現実への渇き：GPT-6 Astra を読み解く

GPT-6 Astra リリースの四つの数字。99.9 対 62.7、100 対 39、61.2 対 60.9、そして2.5倍の価格。進歩はハーネスへ移った。

Anton Minin Baranovskii · 2026/9/7

現実への渇き：GPT-6 Astra を読み解く — 上積みはモデルではなく足場にある

現代のあらゆる言語モデルの土台である Transformer アーキテクチャは、2017年に Google で生まれました。OpenAI はほとんど誰も信じていなかった時期にこのアーキテクチャのスケーリングに賭け、以来毎年フラッグシップモデルを出し続けています。問題は、新しいリリースのたびに進歩が実際どこで起きているのかです。

2026年9月3日、OpenAI は GPT-6 Astra を公開し、AGI 時代の到来を宣言しました。同社プレジデントのグレッグ・ブロックマンはこのリリースを一言でこう表現しています。ARC-AGI-3 は完全に攻略された、と。

その数時間後、まさにそのテストを作っている組織が独自の計測結果を公表しました。OpenAI の数字とは約40パーセントポイントも異なっていました。

以下の四つの数字は、周囲のマーケティング全部よりもこのリリースについて多くを語ります。

一つ目の数字：99.9 対 62.7

ARC-AGI-3 は、未知のインタラクティブ環境を理解する能力を測ります。モデルは学習データになかった世界に放り込まれ、進めながらルールを把握しなければなりません。この能力こそ、人間と統計モデルの境界と呼ばれてきたものです。OpenAI の報告は99.9%。テストを作った組織である ARC Prize の計測は62.71%。どちらの数字も本物で、違いはモデルの走らせ方にあります。

ここでハーネスの話が重要になります。ハーネスはニューラルネットそのものではなく、モデルを取り巻く足場、つまりモデルを起動し、そのメモを保存し、課題を小分けに渡し、答えを集める外部プログラムです。OpenAI は独自のハーネスを使っていました。ステップ間でモデルの内部推論を保持し、長い対話を賢く圧縮するものです。ARC Prize のものは標準で、すべてのモデルに共通です。

ARC Prize の判定はこうです。差は記憶の扱いによるもので、ニューラルネット自体はどちらも同じ。37パーセントポイントの上積みはモデルの周りのコード、つまりハーネスがもたらしました。

二つ目の数字：100 対 39

ExploitBench は、モデルがプログラムの脆弱性を見つけられるかを調べます。Astra は100%でした。

同じテストを、過去の脆弱性を外して組み直すと、つまりすでにネット上に説明があり学習データに入っている穴を除くと、39%になりました。

何年も続いてきた議論が、そのまま数字になったものです。すでに解かれた問題の領域では結果はほぼ完璧。本当に新しい問題では2.5分の1に落ちます。

確かに未知の脆弱性探索で39%というのは十分に高い数字です。OpenAI がこのモデルにサイバー能力の重大レベルを与え、一部機能を一般公開から外したのも理由のないことではありません。しかし100%と39%の差は、まず既知のものに対するシステムの記憶の良さを物語ります。原理的に新しいものを見つける力については、はるかに少ないことしか語りません。

三つ目の数字：61.2 対 60.9

独立系のモデル比較プラットフォーム Artificial Analysis は、総合知能指数で Astra に61.2点をつけました。前世代の GPT-5.6 Sol には60.9点。1世代で0.3点です。エージェント的コーディング、つまりモデルが長時間ひとりで作業する課題、コードを書き、実行し、エラーを見て、直す、そこでも差はあります。67.0 対 65.1。進歩はあり、それはやはりモデルが外部ツールとループを回す領域にあります。

四つ目の数字：2.5倍

公式の料金によれば、Astra は入力100万トークンあたり10ドル、出力100万トークンあたり50ドルです。前フラッグシップの2.5倍の価格です。

まとめると、総合知能指数はほぼ横ばいで、価格は2.5倍になった、ということです。

全体像を組み立てる

上積みが出ているのは足場を改善した部分です。ステップ間の記憶、コンピュータ操作、長い行動の連鎖。モデル単体を測る領域では、上積みは誤差の範囲に収まり、価格だけが何倍にもなりました。

進歩はニューラルネットから、その周りのエンジニアリングへ引っ越した。

メモリ管理へ、コード実行のサンドボックスへ、試した、エラーを見た、直した、というループへ、外部ツールを扱うプロトコルへ。

これはどんな技術にも訪れる普通の段階です。ジェットエンジンが発明されたのは一度きりで、その後の40年は機体、燃料、計器、整備に費やされました。

誠実な反論

ARC-AGI の作者であり、言語モデルの過大評価に対する最も厳しい批判者の一人であるフランソワ・ショレは、Astra の後に AGI 到来の予測を前倒ししました。彼の言い方では、進歩は自分の想定のおよそ2倍の速さで進んでいる、と。加えて、行動効率の面で Astra が初めて人間と並んだことにも触れています。平均的な人間はこのテストで約48%、Astra は62.71%。Epoch AI は能力指数で Astra を史上最高の169点として首位に置きました。つまり、モデルの丸暗記を職業的に見抜く人々が、何か根本的なことが起きたと言っているのです。

GPT-5.6 Sol の7.8%、Claude Opus 5 の30.2%から62.71%への跳躍は事実であり、進歩は確かにあります。ただ文脈が重要です。ショレ自身、テスト結果は AGI の登場を証明しないと強調し、数字の食い違いの原因としてハーネスの違いを挙げ、99.9%と62.7%を直接比較するのは不適切だと述べています。テストの作者が、AI 大手による自分の結果の使われ方をわざわざ訂正する。これは稀で、示唆的な出来事です。