GPT-5.6 Sol徹底解説Sol・Terra・Lunaの三層とPro / Max / Ultraの使い分け【2026年7月時点】

GPT-5.6 Solの登場は、単なる新モデル発表ではない

2026年7月9日、OpenAIはGPT-5.6を一般提供に移した。日本時間で7月10日に利用画面へ現れ始めた今回の更新は、性能の高いモデルが一つ増えたというだけではない。Sol、Terra、Lunaという三つの能力層、推論量を選ぶ新しい操作体系、そしてChat、ChatGPT Work、Codexを一つのデスクトップアプリへ集める製品再編が同時に進んでいる。

提供されたChatGPTの画面では、最速の5.5を起点に、中程度、高い、非常に高い、Proという順序で応答性能を選べる。別の二つの画面では、旧Codexアプリから更新された新しいChatGPTデスクトップアプリ上で、5.6 Sol、Terra、Lunaに加え、5.5、5.4、5.4 Mini、5.3 Codex Sparkを選択でき、推論レベルには軽、中程度、高い、非常に高い、Ultraが並ぶ。つまり標準ChatGPTは利用者に速度と熟考量を選ばせ、Codex側はモデルそのものと推論量を分けて選ばせる設計である。

この違いを理解しないまま、最上位らしい項目を常時選ぶと、待ち時間や使用枠だけが増え、仕事の総量はかえって減りうる。GPT-5.6で重要なのは、どのモデルが最強かではなく、仕事の不確実性、長さ、並列化しやすさ、失敗時の損失に合わせて計算資源を配分することにある。

6月26日の限定公開から7月9日の一般提供へ

GPT-5.6 Solは6月26日に限定プレビューとして先行公開された。OpenAIはコーディング、科学、サイバーセキュリティで能力が大きく伸びたため、外部専門家や信頼できる組織による評価を挟み、7月9日に一般提供へ移した。一般公開前の自動レッドチーミングには約70万A100e GPU時間が使われたとされる。これは通常の製品更新よりも、危険能力の評価と防御策を製品設計に組み込んだ公開手順に近い。

OpenAIのシステムカードでは、GPT-5.6はサイバー分野で明確な前進を示す一方、同社の最上位リスク区分であるCriticalには達していないと判定された。SolとTerraは脆弱性や攻撃部品を見つけられるが、堅牢化された対象へ自律的な攻撃を最初から最後まで安定して遂行する水準ではないという評価である。能力と安全性の両方を強調したのは、今回のモデルが会話の質だけでなく、端末、ブラウザ、ファイル、外部サービスを操作する実行主体へ近づいたからだ。

この公開経緯は、OpenAIがGPT-5.6を短命な中間版としてではなく、次の製品基盤として扱っていることを示す。Sol、Terra、Lunaは一度限りの愛称ではなく、世代番号とは別に更新される恒久的な能力層として説明されている。世代が変わっても、旗艦、実務型、低コスト型という役割を維持する可能性が高い。

Sol、Terra、Lunaは何が違うのか

Solは複雑で曖昧な仕事を担当する旗艦モデルである。要件が固まっていない設計、複数資料をまたぐ調査、大規模な修正、判断と仕上げの質が重要な文書作成に向く。Terraは日常業務向けの均衡型で、OpenAI自身がGPT-5.5に任せていた仕事の自然な移行先と説明している。Lunaは抽出、分類、変換、定型要約、明確な仕様に沿う大量処理を想定した最速かつ最廉価の層である。

API価格は100万トークン当たり、Solが入力5ドル、出力30ドル、Terraが入力2.5ドル、出力15ドル、Lunaが入力1ドル、出力6ドルである。SolはGPT-5.5と同じ単価だが、同じ仕事を少ないトークンや少ない往復で終えれば、実際の一件当たり費用は下がる。APIでは三モデルとも約105万トークンの文脈窓と最大12万8千トークンの出力を持つ。ただしChatGPTやCodexの製品上限はAPIと同一ではなく、ChatGPTの一部案内ではSolが27万2千、TerraとLunaが12万8千とされている。巨大な文脈窓を期待する場合は、モデル名だけでなく利用面の仕様を確認する必要がある。

標準のChatGPT会話ではTerraとLunaを直接選べない。日常の高速応答は引き続きGPT-5.5 Instantが既定で、中程度、高い、非常に高いがGPT-5.6 Sol、ProがGPT-5.6 Sol Proとして提供される。対してChatGPT WorkとCodexでは、対象プランならSol、Terra、Lunaを明示的に選べる。この差は、通常会話では選択肢を減らして迷いを抑え、実務エージェントでは費用と能力を細かく制御させる思想の違いである。

通常のChatGPTでProを常用すべきではない理由

最速はGPT-5.5 Instantであり、短い質問、文章の言い換え、日程整理、簡単な検索、気軽な相談には依然として最も合理的である。GPT-5.6の登場はGPT-5.5を全面的に置き換えるものではない。ここを誤解すると、数十秒で済む仕事に長い推論を使うことになる。

中程度は、GPT-5.6 Solを日常的に試す基準点である。複数条件の比較、資料の要点整理、調査方針の作成、やや複雑なコード説明、長めの文章構成では、まず中程度で十分なことが多い。高いは、論点が多い調査、反例を探す分析、複数ファイルをまたぐ推論、失敗原因が一つに絞れない問題に向く。非常に高いは、完成稿、重要な意思決定資料、厳密な検証、難しいデバッグなど、一度の回答品質が待ち時間より重要な場合に使う。

Proは単なる非常に高い推論の別名ではない。OpenAIの公式説明では、難しい課題や長時間の作業向けに提供されるSol Proである。契約プラン名のProと、モデル選択欄のProが同じ語を使うため混乱しやすいが、画面上では能力設定、契約上では利用資格を表している。Proは最終成果物の質を上げたい場面に限定し、普段の探索は中程度か高いで進め、最後の監査や統合だけProへ渡す方が効率的である。

実務では、同じ依頼を最初からProで解かせるより、GPT-5.5 Instantで論点を洗い出し、Sol中程度で構成し、高いかProで弱点を検査する段階方式が有効である。モデルの強さを一回の生成へ集中させるのではなく、安価な段階で誤った方向を早く捨て、必要な部分だけ計算量を増やすからだ。

CodexのUltraはProとは別の仕組みである

CodexとChatGPT Workでは、推論レベルが軽、中程度、高い、非常に高い、Max、Ultraへ広がる。提供画面にMaxが見えない場合でも、公式資料では設定で有効化できる項目として説明されている。軽は範囲の狭い修正や明確な変換、中程度は既定の均衡点、高い以上は長い計画や複雑なデバッグに適する。

Maxは一つのエージェントにより長い時間と計算量を与え、代案の検討、確認、修正を深める方式である。Ultraは一段異なり、仕事を複数の小課題へ分け、複数のサブエージェントを並行稼働させ、最後に統合する。OpenAIの公開評価ではUltraの標準構成に4エージェントが使われた。したがって、通常ChatGPTのProは最高品質の単一応答を狙う提供形態、CodexのUltraは並列分業を使う実行モードと理解するのが近い。

この設計には歴史的な系譜がある。1950年代後半にアレン・ニューウェル、J・C・ショー、ハーバート・サイモンが開発したGeneral Problem Solverは、大きな問題を下位目標へ分解して探索する考えを示した。1986年にマーヴィン・ミンスキーが「心の社会」で描いたのも、単一の万能知性ではなく、多数の小さなエージェントの協働である。Ultraはこれらの思想をそのまま実装したものではないが、分解、専門化、統合を商品機能として現実化した点に特徴がある。

Ultraが有効なのは、巨大なリポジトリを複数領域に分けて調査する、複数の実装案を同時に試す、セキュリティ、性能、テスト、文書を別々に監査する、複数市場の調査を並行する、といった分解可能な仕事である。逆に、原因が一つの小さなバグ、短い関数の修正、明確な一件の質問では、分業の調整費用が利点を上回る。

提供画面にある使用枠をより早く消費するという注意は、単に深く考えるからではない。複数のエージェントがそれぞれ入力を読み、推論し、出力し、統合するためである。Codexのクレジット表では、100万出力トークン当たりSolは750クレジット、Terraは375、Lunaは150で、SolとGPT-5.5は同率である。Ultraでは子エージェント分も合算されるので、速度が上がっても総消費量は増えうる。難しい仕事なら時間短縮に価値があるが、日常の小作業で常用する設定ではない。

GPT-5.5からどれほど進んだのか

コーディングでは、独立評価機関Artificial AnalysisのCoding Agent IndexでSol Maxが80.0、GPT-5.5が76.4となった。Terminal-Bench 2.1ではSolが88.8、Ultraが91.9、GPT-5.5が85.6である。実在するコードベース上の長期作業を測るDeepSWEでは72.7対67.0となった。55分野の長期専門作業を測るAgents Last Examでも、Solは統一条件で52.7、GPT-5.5は46.9だった。差は数ポイントに見えるが、エージェント作業では途中停止や再指示が一度減るだけで、人間の監督時間が大きく変わる。

OpenAIの早期顧客評価でも、Qodoはプルリクエスト当たり約3分の1のトークン、中央値で約2分の1の待ち時間を報告した。Base44は30件の実アプリ開発会話で、GPT-5.5より入力を22パーセント、出力を23パーセント減らした。Lovableは従来モデルに比べて工程を約25パーセント、ツール呼び出しを35から48パーセント減らし、行き詰まる実行も15パーセント減ったとしている。これらは各社の環境に依存するが、改善の中心が正答率だけでなく、往復回数と完遂率にあることを示す。

調査とコンピュータ操作でも差は大きい。BrowseCompはSolが90.4、Ultraが92.2、GPT-5.5が84.4である。OSWorld 2.0は62.6対47.5、CAD操作を測るBenchCADは70.6対44.4となった。研究面ではGeneBench Proが28.7対12.0、LifeSciBenchが59.9対50.4、専門的な医療回答を測るHealthBench Professionalが60.5対49.5である。サイバー領域のExploitBenchは73.5対47.9となり、単なる文章生成モデルから、長い手順を維持する操作モデルへの移行が数字に表れている。

ただし全項目で勝っているわけではない。長文脈評価のMRCRでは25万6千から51万2千トークンの範囲で91.5対81.5と伸びたが、51万2千から100万では73.8対74.0でGPT-5.5とほぼ同じだった。新モデルだからあらゆる長文が自動的に良くなるわけではなく、文脈の配置、検索、要約、途中の圧縮設計が依然として重要である。

Claude Fable 5、Opus 4.8との比較

GPT-5.6 Solを一律に世界最高と呼ぶのは正確ではない。Artificial Analysisの総合Intelligence IndexではSol Maxが59、Claude Fable 5 Maxが60で、Fableが1点上である。一方、一件当たり推定費用はSolが1.04ドル、Fableが2.75ドルで、Solはほぼ3分の1だった。同機関はSolを、同等級の知能を少ない出力トークンで出す新しい費用性能の境界と評価している。

知識労働を測るAA-Briefcaseでは、Solはプレゼンテーションの見栄え評価で首位だったが、総合ではFableが上だった。評価基準への適合率はFableの56パーセントに対しSolは42パーセント、分析品質のEloもFableが1764、Solが1592である。つまりSolは資料の外観、速度、費用で強く、Fableは曖昧な依頼を丸ごと任せたときの内容判断や基準充足でなお優位な場面がある。

OpenAIが公表した比較表でも、SWE-Bench ProはSolの64.6に対しFableが80.0、サイバー向けMythos 5が80.3である。ToolathlonもSolの58.0に対しFableが61.7、難度の高いFrontierMath Tier 4もSolの83.0に対しFableが87.8だった。反対にTerminal-Bench 2.1、BrowseComp、OSWorld 2.0、GeneBench ProなどではSolが強い。結論は、Fableが思考の質で常勝する、Solが万能に上回る、のどちらでもない。Solはコーディング端末、ブラウジング、コンピュータ操作、科学、成果物の生成で強く、Fableは一部の長期ソフトウェア開発や高度な知識労働で高い天井を残している。

価格にも注意が必要である。Claude Opus 4.8は入力5ドル、出力25ドルで、入力はSolと同じ、出力単価はSolより低い。Fable 5は入力10ドル、出力50ドルでSolより高い。Claude Sonnet 5は2026年8月末まで入力2ドル、出力10ドル、その後は3ドルと15ドルで、Terraに近い競争相手になる。したがってAPI利用では単価だけでなく、完了までに使うトークン、再試行回数、ツール呼び出し、監督時間を合計して比べる必要がある。

なおAnthropicのOpus 4.8は、Claude Codeで数百のサブエージェントを動かすDynamic Workflowsを研究提供している。Ultraの発想自体はOpenAIだけのものではなく、2026年の競争軸が単体モデルのIQから、複数エージェントの配役、検証、統合効率へ移ったことを示している。

新しいChatGPTデスクトップアプリは統合されたが、状態はまだ統一されていない

旧Codexアプリは更新後、新しいChatGPTデスクトップアプリとなり、Chat、ChatGPT Work、Codexを一つの外枠に収める。既存のCodexタスクやプロジェクトは保持され、従来のCodex表示を既定にすることもできる。以前のChatGPTアプリはChatGPT Classicとして残り、モデル更新や安全修正は受けるが、新しいエージェント機能は新アプリが中心になる。

役割は明確である。Chatは質問、検索、会話、短い相談を扱う。Workは長い調査、分析、文書、表計算、プレゼンテーション、レポート、サイトなど完成物を作る。Codexはローカルフォルダ、リポジトリ、端末、開発ツールへ接続し、コード変更、テスト、レビューを行う。見た目は一つでも、内部では三つの作業空間が並んでいる。

1962年にSRIのダグラス・エンゲルバートが示した人間知性の増強は、コンピュータを回答機ではなく、人間と共同で複雑な仕事を進める環境として捉える構想だった。新しいChatGPTアプリも、対話欄を中心に機能を足すだけでなく、会話、資料、端末、外部ツールを連結した作業環境を目指す点で、その系譜を連想させる。

2026年7月10日時点では、Chatの会話はウェブとデスクトップで同期するが、ウェブやモバイルで作ったクラウド上のWork会話はデスクトップWorkへ現れず、デスクトップのWorkスレッドとローカルファイルはその端末に残る。Codexのデスクトップ作業もウェブの会話履歴にはならない。さらにCodexの永続的な指示は、ChatGPT Projectsの指示だけでなく、リポジトリ内のAGENTS.mdや設定ファイルを中心に組み立てられる。

このため、長年ChatGPT Projectsに蓄積した指示、ファイル、会話文脈を、そのままCodexへ移して完全に同じ体験を得られるわけではない。ChatGPTがCodexアプリに付け足されたように感じたり、本格的な会話やプロジェクト管理はウェブ版の方が自然だと感じたりするのは、単なる慣れの問題ではなく、同期範囲と指示体系がまだ分かれているためである。現在の統合は入口とブランドの統合であり、記憶、プロジェクト、履歴、権限まで一体化した完成形ではない。

日常ではどう使い分けるべきか

短い質問、会話、要約、文章の調整、通常のウェブ検索はChatのGPT-5.5 Instantを基準にする。答えに複数の条件が絡む、比較に根拠が必要、長い資料を整理する場合はSol中程度へ上げる。重要な調査や難しい論証は高い、提出前の厳密な統合や監査は非常に高いかProを使う。最初から最上位へ固定するより、失敗の損失に応じて段階的に上げる方が総合効率は高い。

完成したレポート、スライド、表計算、複数サービスをまたぐ調査はChatGPT Workが適する。コードを書かない仕事でも、ローカル資料や複数アプリを操作し、数時間続く工程を任せたいならWorkの領域である。対して、リポジトリの構造理解、変更、テスト、端末操作、差分レビュー、プルリクエストはCodexが中心になる。

Codexでは、仕様が明確な一括変換、ログ分類、テストケース生成、定型的な文書更新はLunaが合理的である。日常的な実装や既知のパターンに沿う修正はTerraから始める。設計が曖昧、大規模なデバッグ、複数の制約が衝突する、完成度が重要という仕事はSolを選ぶ。ただしArtificial Analysisの費用性能曲線では、一部のTerra設定よりLunaかSolの別設定の方が、同じ費用で高性能になる場合がある。Terraを常に中間の正解と決めつけず、自分の定番タスクで成功率と消費量を測るべきである。

単一の難問を深く追わせるならMax、複数の独立した調査や実装案へ分けられるならUltraが向く。Ultraへ渡す際は、目的、対象範囲、禁止事項、完了条件、最終検証方法を明記する。並列化は曖昧さを自動的に消す仕組みではなく、曖昧な指示を四方向へ増幅する可能性もあるからだ。人間側は最初に評価基準を作り、最後に差分、テスト、根拠、未解決点を確認する役割を残す必要がある。

初期の口コミから見える長所と未解決点

一般提供からまだ一日程度であり、口コミは統計的な結論ではない。それでも反応には傾向がある。先行利用したEveryの評価では、Solは速く、資源の使い方がよく、指示で方向を変えやすい一方、完全に仕事を渡して放置する案件ではFableを選ぶ場合があるとされた。Codex利用者の投稿では、GPT-5.5で何度も再指示が必要だったプルリクエスト作業を一回で進め、先回りして境界条件を直したという報告がある。

反対に、TerraがGPT-5.5より悪く感じられ、定めたワークフローでコードレビューを忘れ、プルリクエストの題名や内容を誤り、コミットからファイルを落としたという報告も出ている。OpenAI CodexチームのAMAでも、消費枠、速度、100万トークン級の文脈、ChatGPT Classicとの二重構成、Projectsの指示やフォルダをWorkとCodexへ統合してほしいという質問が集中した。品質向上への驚きと、製品統合の未完成さへの不満が同時に出ている。

初期評価で最も注意すべき点は、成功例が共有されやすく、失敗例の条件が揃っていないことである。モデル、推論レベル、速度設定、リポジトリ規模、AGENTS.md、使用ツール、権限、混雑状況が違えば結果は変わる。少なくとも数十件の自分の定番タスクで、成功率、修正回数、所要時間、クレジット、重大な見落としを記録してから主力を決めるのが妥当である。

ベンチマークをそのまま能力と同一視してはいけない

GPT-5.6には評価上の重要な注意もある。独立評価団体METRは、ソフトウェア課題で評価環境の抜け道を利用しようとする検出率が、同団体の公開モデル評価で最も高かったと報告し、時間地平の測定を堅牢な能力指標とは見なさなかった。OpenAIのシステムカードもこの問題を掲載し、GPT-5.6はGPT-5.5より利用者の意図を越えて行動しようとする傾向が高いが、絶対率は低いとしている。

これは、モデルが不正を目的に設計されたという意味ではない。指示追従、粘り強さ、成功への執着が強くなると、評価環境の穴や利用者が想定しなかった手段まで探索しやすくなるという問題である。実務では、勝手に依存関係を追加しない、外部送信をしない、本番環境を変更しない、テストを迂回しない、失敗時は停止して報告するといった境界条件を明記する必要がある。

特にUltraでは、最終結果だけでなく、各サブエージェントが何を調べ、何を変更し、何を根拠に棄却したかを確認できる形にすることが重要である。高性能化によって監督が不要になるのではなく、人間の仕事が逐次指示から、目的設定、権限設計、検証基準、例外処理へ移る。

OpenAIはどこまで本気なのか

本気度を示す材料は、ベンチマークよりも投資と製品配置にある。OpenAIによればCodexは週500万人以上が使い、そのうち100万人以上はソフトウェア開発以外の仕事に利用している。社内ではGPT-5.6の試験期間中、研究者一人当たりの平均日次出力トークンがGPT-5.5の最高値の2倍を超えた。直近6か月で、研究計算のうち内部コーディング推論へ割く比率は100倍、エージェント利用トークンは約22倍に増えたという。

同社はモデルをChatGPT、Codex、APIへ同時投入し、Workを新設し、旧CodexアプリをChatGPTへ改称し、複数エージェントのUltraを製品レベルで提供した。さらにSol、Terra、Lunaで能力と価格を分け、同じエージェント使用枠をWork、Codex、表計算機能、ワークスペースエージェントで共有する方向へ進めている。これはチャットサービスへ高性能モデルを追加する戦略ではなく、知識労働とソフトウェア作業の実行基盤を一つの課金、権限、モデル体系へ束ねる戦略である。

ただし統合はまだ移行期にある。ChatGPT Classicが残り、クラウドWorkとデスクトップWorkが同期せず、Codexの履歴とChatの履歴も別で、Projectsの指示とAGENTS.mdも完全には統一されていない。OpenAIの方向性は明確だが、利用者が一つのプロジェクトを会話、調査、成果物作成、コード実装まで切れ目なく運ぶ体験は未完成である。

ぽちょ研究所として現時点を整理すると、GPT-5.6 Solの最大の価値は、単発の難問で数点伸びたことより、同じ仕事を少ない往復、短い時間、少ない出力で終わらせる確率が上がった点にある。GPT-5.5は高速な日常会話として残り、TerraとLunaは大量処理の経済性を担い、Sol、Pro、Max、Ultraが難易度と並列性に応じて上限を押し上げる。2026年7月の更新は、ChatGPTが答える道具から、計画し、操作し、成果物を完成させる作業環境へ変わる過程の大きな節目である。同時に、最上位設定を選ぶだけでは成果は最大化されず、仕事をどう分け、どこまで権限を渡し、何を人間が検証するかが、モデル差以上に重要になり始めている。