【2026年9月最新版】ChatGPT 6 / GPT-6徹底解説：Astra・Sol・Lunaの違いとClaude・Gemini・Grok比較

Posted at 2026-09-25

最終更新：2026年9月26日

本記事では、OpenAI・Anthropic・Google DeepMind・SpaceXAIの公式情報を優先して参照しています。
ベンチマークについては、ベンダー自身の評価と第三者評価を区別して掲載します。

はじめに

2026年9月、OpenAIからGPT-6シリーズが登場しました。

9月3日に最上位モデルの GPT-6 Astra が発表され、その後9月22日に GPT-6 Sol / GPT-6 Luna が追加されています。OpenAIの現在のモデルカタログでは、Astra / Sol / LunaがGPT-6の主要モデルとして掲載されています。1 2 7

なお、「ChatGPT 6」という呼び方を見かけることがありますが、厳密にはChatGPTはサービス名、GPT-6はモデルファミリー名です。

イメージとしては、

ChatGPT
 └─ GPT-6 Astra
 └─ GPT-6 Sol
 └─ GPT-6 Luna

という関係です。

ただし、Sol / Lunaについては2026年9月26日時点では通常のChatとは別扱いで、ChatGPT Work / Codex向けのモデルとして提供されています。利用可能なモデルやReasoning Effortは、プランやワークスペース設定によって異なります。8 9

この記事では、

GPT-6で何が変わったのか
Astra / Sol / Lunaはどう違うのか
API料金はどの程度違うのか
開発ではどのモデルを選べばよいのか
Claude / Gemini / Grokと比べるとどうなのか

を整理していきます。

GPT-6は何が変わったのか

GPT-6で特に重要なのは、単純な「質問に答えるLLM」から、複数のツールを使いながら仕事を最後まで進めるモデルへさらに軸足が移ったことです。

OpenAIはGPT-6 Astraについて、複雑な推論だけでなく、

コーディング / Computer Use / リサーチ / ドキュメント作成 / 複数ステップの業務

などを主な用途として挙げています。1 3

GPT-6ではさらに、

Async Tool Calling

と

Mid-turn Steering

が導入されています。6

Async Tool Callingは、アプリケーション側であるツール処理を実行している間にも、モデルが別の処理を進められる仕組みです。

Mid-turn Steeringは、AIが長いタスクを実行している途中で、

「そこはReactではなくVueに変えて」

のように、新しい指示を追加して軌道修正できる仕組みです。6

Agent型AIを作る上では、この2つはかなり大きな変更です。

GPT-6ファミリーの位置づけ

GPT-6 Astra / Sol / Lunaを比較

まず、3モデルの基本スペックを比較します。2 3 4 5

項目	GPT-6 Astra	GPT-6 Sol	GPT-6 Luna
位置づけ	GPT-6最上位	高性能・実務向け	高効率・大量処理向け
APIモデルID	`gpt-6-astra`	`gpt-6-sol`	`gpt-6-luna`
Input / 1M tokens	$10	$2	$0.10
Output / 1M tokens	$50	$10	$0.50
Cached Input	$1	$0.20	$0.01
Context Window	1.05M	1.05M	1.05M
最大Output	128K	128K	128K
Knowledge Cutoff	2026/4/30	2026/4/20	2026/5/18
Reasoning	low〜max	none〜max	none〜max
Web Search	○	○	○
File Search	○	○	○
Computer Use	○	○	○
Function Calling	○	○	○

OpenAI公式モデルカタログより。2 3 4 5

ここでかなり面白いのが、コンテキストサイズと最大出力サイズは3モデルとも同じという点です。

「安いモデルだから長文を扱えない」という設計ではありません。

3モデルとも1.05M tokensのContext Windowと128K tokensの最大出力を持っています。2

GPT-6 Astra

GPT-6 Astraは、GPT-6シリーズの最上位モデルです。

OpenAIはAstraを、

hardest end-to-end work

を処理するモデルとして位置づけています。3

単発の質問より、

要件を確認
 ↓
Webで調査
 ↓
ファイルを読む
 ↓
コードを書く
 ↓
アプリを操作
 ↓
結果を確認
 ↓
ドキュメントを作る

といった長い仕事をまとめて任せる用途が想定されています。1 3

OpenAIの発表では、AstraはFrontierMath Tier 4で約98%、ARC-AGI-3で99.9%、ExploitBenchで100%という結果を報告しています。1

ただし、これらはOpenAI自身による評価です。

「99.9%だから、世の中の問題を99.9%解ける」という意味ではありません。ベンチマークごとに問題設定、ツール使用条件、評価方法が異なるため、数字は評価条件とセットで読む必要があります。

特に注目したいのはComputer Useです。

OSWorld 2.0のOpenAIによる評価では、

Model	Score	1タスクあたりの時間
GPT-6 Astra	72.6%	約40分
GPT-5.6 Sol	65.7%	約75分

となっており、AstraはGPT-5.6 Solより高いスコアを出しながら、OpenAIのレイテンシシミュレーションでは1タスクあたりの時間を約47%短縮したと報告されています。1

今後のAIでは「文章を生成する能力」だけでなく、PCやブラウザを操作しながら一連の仕事を完了できる能力も重要な評価軸になっていきそうです。

GPT-6 Sol

Solは、

Astraほどの最高性能は必要ないものの、CodingやAgent用途で高い能力が欲しい

という場面を狙ったモデルです。

OpenAIはSolを、複雑なコーディングやAgentワークフロー向けのモデルとして紹介しています。2 4

料金は、

Input : $2 / 1M tokens
Output: $10 / 1M tokens

です。4 7

Astraと比較すると標準の入出力トークン単価はいずれも1/5です。

そのため、APIを実際のサービスに組み込むなら、Astraを全リクエストに使用するというより、

通常処理
    ↓
GPT-6 Sol
    ↓
難しい場合のみ
    ↓
GPT-6 Astra

のような構成も考えられます。

OpenAIも、すべてのリクエストを最も高性能なモデルに送るのではなく、実際のワークロードを代表するタスクで評価し、用途に合ったモデルを選ぶことを推奨しています。18

GPT-6 Luna

Lunaは、GPT-6シリーズで最も安価なモデルです。

料金は、

Input : $0.10 / 1M tokens
Output: $0.50 / 1M tokens

です。5 7

標準料金で比較すると、Solの1/20、Astraの1/100のトークン単価です。

それでも、

1.05M context
128K output
Reasoning
Web Search
File Search
Computer Use
Function Calling

をサポートしています。2 5

そのため、

ログ分類
大量ドキュメントの抽出
データ整形
一次判定
要約
定型コード生成
サブAgent

など、大量リクエストを処理する用途では特に面白いモデルです。

料金差はかなり大きい

1M tokensあたりの標準料金を単純比較すると以下になります。2 3 4 5

Model	Input	Output
GPT-6 Astra	$10.00	$50.00
GPT-6 Sol	$2.00	$10.00
GPT-6 Luna	$0.10	$0.50

つまりAstraとLunaでは標準のInput / Output料金ともに100倍の差があります。

これは、モデル選択が単なる性能比較ではなく、システム全体のコスト設計にも直結することを意味します。

なお、長大なプロンプトでは通常料金と異なるレートが適用される場合があります。

Astraでは272K input tokensを超えるリクエストについて、通常とは異なる長文向け料金体系が設定されています。3

大量コンテキストを利用する場合は、単純な1M tokens単価だけでなく、最新の価格表を確認した方がよいでしょう。

GPT-6 API料金比較

APIからGPT-6を使う

Responses APIでは、使用するモデルIDを指定してGPT-6を利用できます。6

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-sol",
    reasoning={
        "effort": "medium"
    },
    input="""
    このPythonコードをレビューしてください。
    バグ、パフォーマンス、可読性の観点から改善してください。
    """
)

print(response.output_text)

GPT-6 Astraではreasoning.effortに、

low
medium
high
xhigh
max

を指定できます。3 6

Sol / Lunaではさらにnoneを利用できます。4 5 6

つまり、モデルそのものだけでなく、

Luna + none
Luna + high
Sol + medium
Sol + max
Astra + low
Astra + max

というように、同じモデル内でも推論強度を調整できる設計になっています。

一般にReasoning Effortを低くするとレイテンシや推論トークンを抑えやすく、高くすると複雑な計画・デバッグ・分析などにより多くの推論リソースを使います。18

GPT-6時代のモデル選択

かなりざっくり整理すると、次の考え方が分かりやすいです。

大量・単純処理
     │
     ▼
 GPT-6 Luna
     │
難しい？
     │ Yes
     ▼
 GPT-6 Sol
     │
さらに難しい？
     │ Yes
     ▼
 GPT-6 Astra

すべてを最高性能モデルに投げるのではなく、

Luna → Sol → Astra

と必要に応じて上位モデルへ切り替える構成です。

OpenAIも、Lunaを効率的・反復的な処理、Solを要求の高いReasoningやCoding、Astraを最高レベルの能力が必要な処理に使い分ける方針を示しています。6 18

このようなルーティングを行えば、LLMのAPIコストを大きく抑えられる可能性があります。

GPT-6モデル選択フロー

では、他社の最新モデルと比べるとどうなのか

ここからが面白いところです。

2026年9月はOpenAIだけでなく、他社からも非常に強力なモデルが登場しています。

今回比較するのは、

OpenAI GPT-6 Astra / Anthropic Claude Opus 5.5 / Google Gemini 3.8 Flash / SpaceXAI Grok 4.7

です。3 10 13 15

	GPT-6 Astra	Claude Opus 5.5	Gemini 3.8 Flash	Grok 4.7
提供元	OpenAI	Anthropic	Google DeepMind	SpaceXAI
主な位置づけ	複雑なEnd-to-End業務	長時間Agent / Coding	Agentを大規模・高速に実行	Coding / Agent / Knowledge Work
Context	1.05M	1M	1M	500K
Max Output	128K	128K	64K	明示的なtext上限なし
Input / 1M	$10	$4	$0.75※	$2
Output / 1M	$50	$20	$3.75※	$6
Image Input	○	○	○	○
Video Input	-	-	○	-
Audio Input	-	-	○	-
Computer Use	○	○	○	Tool利用
特徴	PC操作・専門業務・複合Agent	長時間Coding Agent	マルチモーダル＋Agent	コストを抑えたAgent

Claude Opus 5.5

Anthropicは2026年9月22日にClaude Opus 5.5を公開しました。10

1M tokensのContext Window、128K tokensの最大出力に対応し、料金は、

Input : $4 / 1M
Output: $20 / 1M

です。11

Anthropicは主用途をlong-running agentic coding and knowledge workとしています。11

GPT-6 Astraと比較すると、標準のトークン単価だけならOpus 5.5の方が低価格です。

一方でAstraは、Computer Use、Coding、Research、Document Creationなどを組み合わせたEnd-to-End業務を強く意識したモデルとして紹介されています。1 3

Claude Opus 5.5もCoding、Agent、Computer Use、長時間タスクを強く意識しているため、2026年後半のCoding Agent / AI Agent市場で近い領域を狙っているモデルと言えます。10 11

Gemini 3.8 Flash

Google DeepMindの現在の主力モデルの一つがGemini 3.8 Flashです。

Googleは、

complex agentic tasks at scale

向けのモデルとして位置づけています。13

特に特徴的なのがマルチモーダル性能です。

入力として、

Text
Image
Video
Audio
PDF

を扱えます。13

さらに、

1M input tokens
64K output tokens
Function Calling
Search as a Tool
Computer Use

にも対応しています。13

そのため、文章やコードだけではなく、動画や音声まで含めたAgentを作る場合に特徴のある選択肢です。

Standard APIの導入価格は2026年12月31日まで、

Input : $0.75 / 1M
Output: $3.75 / 1M

となっています。14

Grok 4.7

SpaceXAIは2026年9月21日にGrok 4.7を公開しました。16

仕様は、

Context : 500K
Input   : $2 / 1M
Output  : $6 / 1M

です。15 16

Reasoning Effortは、

low
medium
high
xhigh

に対応しています。15

さらに、

Function Calling
Web Search
X Search
Code Execution

を利用できます。15

GPT-6 AstraやClaude Opus 5.5よりContext Windowは小さい一方、200K tokens以下の標準的なリクエストにおけるAPI価格は比較的低く設定されています。

なおGrok 4.7では、200K tokensを超えるプロンプトについて料金体系が変わるため、長文コンテキストを多用する場合は注意が必要です。15

2026年9月の主要AIモデル比較

ベンチマークを見るときに注意したいこと

生成AIの記事で最も注意したいのがベンチマークの扱いです。

各社の発表を見ると、それぞれ自社モデルについて多数のベンチマーク結果を公開しています。

例えばOpenAIはGPT-6 Astraについて、Computer Use、Automation、Software Engineering、Science、Cybersecurityなどの評価結果を公開しています。1

GoogleもGemini 3.8 Flashについて、DeepSWE、Finance Agent、Legal Agent、HLE-Verifiedなど複数の評価結果を掲載しています。13

しかし、

モデル
Reasoning Effort
Tool
Agent Harness
Prompt
最大トークン数
試行回数
評価方法

などの条件が違えば、当然結果も変わります。

したがって、異なる企業が公開したベンチマークの数字をそのまま横並びにして、

「モデルAがモデルBより強い」

と断定するのは危険です。

ベンチマークは、どのモデルがどの種類のタスクに強そうかを把握するための材料の一つとして見るのがよいでしょう。

第三者評価ではどうなのか

第三者評価サービスArtificial Analysisでは、Claude Opus 5.5とGPT-6 Astraを同じ評価基盤で比較した結果も公開されています。17

2026年9月時点の「High effort同士」の比較では、以下のようになっています。

Benchmark / 指標	Claude Opus 5.5 High	GPT-6 Astra High
Intelligence Index	54	51
AutomationBench-AA	63%	67%
Terminal-Bench 4.0	57%	54%
SciCode	60%	55%
Humanity's Last Exam	56%	53%
GDP.pdf	29%	31%
Output Speed	約90 tok/s	約49 tok/s
Cost / Task	$1.82	$1.73

出典：Artificial Analysis

ここが非常に興味深いところです。

この条件ではIntelligence IndexはClaude Opus 5.5が54、GPT-6 Astraが51ですが、

AutomationBench-AA：Astraが高い
Terminal-Bench 4.0：Opus 5.5が高い
SciCode：Opus 5.5が高い
GDP.pdf：Astraが高い

というように、タスクによって結果が変わっています。17

さらにAstraはトークン単価そのものは高いものの、このArtificial Analysisの評価では1タスクあたりの出力トークンが少なく、Cost / TaskではOpus 5.5が$1.82、Astraが$1.73となっています。17

つまり、

「1Mトークンの価格が安いモデル = 実際の処理コストも必ず安い」ではない

ということです。

実際のコストは、

1回あたりの使用トークン
Reasoning量
タスク完了までのターン数
Tool Call回数
再試行回数
キャッシュ利用率
成功率

などによって変わります。

これはAPIを業務利用する際にかなり重要です。

「最強モデル」を探すより、自分のタスクで評価する

2026年のLLMは性能が高くなり、単純に「どのモデルが一番強いか」だけで選ぶことが以前より難しくなっています。

Coding Agentなら、

Issue解決率
テスト成功率
修正に必要なターン数
使用トークン
実行時間
API料金

を自分たちのコードベースで測った方が実務的です。

資料作成なら、

指示遵守率
レイアウト品質
修正回数
事実誤認率
作成時間
コスト

などを見るべきでしょう。

つまり、公開ベンチマークはモデルを絞り込む材料にはなりますが、最終的には自分のユースケースでEvalすることが重要です。

OpenAIも、モデル変更時には代表的なタスクを使い、

Task Success
Latency
Input Tokens
Output Tokens
Reasoning Tokens
Cache Write Tokens
Cost per Successful Task

などを比較することを推奨しています。18

個人的に注目しているのは「Luna → Sol → Astra」構成

GPT-6で最も面白いと感じているのはAstra単体の性能よりも、

GPT-6 Luna
      ↓
GPT-6 Sol
      ↓
GPT-6 Astra

という階層を作れることです。

例えばCoding Agentなら、

コード検索・分類
       ↓
      Luna

通常の実装・修正
       ↓
       Sol

大規模設計変更
複雑な原因調査
複数システムを跨ぐ作業
       ↓
      Astra

というモデルルーティングが考えられます。

AstraとLunaでは標準API単価に100倍の差があります。3 5

そのためGPT-6世代では、

「どのLLMを使うか」より「どの仕事をどのLLMに振り分けるか」

が、システム全体の品質・速度・コストを左右する重要な設計要素になりそうです。

OpenAI自身も、すべての処理をAstraに投げるのではなく、実際のワークロードに対してAstra / Sol / Lunaを評価し、必要な性能を満たすモデルを選ぶことを推奨しています。18

まとめ

GPT-6は単純にGPT-5系の性能を上げただけではなく、AIがツールを使いながら長時間仕事を進めるAgent時代をかなり強く意識したモデルファミリーになっています。1 6

GPT-6 Astraは、複雑な推論、Coding、Computer Use、Research、Document Creationなどを組み合わせたEnd-to-Endの仕事向け。3

GPT-6 Solは、Coding / Agent用途で高い性能を持ちながら、Astraよりコストを抑えられるモデル。4

GPT-6 Lunaは、大量処理や反復的な処理を低コストで実行することを意識したモデルです。5

そして他社を見ると、Claude Opus 5.5、Gemini 3.8 Flash、Grok 4.7なども、Coding / Agent / Computer Use / Knowledge Workといった領域を強く意識しています。10 13 15

2025年頃までは、

「どのモデルが一番賢いか」

が話題の中心になりがちでした。

しかし2026年は、

「どのモデルに、どの仕事を、どのコストで、どこまで自律的に任せるか」

という設計が、より重要になってきているように感じます。

GPT-6のAstra / Sol / Lunaというラインナップは、その変化をかなり分かりやすく表したモデルファミリーではないでしょうか。

参考資料

本記事では、2026年9月26日時点で確認できる以下の資料を参照しました。

OpenAI / GPT-6

[1] OpenAI — GPT-6 Astra: A new generation of intelligence
GPT-6 Astraの公式発表。ベンチマーク、Computer Use、Coding、Agent性能など。

[2] OpenAI API — Models
GPT-6 Astra / Sol / Lunaのモデル一覧、料金、Context Window、Toolsなど。

[3] OpenAI API — GPT-6 Astra Model
Astraの料金、Context Window、Max Output、Knowledge Cutoff、Reasoning Effortなど。

[4] OpenAI API — GPT-6 Sol Model
Solの料金、Reasoning Effort、Context Window、対応Toolsなど。

[5] OpenAI API — GPT-6 Luna Model
Lunaの料金、Reasoning Effort、Context Window、対応Toolsなど。

[6] OpenAI API — Model guidance / Using GPT-6
Async Tool Calling、Mid-turn Steering、モデル選択、Reasoning Effortなど。

[7] OpenAI API — Changelog
GPT-6 Sol / Lunaのリリース情報と料金。

[8] OpenAI Help Center — ChatGPT Release Notes
GPT-6シリーズのChatGPT側での展開状況。

[9] OpenAI Help Center — ChatGPT Work and Codex
Astra / Sol / LunaのChat、Work、Codexにおける利用範囲など。

Anthropic / Claude

[10] Anthropic — Introducing Claude Opus 5.5
Claude Opus 5.5の公式発表。

[11] Claude Platform — Claude Opus 5.5
Context Window、Max Output、API料金など。

[12] Claude Platform — Models Overview
Claudeの現行モデル一覧と位置づけ。

Google DeepMind / Gemini

[13] Google DeepMind — Gemini 3.8 Flash
Context、マルチモーダル入力、Computer Use、Function Calling、ベンチマークなど。

[14] Google AI for Developers — Gemini Developer API Pricing
Gemini APIの料金。

SpaceXAI / Grok

[15] SpaceXAI — Grok 4.7
Context Window、料金、Reasoning Effort、Web Search、X Search、Code Executionなど。

[16] SpaceXAI — Release Notes
Grok 4.7のリリース情報。

第三者評価・評価方法

[17] Artificial Analysis — Claude Opus 5.5 High vs GPT-6 Astra High
Intelligence Index、AutomationBench-AA、Terminal-Bench、SciCode、速度、Cost per Taskなどを比較。

[18] OpenAI API — API Deployment Checklist
モデル選定、Reasoning Effort、コスト・レイテンシ・成功率などの評価方法。

注意

API料金、Context Window、モデルの提供範囲、ベンチマーク結果、ChatGPTで利用できるモデルは今後変更される可能性があります。
本記事に記載している情報は2026年9月26日時点のものです。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up