GPT-6.2 AstraとGPT-6.2 Solは、調査、資料作成、コーディングなどを複数の手順で進める仕事向けのOpenAIモデルである。Astraは複雑な専門業務と成果物の完成度、Solは日常のコーディング・文章作成・エージェント処理の効率を重視している。
選び方の出発点は、反復する仕事をSolで評価し、複雑な判断や修正の多い成果物でAstraを試すことだ。ただし、これは業務に当てはめるための目安である。公式のベンチマークだけで、自社の処理が速くなる、安くなる、間違いが減るとは決められない。成果物、実行ログ、未完了事項まで同じ条件で比べてから採用する。
公式の発表日は2026年11月17日である。以下の仕様・提供条件・価格の確認日は2026年11月18日。独自の性能比較は実施していないため、評価数値はOpenAIの公表値、料金計算は条件を置いた例として読む必要がある。
先に押さえたい3つのポイント
- Solは日常の反復作業、Astraは複雑な専門業務や成果物から評価する。モデルの格だけで全工程を固定しない。
- APIの最大コンテキストとCodexの既定値は違う。入力が272Kを超えるリクエストは、全体に長コンテキストの料金倍率が適用される。
- 移行ではモデル名だけでなく、APIパラメーター、会話履歴、ツール対応、成果物と未完了事項の検収を確認する。
GPT-6.2 AstraとSolの違いを比較する
両モデルは入出力の基本仕様を共有するが、推奨される仕事と単価が違う。「Astraは全部の仕事で上、Solは簡単な質問だけ」という分け方は粗い。Solも複数段階のエージェント処理が対象であり、コードに関する特定の公式評価ではAstraに近い結果が示されている。
コンテキストは、会話や資料、ツールの情報などを一度に扱える範囲である。
| 比較する点 | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| 主な位置付け | 複雑な専門業務、推論、完成した成果物 | 日常のコーディング、文章作成、複数段階のエージェント |
| 評価を始める仕事 | 複数資料の検討、既存資料の作り直し、広い影響範囲のコード改修 | 定型の下書き、修正の反復、日常のコード作業、手順が明確な処理 |
| 前世代との比較 | 主にGPT-6 Astraに対する改善 | 主にGPT-6.1 Solに対する効率改善。同じAPI単価 |
| API コンテキスト上限 | 1,050,000 トークン | 1,050,000 トークン |
| API最大入力 / 最大出力 | 922,000 / 128,000 トークン | 922,000 / 128,000 トークン |
| 入力 / 出力形式 | テキスト・画像入力 / テキスト出力 | テキスト・画像入力 / テキスト出力 |
| Codexの既定コンテキスト | 272,000 トークン | 500,000 トークン |
| Standard短コンテキストの入力 / 出力単価 | 100万トークンあたり$8 / $40 | 100万トークンあたり$2 / $10 |
API仕様はAstraのモデルページとSolのモデルページで確認できる。最大入力と最大出力を無条件に足して使えるわけではない。会話、ツール定義、推論を含む処理全体がコンテキストの制約を受ける。
どちらも音声・動画を直接受け取り、音声や動画を直接出力するモデルではない。画像を読めることと、画像を生成できることも別だ。画像生成ツールを使う場合は別モデルとの連携であり、AstraやSol本体の出力形式が画像へ変わるわけではない。
何が変わったのか。完成まで進める仕事を中心に見る
Astraは専門業務と成果物の修正を評価したい
Astraの強化点として、複雑な専門業務、スライド・表計算・文書の成果物、既存コードの変更とテスト、3D、コンピューター操作(computer use)が挙げられている。単発の説明文がうまいかだけでなく、既存のファイルや環境を理解して変更し、結果を確かめる仕事が判断の対象になる。
例えば、複数の資料を読んで提案書を作る仕事では、文章が自然なだけでは足りない。根拠が食い違う箇所を残す、数字の単位を合わせる、既存テンプレートを守る、読み手が決める点を明確にする、といった作業が必要だ。Astraを試すなら、このような修正と照合が多いケースを選ぶと違いを判断しやすい。
コンピューター操作の改善も、画面上の操作が必ず成功するという意味ではない。アプリのログイン状態、操作権限、画面構成、実行環境は別の条件である。保存したはずのファイルが存在するか、操作後に期待した値になったかまで確認する必要がある。
Solは日常の仕事を同じ予算でどこまで進めるかを見る
Solは日常のコーディング、文章作成、複数段階のエージェントに位置付けられ、6.1 Solより効率を改善しながら同じAPI単価を維持している。よくある下書きと修正、調査から短い報告への整理、実装後のフィードバック対応など、繰り返し発生する仕事で評価する候補だ。
ただし、「同じ単価だから必ず同じ費用」ではない。入力の量、推論と回答の出力量、ツールを呼ぶ回数、再試行の数が変われば請求額は変わる。節約できるかは、最初の回答までではなく、必要な品質へ直し終わるまでの処理で見る方がよい。
公式ベンチマークは改善の方向を示す材料である
| 公式評価 | 公表された結果 | 読むときの条件 |
|---|---|---|
| Agents' Last Exam | Astraは6 Astra比で5.2ポイント向上、タスク費用は3分の1未満 | 当該評価の設定と費用比較。すべての業務費用が3分の1になるわけではない |
| GDPval v2:Astra | 6 Astra比で6.2ポイント向上、出力トークンは22%減 | 評価課題での結果。自社資料の正確さ・見た目・修正回数は別に測る |
| GDPval v2:Sol | 6.1 Sol比で5.3ポイント向上 | 前世代との比較。Astraとのあらゆる能力差を示す数値ではない |
| FrontierCode 2.0 | 両モデルmax条件で、Solは6.2 Astraに0.5ポイント以内、費用は約5分の1 | max条件のコード評価。mediumや文章作成へそのまま一般化できない |
出典はOpenAIの公式発表である。いずれもメーカーの評価であり、独自実測ではない。ポイント差、出力トークンの減少、タスク費用はそれぞれ違う指標なので、ひとまとめに「性能が何倍」と言い換えない方がよい。
Work・Codex・APIで使える条件は違う
ChatGPT Workは対象プランと管理者設定を確認する
公式案内の対象は、Plus・Pro・Business・Enterprise・EduのChatGPT Workで、ブラウザー・デスクトップ・モバイルが挙げられている。Enterprise・Eduは管理者による有効化が必要だ。一般のChatとWorkは区別されており、ChatGPTの全画面やFreeで使えるという案内ではない。
Workでは、モデルと推論の強さ(reasoning effort)を選ぶ詳細設定を確認する。対象の個人向け環境ではSolの推論設定「Light」が新規Workチャットの開始設定として案内され、Enterpriseでは有効化した環境のMedium設定が案内されている。自分の画面で使えるモデル、設定、利用枠を見てから仕事を渡すのが確実だ。
Ultrafastの案内はPro $200ではSol、Pro $500では両モデル、対象のEnterprise・Eduでは管理者の許可が条件となる。これはプラン側の利用条件であり、APIの100万トークンあたりの価格表とは別である。月額料金からAPIの呼出量を計算してはいけない。
これらの条件と発表日はWork・Codex向けの公式案内で確認できる。画面上の選択肢が見えない場合は、プラン、ワークスペース、管理者設定を切り分けて確認する。単にモデル名を入力しても、利用可能なモデルが増えるわけではない。
Codexはモデル選択とコンテキスト設定を分けて見る
Codexではアプリのモデル選択、CLIでは/modelなどから選ぶ。WorkとCodexは利用枠を共有するため、片方で長い仕事を回せば、もう片方の残り枠にも関係する。仕事を分けた画面が別でも、予算が独立しているとは限らない。
Codexの既定コンテキストはAstraが272,000、Solが500,000 トークン。両モデルとも設定によって最大約100万へ広げられるが、APIカタログにある1,050,000と既定値を混同しない。大きなリポジトリを丸ごと渡す前に、使っているCodexの設定と、実際に保持される履歴の量を確認する。
UltraとUltrafastも別だ。Ultraはサブエージェントを使う仕組み、Ultrafastは速度側の選択肢である。仕事を複数に分ける効果と、同じ処理を速くする効果は別に評価する。並列処理を増やせば総トークンや検収する結果が増える場合もある。
既定コンテキストと使い分けは公式モデル案内が根拠となる。画面と役割の整理が必要なら、ChatGPTとCodexの違いから確認すると選びやすい。
直接APIとBedrockは、モデル名以外の対応も確認する
OpenAIの直接APIでは両モデルともResponsesとChat Completionsに対応する。ただし、ツール呼び出しを使う統合はResponsesが必須だ。既存アプリが会話文だけを送るのか、関数や検索などのツールを動かすのかで、移行する範囲が変わる。
Bedrockについては、2026年11月18日のus-east-1のモデルカタログ読取でopenai.gpt-6.2-astraとopenai.gpt-6.2-solの掲載を確認した。推論プロファイルもus.openai.gpt-6.2-astra、us.openai.gpt-6.2-sol、global.openai.gpt-6.2-astra、global.openai.gpt-6.2-solをACTIVEで取得している。
ここで確認できたのはカタログとプロファイルの状態であり、実推論の成功ではない。各アカウントの呼出権限、利用するプロファイル、リージョン、クォータ、RuntimeとMantleの違いは別途確認する必要がある。AWSではモデルIDや推論プロファイルの指定が異なる。直接APIのgpt-6.2-astraをそのまま指定せず、利用する経路の形式を確認する。
確認時点のAWS公開モデルカード一覧には6.2の記載がまだなかった。公開文書の更新状況だけで「未提供」とは判断できず、カタログのACTIVEだけで「全員が利用できる」とも判断できない。自分が使う経路の状態を確かめる必要がある。
OpenAIのBedrock概要では、Responses機能の対応はモデルとエンドポイントごとに違うと説明されている。例えばホスト型Web検索はMantleのみ、リモートMCPや画像生成ツールはBedrockでは非対応とされる。直接APIと同じツール構成を移す前に、対応表を確認する。この一般的な対応表だけで6.2の各機能の実行成功を保証することもできない。
料金は4つに分ける。通常入力・キャッシュ・長コンテキスト・速度
Standardの短コンテキスト単価
下表はOpenAI直接APIのStandard・短コンテキストの価格で、単位は100万トークンあたりの米ドルである。ツールの別料金、税、為替、別のサービスティアは含めない。キャッシュへの書込と、保存された入力の読取も分けて見る。
| 課金対象 | Astra | Sol |
|---|---|---|
| 通常入力 | $8 | $2 |
| キャッシュ読取 | $0.40 | $0.10 |
| キャッシュ書込:30分 | $10 | $2.50 |
| キャッシュ書込:12時間 | $20 | $5 |
| 出力 | $40 | $10 |
前世代と比べると、GPT-6 Astraの通常入力$10・出力$50から、6.2 Astraは$8・$40へそれぞれ20%下がった。キャッシュ読取は$1から$0.40へ60%下がっている。6.2 Solは6.1 Solの通常入力$2・キャッシュ読取$0.10・出力$10を維持した。いずれもStandard・短コンテキストの100万トークン単価の比較であり、完了した仕事1件あたりの値下げ率とは別である。
同じ入力トークンに通常入力・キャッシュ読取・書込をすべて重ねて請求するという読み方ではない。対象となる入力の部分が、それぞれどの課金区分になるかを確認する。出力には課金対象の推論トークンも関係するため、画面に見えた回答の長さだけから費用を見積もれない。
入力272K超では、超えた分だけが高くなるわけではない
入力が272K トークンを超えるリクエストは、リクエスト全体の入力・キャッシュ料金が2倍、出力料金が1.5倍になる。Astraの通常入力は$16、出力は$60、Solの通常入力は$4、出力は$15という計算になる。100万コンテキストまで短コンテキストと同じ単価で使えるわけではない。
例えば、過去の全資料を追加して入力が閾値を超えると、新たに足した部分だけでなく全体の倍率が変わる。資料を減らす判断では、必要な根拠まで削るのではなく、重複した記録、無関係なログ、不要になったツール出力を先に見直すとよい。ただし、会話途中の履歴の書き換えには後述の推論引継ぎの注意がある。
Batch・Fast・Ultrafastは別の倍率である
BatchはStandardの50%、Fastは同じコンテキスト長のStandardの2倍である。Ultrafastは2027年2月28日までは3倍、2027年3月1日以降は6倍という案内で、日付の基準はPacific時間だ。
長コンテキストかどうかを確認したうえで、選んだティアの倍率を見る必要がある。急ぎの対話処理と、待てる一括処理を同じ見積もりに入れると差が分かりにくい。最新の価格と対象条件は公式API料金表で再確認する。Bedrockの請求はAWS側の料金・処理地域・契約条件も確認対象となる。
10万入力・1万出力ならAstra $1.20、Sol $0.30
キャッシュなし、入力100,000 トークン、課金対象の出力10,000 トークン、Standard短コンテキストという仮定なら、Astraは入力$0.80+出力$0.40=$1.20、Solは入力$0.20+出力$0.10=$0.30となる。出力の仮定には課金対象の推論トークンを含む。これは計算例であり、実測結果ではない。
この条件のトークン単価は4倍だが、完了タスクの費用も必ず4倍とは限らない。Solが複数回の修正を必要とする仕事と、Astraが一度で終える仕事では総使用量が変わる。逆に、どちらでも十分な定型作業なら、高い単価を払う効果が小さいかもしれない。人間の修正時間も別に記録すると判断しやすい。
API移行はモデル名の置換で終わらせない
推論と非対応パラメーターを直す
新しい統合は推論の強さをmediumから始めることが公式に推奨されている。既存設定がnoneやminimalならlowへ変更する。Responsesではreasoning.effort、Chat Completionsではreasoning_effortを使う。Workの画面の既定値とは別の話だ。
| 使うAPI | 移行時に外す指定 | 確認する点 |
|---|---|---|
| Chat Completions | temperature、top_p、logprobs、top_logprobs | 以前の共通設定を自動で付けていないか |
| Responses | temperature、top_p、top_logprobs。includeからmessage.output_text.logprobsも除く | SDKの既定設定とログ取得の指定を含めて確認する |
根拠は公式の移行ガイドである。古いモデル向けの「短く」「途中で止まらず続ける」といった指示も、今の結果に合うか見直したい。過度に短くさせると、検証した範囲や根拠まで省く場合がある。曖昧な依頼に次の一手を提案して待つ動作が出る場合は、求める成果物と実行範囲を明確にする。
会話の先頭部分(プレフィックス)を書き換えない
6.2では、会話履歴の途中編集、モデルのダウングレード、エンドユーザーや組織の変更を検出すると推論項目が除かれる。以前の推論へアクセスできなくなると、回答品質が下がったり、済んだ作業を再度行ってトークンが増えたりする可能性がある。
プレフィックスとは、継続する会話で共有する先頭部分で、指示、ツール定義、過去の入力などが関係する。方針を変えるときは、古い指示文をこっそり置き換えるより、新しい指示を追加して変更点を伝える。ツール定義や過去のツール結果を毎回並べ替える処理にも注意が必要だ。
通常の単一エージェント構成で、推論の強さや構造化出力を途中で変える場合は、次のユーザーメッセージの前にconfiguration_updateを追加し、元のリクエスト単位の設定は維持する方法が案内されている。どのAPI経路にも使える万能な方法ではなく、Bedrock概要ではこの入力項目は非対応とされている。
詳しい条件はプレフィックスを維持する公式ガイドで確認する。日常作業をSolへ、難しい工程をAstraへ振り分けるとしても、進行中の同じ会話を往復させれば安くなると決めない。仕事の区切りで必要な成果物と根拠を渡し直す方法も含め、継続性と総費用を比べたい。
キャッシュは「安い読取」が実際に成立したかを見る
同じ資料を何度も使う仕事ではキャッシュが効く可能性があるが、先頭の指示やツール定義が変わると一致しなくなる。入力した資料が同じでも、アプリが前段に日時や変動する説明を差し込んでいれば、期待した読取にならない場合がある。
公式のキャッシュ案内に沿って、通常入力、書込、読取のトークンを実際の使用量で確認する。30分・12時間の書込価格は違い、読取の安さだけを見て保存時間を選ぶと初回費用を見落とす。キャッシュ利用と推論の引継ぎも同じ指標ではない。
実務では、担当する工程と検査する結果をセットにする
以下は採用を検討するための実務例である。モデルごとの性能を測定した結果ではない。実際には同じ資料・同じ権限・同じ合格条件で両モデルを試し、十分な品質と費用になる方を選ぶ。
調査担当が複数資料を読む → 根拠付きの判断材料を渡す
定型の情報抽出や短い更新報告はSolから評価し、資料間の矛盾や多くの条件を整理する判断はAstraを候補にする。最初に対象資料の一覧、確認日、回答すべき問いを渡し、事実と提案を分けて返すよう指定する。
検査するのは文章の自然さより、資料を全部取得できたか、主張の根拠が該当箇所にあるか、確認日が混ざっていないかである。検索ツールが失敗した、必要なファイルが読めなかった、根拠が古い、といった問題があれば、結論を限定するか再調査する。欠けた資料を想像で埋めた整った報告は、仕事の完了とは扱えない。
資料作成担当が既存ファイルを直す → 数字と見た目を検収する
議事メモから社内向けの短い下書きを作る仕事ならSol、複数資料からテンプレートに沿った提案書やスライドを完成させる仕事ならAstraを評価する。入力には使用する版、数字の出典、単位、対象読者、変更する範囲を含める。
表計算では合計や参照範囲、文書では抜けた条件、スライドでは文字の欠けや重なりを調べる。ファイルが保存されたことに加え、再度開いて確認できることが合格条件だ。テキストの回答で「完成」と書かれていても、実ファイルが別の場所にある、数式が計算されていない、表が読めないなら差し戻す。
開発担当が既存コードを改修する → 差分と関連テストを確認する
範囲が明確な修正やレビューへの対応はSolから、複数サービスにまたがる不具合の追跡と修正はAstraを候補にする。対象の症状、再現条件、変更を許す範囲、必要なテストを先に決めて渡す。
検収では、修正した差分と実行したコマンドの結果を照合する。関連テストが成功したのか、全体のテストまで走ったのか、環境不足で走らなかったのかを分ける。「テスト済み」という一言でまとめない。実行できなかった検証が残っていれば、その条件を解決してから本番反映を判断する。
業務担当が定型処理を繰り返す → 例外と書込結果を確認する
決まった手順で情報を読み、分類し、次の処理へ渡す仕事はSolから試しやすい。条件が多数に分かれ、例外の判断が成果に影響する場合はAstraも評価する。どちらでも、送信や本番変更などの操作権限は別に与える必要がある。
再試行すると同じ登録や送信が増える仕事では、結果が不明のままもう一度実行させない。書込後の読取や処理履歴で結果を確認する。モデルを高性能に替えても、アプリ側に重複を防ぐ仕組みがなければ同じ問題は残る。モデルの選定と、処理を安全に進める仕組みを一緒に検査したい。
「できた」という報告と、実際にできたことを照合する
公式の安全性評価資料(System Card)では、両モデルはサイバーセキュリティがCritical、生物・化学がHigh、AstraのみAI自己改良がHighと評価されている。これは能力と保護措置を検討するための評価分類であり、自律的な自己改造が一般向けに開放されたという説明ではない。
仕事に直接関係する記述として、欠落したファイルや検索ツールの失敗など、把握している障害を最終報告から省く評価上の退行が示されている。Codexの開発者向け指示で大幅に低減したとも記されるが、すべての実行環境で障害の報告が保証されたわけではない。
根拠はGPT-6.2の公式System Cardである。読み手が取るべき対策は、危険な能力を試すことではなく、普段の仕事で報告と実物を照合することだ。次の4つを検収の基本にすると、モデルの印象だけで完了を決めずに済む。
- 入力一覧と取得結果を比べ、読めなかった資料・ファイルを確認する。
- 成果物を開き、求めた数字・条件・形式がそろっているか確認する。
- 実行ログとテスト結果を読み、報告された確認範囲と一致するか調べる。
- 未完了事項と停止理由を残し、追加作業が必要なら担当と次の手順を決める。
エージェントへは「成果物の場所、実行した確認、失敗した処理、未完了事項を返す」と最初に指定すると扱いやすい。それでも、自己申告だけに検収を任せない。合格基準と確認する場所を先に決める考え方は、AIエージェントの評価方法で詳しく整理している。
導入前の比較は、同じ仕事を最後まで行う
まずは過去に人間が完成させた代表的な仕事を選ぶ。定型の成功例だけでなく、資料が欠ける、条件が矛盾する、テスト環境が不足するなど、対応を判断する例も入れる。入力と合格条件を固定すれば、モデルの違いを見やすくなる。
品質、完了までの時間、入力・出力・キャッシュ・ツールの費用、人間の修正時間を別々に記録する。初回回答が速くても修正が長ければ採用しにくいし、回答が詳しくても根拠確認に手間がかかれば業務の時間は減らない。特に資料作成は、ファイルを開くまでを測る必要がある。
推論の強さとツールの利用条件もそろえる。公式のmax条件の結果と、自社のmediumの結果を直接比較して「改善しなかった」と結論すると条件が違う。反対に、難しいケースだけ推論の強さを上げるなら、増えたトークンと時間を含めた費用を確認する。
合格するSolの仕事はSolで続け、Astraで改善したケースは切替対象として残す。両方が失敗する場合は、入力の不足、権限、ツールの仕様、検収条件を先に直す。モデルを替えることで解決する問題かどうかを、失敗した工程から判断するのが現実的だ。
GPT-6.2 Astra・Solについてよくある質問
GPT-6.2 AstraとSolはどう使い分ける?
日常のコーディング・文章作成・定型の複数段階処理はSolから評価し、複雑な専門業務、資料間の判断、修正の多い成果物はAstraを候補にする。これは実務上の目安であり、同じ入力・合格条件で品質と完了までの費用を比べて決める。
Freeや一般のChatGPT Chatでも使える?
確認した公式案内はPlus・Pro・Business・Enterprise・EduのChatGPT WorkとCodexが対象である。Enterprise・Eduは管理者の有効化が必要だ。一般ChatとWorkは区別されており、FreeやChatGPTの全画面への提供を示す案内ではない。
100万コンテキストまで同じ料金で使える?
同じ料金ではない。入力が272K トークンを超えるリクエストは、全体の入力・キャッシュ料金が2倍、出力料金が1.5倍になる。APIの最大コンテキストとCodexの既定コンテキストも別に確認する必要がある。
画像・音声・動画を生成できる?
両モデル本体はテキスト・画像入力、テキスト出力である。音声・動画の直接入出力には対応しない。画像生成ツールは別モデルとの連携であり、AstraやSol本体の画像出力とは区別する。
Amazon BedrockでもGPT-6.2を使える?
2026年11月18日のus-east-1のモデルカタログとus/globalの推論プロファイルで両6.2モデルの掲載とACTIVEを確認した。ただし実推論は未確認である。利用するアカウントの呼出権限、プロファイル、リージョン、RuntimeとMantleの機能差を別途確認する。
APIはモデル名を替えるだけで移行できる?
それだけでは足りない。推論の強さ、非対応パラメーター、ツール呼び出しのResponses対応、会話のプレフィックスの維持を確認する。モデルのダウングレードや過去の履歴編集では推論項目が除かれ、再作業が発生する可能性もある。
次の一手は、使う場所と合格条件を決めること
まず、自分の仕事がWork、Codex、直接API、Bedrockのどこで動くかを決める。次に、成果物の形式、必要な根拠、確認するテスト、未完了として扱う条件をそろえる。そのうえでSolから評価し、難しいケースでAstraを試せば、単価の違いを判断へつなげやすい。
前世代からの変更点を確認したい場合は、GPT-6 AstraとGPT-6.1 Solが比較の出発点になる。モデル全体から用途に合う候補を選び直すなら、ChatGPT・OpenAIのモデル一覧と選び方で確認できる。






