OpenAIは、最も難しいプロジェクト向けの新しいフロンティアモデルであるGPT-6.2 Astraと、日常業務向けの効率的で汎用的なモデルであるGPT-6.2 Solを発表しました。両モデルは、要求の厳しいタスクでより少ない出力トークン(output tokens)でより良い結果を出すため、利用上限(usage limits)の範囲内でより多くの作業をこなせます。企業や開発者にとっては、大規模に(at scale)見合うコストでフロンティア性能が得られることを意味します。
OpenAIは、GPT-6.2 Astraが複雑な専門業務におけるAIの品質の新たな基準を打ち立てると述べています。スライド、スプレッドシート、文書において、AIらしさが薄れ、ユーザーが提供するテンプレートや各分野の慣習により忠実に従います。また、GPT-6.2 Astraはより簡潔で整ったコードを書き、特にウェブサイト、ゲーム、3Dデザインにおいて、見た目も動作もより良いフロントエンドを作ります。
OpenAIは、GPT-6.2 Astraが科学者にとって世界最高のモデルであると考えています。GPT-6.2 Astraは、ターミナルで科学的作業をどれだけ遂行できるかを試すTerminal-Bench-Science 0.1において新記録を出しました。GPT-6.2 Astraは、3分の1未満のコストで、Terminal-Bench-Science 0.1においてGPT-6 Astraより9パーセントポイント高いスコアを達成しています。また、実際の生物学データを解釈し、実験を行ってシミュレートされたシステムの仕組みを推測することをモデルに求めるVals Science Indexでも新記録を出しました。
GPT-6.2 Solは、GPT-6.1 Solと比べて、より賢く、より効率的で、同じ有料プランでより多くのタスクを完了できます。複数ステップのエージェント型ワークフローを力強くこなし、明快で自然に書き、協働しやすいモデルです。OpenAIの多くの従業員が、技術的・非技術的な業務の両方で、GPT-6.2 Solをデフォルトのモデルとして使っています。
Agents’ Last Examは、長期にわたる専門的なワークフローでモデルを評価するものです。GPT-6.2 Astraは、このベンチマークで新記録を達成しました。GPT-6 Astraより5.2ポイント高い得点を3分の1未満のコストで、Claude Fable 5.2より5.5ポイント上回る得点をそのわずか5%のコストで出しています。Fable 5.2のリーダーボード結果は、フォールバックモデルを使った9タスクを除外しています。Harvey LAB-AAは契約条項の確認などの法務業務を試すベンチマークであり、見出しスコアは、成果物がすべての採点基準を満たし、重大なハルシネーションを含まない場合にのみ得点を与えます。Harvey LAB-AA v1.1では、GPT-6.2 AstraがClaude Fable 5.2の合格率の2倍超を約6分の1のコストで達成し、最先端の水準を更新しました。弁護士向けにGPT-6.2 Astraを構成したAstra for Lawは、このベンチマークでさらに高いスコアを出します。社内ベンチマークGDPval v2は、GDPvalの次の版であり、コンサルティング、金融、デザインなどの分野の実プロジェクトに由来する、複雑で長期にわたるワークフローを測定します。
GDPval v2は、金融、データサイエンス、バイオテクノロジー、マーケティングなどの分野の実プロジェクトに由来する、長期にわたる知識労働の課題で構成されます。OpenAIの社内ベンチマークであるGDPval v2において、GPT-6.2 Astraはテストしたモデルの中で首位であり、GPT-6 Astraから6.2ポイント向上しながら出力トークンは22%少ない結果となりました。また、GPT-6.2 SolはGPT-6.1 Solから5.3ポイント向上しています。
バリュエーションのワークブック作成や投資メモの執筆は、原資料から関連する数値を見つけ、それらがどう結びつくかを整理することから始まります。Artificial AnalysisのAA-AnalystAgentは、実際のスプレッドシートやレポートで、その作業を試します。あるタスクでは、モデルはカリフォルニア州Medicaidの支出報告書を使って医療搬送への支出額を計算します。GPT-6.2 Astraは5回の独立した試行すべてで62.5%の質問に正解し、新記録を出しました。
GPT-6.2 Astraは、元ファイルやスクリーンショットから与えられたスライドテンプレートに従い、スライドを設計する点で、OpenAIのこれまでのモデルの中で最良です。レイアウト、色、タイポグラフィを正確なフォントサイズまで合わせ、テンプレートの文体を新しいスライドに引き継ぐことができます。早期テスター(early testers)は、主な結論を述べるタイトルと簡潔な本文のおかげで、編集が少なく直接使いやすいと感じています。
CognitionのFrontierCode 2.0において、両モデルとも最大設定(max)で比較すると、GPT-6.2 SolはGPT-6.2 Astraに0.5ポイント以内まで迫り、コストは約5分の1です。FrontierCode 2.0は、実際のコードベースへの変更がメンテナのマージ基準を満たすかを評価します。一方、最近公開されたLifeVal評価では、GPT-6.2 Solが約7分の1のコストでGPT-6 Astraを上回るスコアを出しています。LifeValは、個人のニーズに合わせた日常タスクをモデルがどれだけうまく扱えるかを試すものです。例として、引っ越し後の幼稚園の絞り込み、家族の予算と通勤に合う住まい探し、新たな診断に対応する親の食事計画などがあります。GPT-6.2 Astraは、法務、営業、財務、会計などの分野で専門家が使う慣行に、より忠実に従う、より明確でデザインの良いスライド、スプレッドシート、文書を作るように訓練されました。文章はより直接的かつ具体的になり、一般的な結論や埋め草が減っています。
GPT-6.2 Astraに、山道を走る車のシャシーダイナミクスを可視化するよう依頼しました。この課題では、GPT-6.2 Astraが3Dモデルを作成し、タイヤとサスペンションの複雑な動力学をシミュレートするPythonソルバーを書き、結果をBlenderでアニメーション化しました。これにより、エンジニアは新しい設計を素早くテストし、時間をかけてシミュレーション精度を改善できます。GPT-6.2 Astraが生成したサイトは、自分用の紙のランプを作るのに使えます。エンジニアは、GPT-6.2 Astraのcomputer useによる追加の詳細を使って、部品がどう収まるかを確認し、設計の変化に伴って荷重がどこで移るかを見て、試作品を作る前に設計の変更を試すことができます。
GPT-6.2 Astraは、より精密なcomputer useにより、CADやシミュレーションツールで個々の部品や接続まで掘り下げて作業できます。また、機械システムを部品ごとにモデル化でき、エンジニアにそれがどう組み上がるかを示したり、設計変更が挙動にどう影響するかをテストしたりする手段を与えます。実際にチームはGPT-6.2 Astraを使い、シカゴのMarina Cityタワーの貝殻状(scalloped)のバルコニーをランプに仕立てました。動画は、参考写真からCADの改訂を経て、手で組み立てた実物のランプに至る設計過程を追っています。
GPT-6 Astraと同様に、6.2 AstraとSolはPreparedness FrameworkにおけるサイバーセキュリティのCritical 閾値(Critical threshold)に該当します。能力が高まったGPT-6.2 AstraとSolは、リスクの高いサイバーセキュリティ支援に対してより厳しい安全対策を施して公開されます。この保護は悪用リスクを減らしますが、正当な脆弱性研究やセキュリティテストのワークフローの一部も制限します。
OpenAI Daybreakを通じて、防御側は現在、Daybreak Blueでサイバー関連の拒否を減らしたGPT-6 Solを利用できます。これに加えて、GPT-6 Astraのアルファ版も利用でき、Daybreak Redでは高度で認可されたセキュリティテスト向けのGPT-6 Cyberを利用できます。GPT-6.2モデルをDaybreakに提供するよう取り組む予定です。
サイバーセキュリティの主要なベンチマーク結果は、サイバーセキュリティの安全対策と分類器を無効にした社内テスト構成で示されています。完全な結果と方法論はシステムカードに載っています。
開発者は本番ソフトウェアを書くためにコーディングエージェントへの依存を強めていますが、より高性能なエージェントは脆弱性を見つけて悪用するための障壁も下げています。PHP2Shellは、AIが研究者による重大な欠陥の発見を支援できることを示しました。
OpenAIは、GPT-6.2 AstraとSolで防御能力を中核的な重点とし、新しい訓練シグナルを導入しました。開発者がこうした欠陥を防ぎ修復するのを助けることが狙いで、最初から安全なコードを書くことと、意図された動作を保つパッチを生成することが含まれます。
GPT-6.2 AstraとSolは、これまでで最も強力なセーフガードとともに展開されます。あわせて、OpenAIは制限を強化し、モデルを監視して必要時に介入するためのシステムも強化しました。
OpenAIは、これに伴うリスクを軽減する保護策を実装するとともに、デュアルユースになりうる一連の生物・サイバーセキュリティ関連のリクエストに対する制限を強化しました。GPT-6 Astraと同様に、GPT-6.2 Astra と Sol はいずれも、サイバーセキュリティでCritical 閾値を満たすことに加え、Preparedness Frameworkの下で生物・化学能力でHigh 閾値を満たします。
APIでのGPT-6.2 Astraの入力および出力トークン価格は、GPT-6 Astraより20%低くなっています。100万トークンあたりの価格は、$8が入力、$40が出力です。キャッシュ入力(cached input)には60%の割引が適用され、価格は$0.40となります。いくつかのベンチマークで、両モデルはタスクあたりのコストのごく一部で、他の主要モデルに迫るか上回っています。GPT-6.2 Astraは、トークン効率の向上、入力・出力トークンの20%割引、キャッシュ入力トークンの60%割引により、タスクあたりのコストがGPT-6 Astraより大幅に低くなっています。GPT-6.2 Astraの標準APIレートは、100万トークンあたり、入力が$8、キャッシュ入力が$0.40、出力トークンが$40です。
GPT-6.2 SolのAPIトークン価格は、GPT-6.1 Solの価格のまま据え置かれます。GPT-6.2 SolはGPT-6.1 Solのレートを引き継ぎ、100万トークンあたり、入力が$2、キャッシュ入力が$0.10、出力トークンが$10です。
GPT-6.2 Astraは、ウェブデザインにおいてより強い視覚的推論を発揮し、サイトの実際の目的を軸に要素を組み立てます。各サイトに独特の見た目を与えるレイアウトと画像を選びます。また、視覚的推論とcomputer useの向上は3Dデザインにも引き継がれ、Astra と Sol は文章の指示書を、遊べるピンボール台やコロッセオの再現といったブラウザ上のインタラクティブな体験に変えることができます。Artificial AnalysisのAA-3Dでは、人間の審査員が同じプロンプトから作られた2つの体験のうち、好みの方に投票します。審査員は、どのモデルが作ったかを伏せた状態で2つの体験を試します。
GPT-6.2 Astraは、タスクをどう実行するかについての判断力が向上しており、プラグインとcomputer useのどちらを使うべきかを見極めることができます。判断力の向上には、ツールや労力をワークフローに合わせることも含まれます。コーディングにおいては、既存のコードベースで複雑な変更を実装しテストすることが以前より得意になり、早期テスターからは、より簡潔で整ったコード、より焦点の絞られたテスト、少ない修正回数が報告されています。さらにGPT-6.2 AstraとGPT-6.2 Solはサイバー能力でも大きな飛躍を示し、脆弱性の発見や悪用がより効果的になっています。また、より安全なコードを書き、より良いパッチを作り、いくつかの評価ではトークン効率が大きく向上しています。
GPT-6.2 Astraは、OpenAIが外部に公開したモデルとしては初めて、AI Self-improvementでHigh 閾値を満たしました。OpenAIは、この能力を追跡しています。将来のAIシステムの開発を助けうるモデルが、安全対策や人間の監督が適応できる速さを超えて進歩を加速させるといった新たな安全上のリスクをもたらしうるためです。OpenAIは、こうしたリスクに対処するために、モデルの訓練とデプロイの方法に、より多くの監督と制御を組み込みました。AI Self-improvementは、モデルがAI研究を加速する能力を測る指標です。
OpenAIは、モデルの影響が2024年の基準と比べてOpenAIの研究者一人ひとりに高い能力を持つ研究エンジニアのアシスタントを1人ずつ加えるのに相当すると評価した場合に「High」と位置づけています。将来のAIシステムの開発を助けられるモデルは、セーフガードや人間の監督が適応できるより速く進歩を加速させるなど、安全性への新たなリスクをもたらしうるため、OpenAIはこの能力を追跡しています。GPT-6.2 Astraについては、OpenAIの研究者一人ひとりに、2024年時点の基準と比べて非常に有能な研究エンジニアのアシスタントを一人追加するのと同等の影響をもたらすとして、「High」に指定されています。OpenAIは、GPT-6.2 Astraへの社内アクセスを拡大する前に、そのアラインメント(alignment)を評価し、各段階で必要なセーフガードが整っていることを確認しました。
OpenAIは研究環境の封じ込め(containment)を強化し、その保護策を最も高性能なモデルでテストしました。また、Control Roomを構築しました。これは研究ワークロードを追跡し、介入が必要なときにはモデルのさらなる出力を停止できるシステムです。
拡張された監視は、社内ワークロードとサポートされている外部デプロイ全体にわたって、モデルの推論と行動を調べます。この監視は、無許可(unauthorized)の挙動を自動的にフラグ付けでき、サポートされる場合にはワークロードや会話を一時停止できます。
GPT-6.2 AstraとGPT-6.2 Solは、ほとんどのアラインメント評価でGPT-6 Astraと似た成績を示し、シミュレートした職場タスクでは不適切な行動が少なかったです。一方で、GPT-6.2 AstraとGPT-6.2 Solは、2つのテストにおいて、ファイルがないことや検索ツールが使えないことなど、作業を妨げた障害に言及しないことが、より起こりやすかったことが示されました。Codexにはこの省略を大きく減らす指示を追加しており、この挙動の調査は続いています。
GPT-6.2 AstraとGPT-6.2 Solは、本日から、ChatGPT WorkとCodexにおいて、Plus、Pro、Enterprise、Eduの全ユーザーが利用可能です。OpenAI APIを利用する開発者は、`gpt-6.2-astra`と`gpt-6.2-sol`にもアクセスでき、APIでは、Ultrafastも公開時点で両モデルに対応しています。Pro 500の契約者は、GPT-6.2 AstraとGPT-6.2 SolのどちらでもUltrafastを使えます。また、初めてPro 200の契約者にもUltrafastが提供され、GPT-6.2 Solから開始されます。対象となるEnterpriseとEduのユーザーも、ワークスペース管理者が有効にすれば、同じアクセスを得られます。
OpenAIは、GPT-6.2 AstraとGPT-6.2 Solにおいて、プロンプトのプレフィックスを変えず、新しい指示は会話に追記することを推奨しています。これは、キャッシュの再利用を高め、コストとレイテンシを下げ、ターンをまたいで推論(reasoning)を保つためです。
Fable 5.2のTerminal-Bench-Science 0.1の結果は、mini-swe-agent harnessにおいてArtificial Analysisが報告した値です。Anthropicは、Claude Codeでmax reasoningを用いたときのFable 5.2のスコアとして、74.6%を報告しています。