、金融、検索型のQ&AまでデフォルトでSolに任せることはお勧めしません。これらはSurgeとAAが後退を観察した分野で、まず自分のサンプルで検証する必要があります。この役割分担は、既存の公開データの一つの読み方にすぎず、貴数智能が検証した結論ではありません。

限界

公開から1日しか経っていません。Surgeの一部のタスクはその日もまだ実行中で、EpochとValsのランキングも今後更新されます。ここにあるのはすべて第三者のデータと個人テストで、貴数智能の実測ではありません。SolとAstraの使い分けは、選び方の記事も参照してください。

ひとことでまとめると

Solは、OpenAIが日常業務と大規模エージェント向けに用意した効率型のモデルです。FrontierCodeとLifeValでは前世代の旗艦に迫る、あるいは上回りますが、コーディングエージェント、Vals科学、Surgeの医療では後退しています。「あらゆる方向で進化した新モデル」ではなく、「多くのタスクで十分なデフォルト」として捉えるのが適切です。

出典