OpenAIのモデルであるGPT-6 SolとGPT-6 Lunaが、Amazon Bedrockで一般提供(GA)されました。これらのモデルは、大規模に高性能・セキュリティ・信頼性を実現するために作られた推論エンジン(inference engine)上で動作します。API料金は、前世代のGPT-5.6の各モデルより大幅に低くなっています。

GPT-6 Solは、週を通じて行う複雑なタスクに、強力な推論とコーディングの能力を提供し、日常的に使える経済性を備えています。一方、GPT-6 Lunaは、焦点の絞られた繰り返しタスクを高ボリュームで実用的にするモデルです。こうしたタスクでは、レイテンシー(latency)とコストのわずかな差がリクエスト全体で積み重なります。

Amazon Bedrockでの一般提供(GA)により、ワークロード(workload)ごとに知能と効率の釣り合いを選べる選択肢が増えます。AIを大規模に活用する価値は、モデルが何ができるかと、どれだけ頻繁に使えるかという2つの軸で決まります。GPT-6 Astraは、GPT-6ファミリーの最上位に位置づけられたモデルで、コストより最高品質の結果が重要な最も野心的なプロジェクト向けです。組織には、こうした最上位の取り組みだけでなく、製品や業務を動かし続ける繰り返しのタスクにも高度な知能が必要です。知能が高いほど、モデルが扱える複雑さは、細かなコーディング問題から複数のツールにまたがる多段階の処理まで広がります。

GPT-6 Solの用途とコーディング能力

GPT-6 Solは、開発や運用の中で繰り返し発生する負荷の高いタスク向けに設計されています。具体的には、機能の実装、問題のデバッグ、コードのリファクタリングとレビュー、データ分析、複数のツールにまたがる多段階の処理の完了が可能です。GPT-6 Solは、GPT-5.6 Solと比べてコーディングとコンピュータ利用(computer use)が改善されており、判断の背景にあるコンテキストを保ったまま、調査から実装、検証までタスクを進められます。

GPT-6 Solがそのプロセス（調査から実装、検証までの作業）をより多く担うようになると、開発者は、GPT-6 Solが何を変更し、何を検証し、何を確認できなかったかを把握する必要があります。GPT-6 Solは、自身の作業と結果についてより明確に伝えられるという利点もあり、これによりチームは抜けや漏れを早く見つけ、人の判断がまだ必要な箇所を理解しやすくなります。また、より強い実行力とより明確な報告があわせて、開発サイクル全体での実用性を高めます。その際、出力品質、トークン(token)使用量、リトライ(retry)、レイテンシーを含む、使える結果に到達するまでの総コストが重要な指標となります。

OpenAIによる社内の事実性評価(factuality evaluation)では、GPT-6 Solの事実誤りは、GPT-5.6 Solのおよそ半分でした。

モデルの使い分けとGPT-6 Luna

使い分けの例として、受信リクエストの分類にはGPT-6 Luna、複雑なケースの調査にはGPT-6 Sol、追加の推論の深さ(reasoning depth)が判断を実質的に変えうる場面にはGPT-6 Astraを使うという構成が挙げられます。GPT-6 Luna、GPT-6 Sol、GPT-6 Astraをステップごとに使い分けると、知能を最も価値を生む箇所に集中させつつ、システム全体のレイテンシーとコストを管理できます。

1日に数千回実行されるタスクでは、1回ごとの呼び出しの経済性がワークフローのスケール可否を左右します。単発の分類や要約は単体では安価ですが、ドキュメントパイプライン全体での抽出・ルーティング・後続処理のコストは、リクエストが増えるたびに積み重なります。GPT-6 Lunaは、大量に実行されるワークロード向けに設計されており、大規模なドキュメント群からの情報抽出、受信資料の要約、入力の分類、多数のユーザーやアプリケーションにわたる焦点を絞った質問への回答に使うことができます。OpenAIの評価では、GPT-6 Lunaは事実面の信頼性(factual reliability)が向上し、結果の伝え方もより明確になったとされています。さらに、GPT-6 Lunaではリクエストごとに推論の努力度(reasoning effort)を調整でき、各タスクが必要とする品質・応答性・コストのバランスを取ることが可能です。1つのアプリケーションでは、リクエストが進むにつれて、必要とされる知能のレベルが異なることがあります。大量処理で効率を保つには、出力の一貫性も必要です。

処理の各段階の中で1つのモデルを繰り返し呼び出すと、指示、ツール定義、ポリシー、参照資料が再利用されることがあり、この文脈を再処理すると、適切なモデルを選ぶことで得た効率が損なわれることがあります。

プロンプトキャッシュへの対応

Amazon Bedrockで一般提供が開始されたOpenAIのGPT-6 SolとGPT-6 Lunaは、明示的なプロンプトキャッシュ(prompt caching)に対応しています。プロンプトの内容を再利用対象としてマークできるため、後続のリクエストでは新しい入力の処理に集中できます。

プロンプトキャッシュは、リポジトリの指示を再利用するコーディングアシスタントや、同じポリシーに基づくサポートアプリケーション、一貫した抽出スキーマを適用するドキュメント処理で役立ちます。AIの利用が拡大するにつれ、本番環境でアプリケーションが成功するかどうかを決める要素のうち、モデルの品質はその一部にすぎません。

チームには、需要の変化に対して性能を保つインフラ、繰り返しのリクエストでも成り立つ経済性、および機密データを守る制御が必要です。Amazon Bedrockは、セキュリティと信頼性を大規模に備えた高性能な推論エンジンを通じて、GPT-6 SolとGPT-6 Lunaにその基盤を提供します。

セキュリティとデータの取り扱い

Amazon BedrockでGPT-6 SolとGPT-6 Lunaを使う場合、モデルへのアクセスはAWS Identity and Access Management(IAM)ポリシーで統制でき、すべてのモデル呼び出し(invocation)はAWS CloudTrailで監査できます。また、AWS PrivateLinkによるVPCエンドポイント(Virtual private cloud endpoints)を使用すると、トラフィックをネットワーク境界内に留める助けになります。

推論は、ゼロオペレーターアクセス(zero-operator access)のハードウェア分離されたインフラ上で実行されます。そのため、推論中はAWSのオペレーターでさえ、プロンプトや応答(completions)にアクセスできません。

推論データはモデルの訓練に使われません。GPT-6 SolとGPT-6 Lunaを使うために、OpenAIとのデータ共有へのオプトインは必要ありません。

利用開始の方法と不正利用検出

GPT-6 SolとGPT-6 Lunaは、Amazon Bedrockコンソール、または対応するAmazon Bedrock APIからプログラムで使い始めることができます。対応するAWSリージョン、エンドポイント、API、機能、推論プロファイル、料金については、Amazon Bedrockのドキュメントで確認できます。

自動化された不正利用検出のため、分類器(classifier)にフラグ付けされたトラフィックはAWSが最大30日間保持し、プログラムで処理します。ゼロデータ保持(zero data retention)は、AWSアカウントチームを通じてリクエストできます。