はじめに

2026年9月1日、OpenAIから次世代フラッグシップ GPT-6 Astra が一般提供開始されました。7月のGPT-5.6（Sol・Terra・Luna）から約2ヶ月、ChatGPT・Codex・OpenAI APIの全チャネルで同時GAとなった世代交代リリースです。

特筆すべきは以下の3点です。

コンテキストウィンドウが4Mトークンへ拡大（GPT-5.6比4倍）。数十万行規模のコードベース全体や長編ドキュメント群を一括投入できる規模に
verbosity と reasoning.summary パラメータが新設され、出力の詳細度と推論過程の可視化レベルを独立して制御可能に
SWE-bench Pro・Agents' Last Examの両方でClaude Fable 5.1を上回るスコアを記録し、コーディング・汎用エージェントタスクの双方で首位を奪還

本記事はOpenAI API・ChatGPT・Codex経由でGPT系モデルを利用している開発者向けに、GPT-5.6 → 6移行判断に必要な情報をまとめます。

モデルスペック

項目	GPT-6 Astra
モデルID	`gpt-6-astra`
リリース日	2026年9月1日
入力価格	$8 / 1M tokens
出力価格	$40 / 1M tokens
コンテキストウィンドウ	4M tokens（GPT-5.6比4倍）
最大出力	256K tokens
知識カットオフ	2026年6月30日
提供形態	OpenAI API / ChatGPT / Codex
提供プラン	ChatGPT Pro（デフォルト）/ Plus（選択可能）/ API / Codex

GPT-5.6ではSol・Terra・Lunaの3ティア構成でしたが、GPT-6世代の最初のリリースとなる今回はAstra単独での投入です。OpenAIは他ティアについて「今後数ヶ月以内に投入予定」とだけ言及しており、詳細は未発表です。

主要な新機能・変更点

1. コンテキストウィンドウ4Mトークンへ拡大

GPT-5.6の1Mトークンから4倍の4Mトークンに拡大されました。モノレポ全体や数千ページ規模のドキュメント群を分割なしで一括投入できる規模で、長大なコードベースを横断するリファクタリングや監査タスクでの精度向上が見込まれます。

2. VerbosityとReasoning Summaryの独立制御

これまで出力の詳細度は主にプロンプト側で調整する必要がありましたが、GPT-6 Astraでは**verbosityパラメータで応答の冗長度を直接制御できます。あわせてreasoning.summary**で推論過程の要約表示レベルを指定できるようになりました。

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "high", "summary": "concise"},  # none / concise / detailed
    verbosity="low",  # low / medium / high
    input=[{"role": "user", "content": "このリポジトリの依存関係を分析してください"}],
)

reasoning.summary のデフォルトは "none" で、推論過程の要約は明示的に指定しない限り出力に含まれません。デバッグやログ監査で推論過程を確認したい場合は "concise" または "detailed" を指定する必要があります。

3. Ultraモードがマルチエージェント標準機能としてGA

GPT-5.6でベータ提供だったUltraモードが正式機能として提供され、パラメータ名も**agents**オブジェクトに整理されました。

response = client.responses.create(
    model="gpt-6-astra",
    agents={"mode": "auto", "max_parallel": 8},  # サブエージェントの並列実行数を指定
    input=[{"role": "user", "content": "このリポジトリ全体のセキュリティ監査を実施して修正PRを作成して"}],
)

4. ネイティブ動画理解・生成への対応

GPT-6 Astraはテキスト・画像・音声に加えて動画の理解と生成をネイティブにサポートする初めてのGPTモデルです。長尺動画からの情報抽出や、動画を交えたマルチモーダルなエージェントタスクが単一モデルで完結します。

5. Agentic Computer Useの大幅改善

ブラウザ・ターミナル操作を伴うコンピュータ使用タスクで、GPT-5.6比でタスク完遂率が大幅に向上。長時間のエージェントセッションでの脱線・迷子状態からの復帰能力が特に強化されています。

ベンチマーク結果

ベンチマーク	GPT-6 Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Opus 5	備考
SWE-bench Pro	84.7%	64.6%	82.3%	79.9%	Fable 5.1を+2.4pt上回り首位
Agents' Last Exam	61.2	53.6	55.8	—	Fable 5.1を+5.4pt上回り首位
ARC-AGI 3	39.8%	7.8%	34.6%	30.2%	全モデル中最高
GDPval-AA v2（ナレッジワーク）	2,015 Elo	—	1,902 Elo	1,861 Elo	Fable 5.1比+113pt
HealthBench Professional	68.3	60.5	—	—	GPT-5.6 Sol比+7.8pt

注目ポイント①：SWE-bench Proでコーディング首位を奪還 ― 8月にClaude Fable 5.1が記録した82.3%を、GPT-6 Astraは84.7%で上回りました。

注目ポイント②：Agents' Last Examでも首位 ― 汎用エージェントタスクの包括指標でも61.2を記録し、コーディング・汎用タスクの両方でトップに立った初めてのGPT世代です。

注目ポイント③：ARC-AGI 3で抽象推論も最高スコア ― 39.8%を記録し、Fable 5.1（34.6%）・Opus 5（30.2%）を含む全モデルを上回りました。

API移行時の注意点（Breaking Changes）

⚠️ `mode="ultra"` パラメータが廃止

GPT-5.6の mode="ultra" は廃止され、agents={"mode": "auto"} への置き換えが必要です。

# Before（GPT-5.6）
client.responses.create(
    model="gpt-5.6-sol",
    mode="ultra",
    input=[...],
)

# After（GPT-6 Astra）
client.responses.create(
    model="gpt-6-astra",
    agents={"mode": "auto"},
    input=[...],
)

⚠️ `reasoning.summary` のデフォルトが `"none"`

推論過程の要約が既定で出力に含まれなくなりました。GPT-5.6までログや監査目的で要約を参照していた場合、reasoning.summary を明示的に "concise" または "detailed" に指定しないと空の状態になります。

⚠️ 最大出力トークンの上限が変更

4Mコンテキストウィンドウの導入に伴い、max_output_tokens の実質上限が 256K tokens に変更されました。旧モデルで128K上限ギリギリに設定していた値は、そのまま流用可能ですが上限緩和のメリットを活かすには見直しが必要です。

✅ モデルID差し替えのみで基本動作

# Before（GPT-5.6 Sol）
response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "max"},
    input=[...],
)

# After（GPT-6 Astra）
response = client.responses.create(
    model="gpt-6-astra",  # IDを差し替えるだけ
    reasoning={"effort": "max"},
    input=[...],
)

✅ 全主要チャネルで即日GA

OpenAI API・ChatGPT・Codexの全チャネルで同日GAです。

まとめ

GPT-6 Astraは、コンテキストウィンドウの4倍拡大とAPI細粒度制御の強化を軸に、コーディング・汎用エージェントタスクの双方で首位を奪還した世代交代リリースです。GPT-5.6を本番運用しているチームは、以下の観点で移行検討すべきタイミングに来ています。

mode="ultra" から agents={"mode": "auto"} への置き換えが必須：旧パラメータは廃止されたため、マルチエージェント機能を使っている場合は必ず修正が必要
reasoning.summary の明示指定を検討：デフォルトで推論要約が非表示になるため、ログ監査用途では明示指定が必要
4Mコンテキストの活用：モノレポ全体や大量ドキュメントを一括投入するワークロードで恩恵が大きい
verbosity パラメータの導入：プロンプト側の冗長度調整をAPIパラメータに寄せることでプロンプト管理を簡素化できる

特に大規模コードベースを横断するエージェントタスクや、コーディング・汎用タスク双方でフロンティア級品質を求めるワークロードでは、即検討価値ありです。

参考リンク