OpenAI GPT-5.6 リリース: パフォーマンス・ベンチマークと開発者向けガイドライン

OpenAIは、フロンティアモデルの新しいイテレーションであるGPT-5.6をリリースしました。このリリースには、異なるパフォーマンスと効率のティア向けに設計されたSol、Terra、Lunaという複数のモデルバリアントが含まれています。GPT-5.6 Solは、ARC-AGI-3ベンチマークにおいて7.8%という新たなSOTA（State-of-the-Art）スコアを記録し、ARC-AGI-3ゲームを正常に攻略した最初の検証済みフロンティアモデルとなりました。

GPT-5.6 開発者向けガイドライン

GPT-5.6では、プロンプトへの応答方法や画像処理の方法に変更が導入されています。公式の開発者ガイドによると、パフォーマンスを最大化するためにユーザーは以下の戦略を採用すべきです。

• 短いプロンプトを使用する: 内部評価によると、長く明示的なシステムプロンプトを最小限のプロンプトに置き換えることで、スコアが約10–15%向上し、総トークン使用量が41–66%削減され、コストが33–67%削減されることが示されています。
• 意図の理解を洗練させる: GPT-5.6は、すべてのステップを明示的に指定しなくても、ユーザーの潜在的な目標や意図された作業レベルを推論する能力が向上しています。しかし、開発者は依然として、重要な制約、成功基準、および承認の境界を明示的に述べるべきです。
• 画像の詳細度を最適化する: モデルは現在、「original」または「auto」の詳細設定で送信された画像の元の寸法を保持するようになり、ピクセル寸法の制限やパッチ予算に合わせてリサイズされることはありません。
• 一般的な簡潔さの指示を避ける: GPT-5.6は、GPT-5.5と比較して、「Be concise」や「Keep it short」といった指示に対してより敏感になっています。
• 温かさを制御する: モデルに対して、より広範にフレンドリーであることや共感的であることを促すプロンプトは、意味のあるパフォーマンスの向上をもたらしません。

モデルのパフォーマンスとベンチマーク

GPT-5.6 Solは、今回のリリースにおける高性能フロンティアモデルとして位置付けられています。GeneBenchやLifeSciBenchの比較において、Fableのような競合他社に対して大幅なリードを示していますが、一部のユーザーからは、Fableがそれらの評価において質問の大部分を拒否したために、特定の比較から除外されたとの指摘もあります。

実用的なコーディングテストにおいて、初期のユーザーフィードバックは様々です。トイRTSゲームを作成するモデルの能力をテストしたある開発者は、GPT-5.6 TerraがGPT-5.5と同程度のパフォーマンスであり、Sonnet 5よりはわずかに劣っていると報告しています。

コミュニティの議論とモデルの選択

ユーザーは、Sol、Terra、Lunaモデルの命名規則に関して混乱を表現しています。特定のユースケース、価格、および効率に基づいて、各バリアントをいつ使用すべきかについての、より明確なガイドが求められています。

一部のコミュニティメンバーは、OpenAIのトークン効率へのアプローチをAnthropicと比較し、「token-max」アプローチよりも、コストとトークン使用量の削減に焦点を当てたOpenAIのアプローチを好む傾向を示しています。また、ベンチマーク結果がいかにチェリーピッキングされているか、特に5.6 SolがFableに対して優れている点について懐疑的な意見も出ています。