OpenAI は 2026年7月9日、GPT-5.6 ファミリーの一般提供を開始しました。数字が世代を示し、Sol / Terra / Luna はそれぞれ独立に進化する能力ティアです。名前の並びだけでは選びにくく、実務では「難易度の高い推論」「日常業務のコスト効率」「大量・高速処理」のどれを優先するかで選び直す必要があります。
📑目次
本記事では、OpenAI の GPT-5.6 一般提供発表 と Sol プレビュー発表、GitHub Copilot の changelog、Simon Willison 氏の整理 を突き合わせ、強化点・価格帯・アクセス経路・導入チェックリストまでを採用判断用にまとめます。ベンダー報告のベンチマークは「公式が示した時点の参考値」として扱い、断定的な勝ち負けには使いません。
GPT-5.6 とは何か——Sol / Terra / Luna の位置づけ
結論から言うと、GPT-5.6 は単一モデルの名前ではなく、3つの能力帯を持つファミリーです。2026年6月26日に限定プレビューが始まり、7月9日に一般提供へ進みました。
- Sol: フラッグシップ。難しい推論、長時間のエージェント作業、高難度コーディング向け
- Terra: 日常業務向けのバランス型。OpenAI は GPT-5.5 競合級の性能をより低いコスト帯で訴求
- Luna: 高速・低コスト。大量処理や軽いタスク、レイテンシ優先の用途向け
命名の読み方は次のとおりです。数字（5.6）は世代、Sol / Terra / Luna は能力ティアです。ティア同士は「同じシリーズの大中小」だけでなく、用途ごとに独立して改善されていく前提で見た方が誤読しにくいです。
提供面は ChatGPT、Codex、OpenAI API を中心に段階ロールアウトが進み、GitHub Copilot でも 2026年7月9日時点で Sol / Terra / Luna が追加されています。日本では、SUPERNOVA の Stella AI が 7月10日に Terra / Luna の提供開始を発表するなど、第三者 SaaS 経由の到達経路も現れ始めています（PR TIMES の発表）。「OpenAI 公式 UI だけでしか触れない」前提は、すでに古い可能性があります。
何が強化されたのか——能力・効率・エージェント
OpenAI の訴求の中心は、生のベンチマーク勝ち負けそのものよりも、トークンあたりでどれだけ有用な作業が進むか、そして 必要時だけ max / ultra で能力を上げられるか にあります。
GA 発表で示された代表例（いずれもベンダー報告）は次のとおりです。
- Agents’ Last Exam: Sol が 53.6。比較対象として Claude Fable 5 adaptive より高い値と、中程度推論でも相対的に安い推定コストが併記
- コーディング: Artificial Analysis Coding Agent Index で Sol max reasoning = 80 を SOTA として主張。Terminal-Bench 2.1 / DeepSWE でも高水準の結果を提示
- BrowseComp: Sol 92.2%（SOTA 主張）
- OSWorld 2.0: Sol 62.6%。出力トークン削減を伴うコンピュータユース性能を強調
- Programmatic Tool Calling（Responses API）: ツール連携用の軽量プログラム実行、中間結果のフィルタ、往復削減
- max / ultra: max はより長い推論・代替案検討・検証向け。ultra は複数エージェントの並列協調で time-to-result を短縮する方向（Responses API の multi-agent beta でも ultra 相当の構築に言及）
プレビュー時点では、Terminal-Bench 2.1 のチャート例として Sol Ultra 91.9%、Sol 88.8%、Terra 82.5%、Luna 84.3% などが示されています。数字が細かいほど「この1本で他社を常に上回る」と読み替えるのは危険です。タスク分布、推論努力、出力トークン量、評価ハーネスの差で順位は変わります。
安全面では、モデル内拒否、リアルタイムの cyber / bio misuse 分類、アカウントレビュー、リスクに応じたアクセス制御が説明されています。サイバー能力の向上は防御用途を優先する安全スタックとセットで語られ、Preparedness Framework の Cyber Critical 閾値は超えていない、と OpenAI は述べています。能力が上がるほど、拒否や遅延が運用に効いてくる領域も増える、と捉えるのが実務的です。
用途別の強み——何に向くか判断軸
選び方の軸は「どれが最新か」ではなく、品質・レイテンシ・コスト・安全境界の4点です。
| 優先したいこと | まず試す帯 | 上げる条件 |
|---|---|---|
| 大規模コード改修、長時間エージェント、失敗コストが高い推論 | Sol | 通常 effort で足りない難所だけ max / ultra |
| 文書作成、要約、分析、日常コーディング | Terra | 品質不足が再現するタスクだけ Sol へ |
| 大量バッチ、軽い Q&A、応答速度優先 | Luna | 品質が落ちた業務だけ Terra 以上へ |
実務でのマッピング例です。
- リポジトリ横断の設計変更・複数ファイルの整合修正
まず Sol。途中で検証・代替案の探索が必要なら max。複数エージェントで並列に攻めた方が速い仕事なら ultra を検討します。 - 議事録の要約、仕様ドラフト、標準的な PR 説明
Terra から始めるとコストと品質のバランスが取りやすいです。 - ログ整形、定型分類、大量ドキュメントの一次スクリーニング
Luna の方が単位コストと速度の面で向きやすいです。 - サイバー調査・攻撃面に近いデュアルユース作業
能力の有無以前に、拒否・遅延・追加レビューを運用前提に置きます。自動化を前提にすると、途中停止でパイプライン全体が止まります。
判断を誤ると、難しい仕事を Luna に投げて手戻りが増えるか、軽い仕事を常に Sol + ultra で回してコストだけが膨らみます。最初から最上位を固定するより、「難所だけ上げる」運用の方が再現しやすいです。
比較表: Sol / Terra / Luna（価格・向き・提供）
API の公開価格帯（1M tokens あたり）は、プレビュー／GA で次のように整理されています。
| 項目 | Sol | Terra | Luna |
|---|---|---|---|
| 位置づけ | フラッグシップ | 日常向けバランス | 高速・低コスト |
| API 価格（入力 / 出力） | $5 / $30 | $2.50 / $15 | $1 / $6 |
| 向く作業 | 難推論、長時間エージェント、高難度コーディング | 標準業務、要約、分析、日常コーディング | 大量処理、軽タスク、速度優先 |
| 代表的な伸ばし方 | max / ultra、エージェント並列 | コストを抑えつつ高性能帯を狙う | 最低コスト帯で回す |
| アクセス例 | ChatGPT 上位・API・Codex・Copilot（SKU 依存） | 同上（SKU 依存） | 同上（SKU 依存） |
出典: OpenAI GPT-5.6 GA、previewing GPT-5.6 Sol、GitHub Copilot changelog（2026-07-09）（2026年7月時点）
Simon Willison 氏の整理では、3モデル共通で knowledge cutoff 2026-02-16、context window 1M tokens、max output 128,000 tokens とされています。価格比較では Claude 系の公表価格とも並べられますが、reasoning token や努力レベルの差があるため、「1M トークン単価が安い＝常に安い」とは限りません。キャッシュ前提の試算が必要です。
プロンプトキャッシュ（プレビュー時点の説明）では、明示的な cache breakpoint、最短 30 分のキャッシュ寿命、cache write が uncached input の 1.25 倍、cache read が 90% 割引、とされています。同じシステムプロンプトや長い仕様を繰り返し送るワークフローほど、実効コストは表の名目単価からずれます。
GitHub Copilot 側の SKU 目安（changelog）は次のとおりです。
- Sol: Copilot Pro+ / Max / Business / Enterprise
- Terra / Luna: Pro 以上（Pro, Pro+, Max, Business, Enterprise）
Copilot の課金は Usage Based Billing と provider list pricing に乗るため、OpenAI API の $ / 1M をそのまま請求明細に当てはめない方が安全です。
どう使うか——ChatGPT / Codex / API / Copilot の始め方
利用開始は「まずどこで触るか」を決めるところから始めます。
1. OpenAI API
- OpenAI アカウントと課金設定を確認する
- モデル ID として Sol / Terra / Luna を選び、小さな入力で疎通する
- ツール多用やマルチエージェントが必要なら Responses API の Programmatic Tool Calling / multi-agent beta を確認する
- 長い固定プロンプトがあるなら cache breakpoint を設計し、write / read のコスト差を見る
- 本番前に、拒否されやすい領域（サイバー等）でサンプルを流し、遅延や拒否率を測る
2. ChatGPT / Codex
ChatGPT と Codex はプランと effort（max / ultra の有無を含む）が製品・契約に依存します。UI で常に全モードが見えるとは限らないため、組織契約のドキュメントと管理画面を先に確認します。長時間エージェントや開発フロー中心なら Codex、対話とナレッジワーク中心なら ChatGPT、という切り分けが現実的です。
3. GitHub Copilot
IDE 内でコーディング支援を完結させたい場合の経路です。Sol は Pro+ 以上、Terra / Luna は Pro 以上、という changelog の SKU を前提に、チームの契約階層を確認してからモデル選択を広げます。OpenAI 直課金と GitHub 側の利用量課金が混在するので、月次の予算管理はどちらのダッシュボードを正とするかを決めておきます。
4. 日本の SaaS 経由（参考）
Stella AI のように、OpenAI 発表の直後に Terra / Luna を載せる国内サービスもあります。社内標準が特定 SaaS に固定されている場合は、公式 API を待たずに評価を始められる一方、モデル名の対応表・ログ保持・データ取り扱い条件は SaaS 側の契約が優先します。
導入チェックリスト
- 用途を Sol（難所）/ Terra（標準）/ Luna（大量・高速）に仮マッピングした
- 代表タスク 3 件で品質・レイテンシ・コストをメモした
- API なら名目単価 × 想定トークン × キャッシュ前提で概算した
- 触る経路（ChatGPT / Codex / API / Copilot / 社内 SaaS）を1つ決めた
- 難所だけ max / ultra に上げるルールを書いた
- デュアルユース領域の拒否・遅延を運用手順に含めた
- 実装直前に openai.com と GitHub docs で価格・SKU を再確認した
筆者の観点
モデル名の発表だけを追うと、「最新を常に最上位で使う」判断に流れやすいです。設計上の基本線としては、標準タスクを Terra か Luna に寄せ、失敗コストが高い仕事だけ Sol と高い effort に上げる段階配分が安定しやすいです。ベンチマークの1点差より、拒否時の手戻り、キャッシュの効き方、Copilot と API の請求の二重管理の方が、月次の実感コストを左右しやすい、という見方で設計するのが無難です。
関連記事:
- OpenAI GPT-5.6 6月下旬リリース予定 — 1.5Mコンテキストと意味ある改善でClaudeに対抗
- OpenAI Patch the Planet発表 — GPT-5.5-CyberとCodex SecurityでOSS脆弱性パッチをAI加速
- OpenAI GPT-5.6発表：Sol/Terra/Lunaの3モデルと政府限定プレビュー
よくある質問（FAQ）
まとめと次のアクション
GPT-5.6 を実務に入れるときの順序は、次の5段が扱いやすいです。
- 用途を Sol / Terra / Luna にマッピングする
- API 価格とキャッシュ前提で概算コストを出す
- ChatGPT / Codex / API / Copilot のどこで触るか決める
- 難所だけ max / ultra に上げる
- デュアルユース領域は拒否・遅延を織り込んで運用する
公式価格と提供範囲は更新され得ます。実装や契約更新の直前には、OpenAI の GPT-5.6 発表 と GitHub Copilot changelog / pricing docs を必ず再確認してください。
関連する新しい記事:
- GPT-5.6 Sol トークン使用量とAPI料金の見積もり【2026】 – This published update adds current operational context for GPT-5.6 の Sol・Terra・Luna の違いと使い分け｜価格・強化点・利用手順.
著者
krona23
IT業界20年以上の実務経験を持ち、日本国内有数のPVを誇る大規模Webサービスで事業部長・CTOを複数社で歴任。Windows/iOS/Android/Webと技術の変遷を経験し、現在はAIネイティブへの変革に注力。DevGENTでは、AIコードエディタ・自動化ツール・LLMの実践的な使い方を日英西3言語で発信中。
コメントを残す