OpenAIは、GPT-6 SolとGPT-6 Lunaを、日常の専門業務でGPT-6ファミリーを利用するための、より手頃な選択肢として位置づけている。同社によれば、この2つのモデルは、コーディング、事実性、コンピューター操作、エージェントアライメントなどの分野で、GPT-6 Astraに用いられたものと同様の手法を適用している。これはあくまでOpenAIの製品に関する主張であり、独立した調査結果ではない。発表内容から、どちらのモデルもあらゆるタスクでAstraに匹敵すると立証されたわけではない。
SolとLunaの紹介、およびOpenAIの製品に関する主張と独立した調査結果との区別の後に配置。出典：OpenAI。
最も具体的な変更は価格だ。OpenAIによると、SolのAPI入力価格は100万トークンあたり2ドル、出力価格は同10ドルで、GPT-5.6 Solの4ドルと20ドルから下がった。Lunaは0.20ドルと1.20ドルから、0.10ドルと0.50ドルへ値下がりした。これらは表示上のAPI価格であり、アプリケーションのコストが保証されるわけではない。キャッシュ、再試行、ツール呼び出し、推論の使用量は、最終請求額を変化させる。OpenAIはまた、キャッシュされた入力読み取りに90%の割引を適用しており、新しいキャッシュ動作では、推論の努力量や利用可能なツールが変化してもコンテキストが維持されると説明している。
キャッシュ割引、コンテキストの維持、キャッシュダッシュボード、新規処理トークンの削減に関する説明の後に配置。出典：OpenAI。
このキャッシュに関する点は重要だ。エージェントや長時間に及ぶコーディングセッションでは、同じ指示やリポジトリのコンテキストが多数のターンにわたって再利用されるためである。OpenAIによれば、開発者はダッシュボードでキャッシュの使用状況を確認し、キャッシュが活用されなかった箇所を診断し、明示的なキャッシュブレークポイントプレフィックスを選択できる。同社はまた、GitHubの報告として、最近の改善により、OpenAIモデルへの数十億件のリクエスト全体で、新規処理を必要とするプロンプトトークンの割合が50%超減少したと述べている。このGitHubの説明は個別の運用報告であり、OpenAIのモデル品質に関する主張を独立して証明するものでも、すべてのアプリケーションで同じ節約を保証するものでもない。
読者が最も重視すべきなのは、見出しのスコアがより高いかどうかではなく、モデルが実際のワークフローを、その費用に見合うほど確実に完了できるかどうかだ。OpenAIはAutomationBenchを挙げており、GPT-6 Solはxhighの努力量で33.2%を記録し、タスクあたり0.27ドルだったとしている。Zapierが独立して運営するベンチマークページには同じスコアとコストが掲載されており、営業、マーケティング、運用、サポート、財務、人事にまたがる47種類のシミュレーションツールを対象とした、保持済みデータによるエンドツーエンドテストだと説明している。それによると、最終的な環境の状態は別の言語モデルに評価させるのではなく、固定された基準に照らして確認される。
ただし、この比較は一般的な評価ほど広範なものではない。AutomationBenchの厳格な指標では、評価対象のすべてのアサーションに合格する必要がある。ページには、実行間のばらつきが通常1%以内であることも記載されている。また、Claude Fable 5.1のOpus 5フォールバックを使用した結果は、フォールバックが約40%のタスクを処理したため、表示コストが過小評価されているとも指摘している。したがって読者は、このベンチマークを、特定の種類の複数アプリケーションにまたがるワークフローに関する証拠として扱い、職場での生産性や普遍的な優位性を証明するものとはみなすべきではない。
コーディング結果についても、同様に注意深く見る必要がある。OpenAIは、GPT-6 Solが最大努力量のDeepSWE v1.1で68.8%を記録し、最も高いClaude Fable 5の結果を1.1ポイント下回った一方、タスクあたりコストは約80%低かったとしている。GPT-6 Lunaは66.6%で、引用されたClaude構成よりタスクあたりコストが大幅に低いと報告している。これらの数値は、選択された努力量とベンチマークが報告するコストを比較したものであり、あらゆるリポジトリ、言語、エンジニアリングチームで同じ順位になると示すものではない。Cognitionが運営するFrontierCodeは、正しさ、テスト、スコープの抑制、スタイル、リポジトリ規約への準拠という独自のマージ可能性基準を独立して説明し、解答を含むインターネット利用を検知するとゼロ点にすると述べている。9月22日の変更ログにはGPT-6 SolとLunaの追加が記録されており、これらのモデルがそのベンチマークの生態系に加わったことを裏付けている。ただし、提供されたFrontierCodeの文章には、OpenAIのコーディング比較を独立して再現するために必要な、Sol対Lunaの完全なリーダーボード数値は記載されていない。
OpenAIはまた、事実性の信頼性とコンピューター操作の向上を報告しているが、同社独自の事実性テストでは、ユーザーがすでに誤りを指摘した会話を使用していると明示的に警告している。それらの会話は通常の使用を代表するものではなく、同社によれば通常の使用では誤りはより少ない。OSWorld 2.0のオフライン結果は、xhighの努力量のSolをmediumの努力量のClaude Opus 5と比較しており、見かけ上のコスト優位性は、すべてのコンピューター操作タスクに当てはまる包括的な主張ではなく、選択された設定とベンチマークのバージョンに結びついている。
利用可能性も実務上の制約である。OpenAIは、SolとLunaがChatGPT WorkおよびCodexで、Plus、Pro、Business、Enterprise、Eduの各ユーザーに提供されていると説明している。一方、FreeとGoのユーザーは、デスクトップアプリでLunaを利用できる。同社は、これらのモデルはまだChatでは利用できず、安定性を確保するために段階的に展開する予定だとしている。APIユーザーには、gpt-6-solおよびgpt-6-lunaというモデル名が案内されている。本番システムを評価する購入者は、発表やリーダーボードから推測するのではなく、実際の製品上の利用範囲、使用制限、レイテンシー、総コストをテストすべきだ。
証拠から導ける結論は慎重なものだ。SolとLunaは、より低価格なGPT-6ティアを提供しており、少なくとも一部のベンチマーク結果とキャッシュに関する主張は、OpenAIの発表以外の資料でも文書化されている。しかし、どちらのモデルも普遍的に優れていること、ベンチマーク上の節約がそのまま請求額の削減につながることを、また、シミュレーションされたワークフローでの性能が特定の組織での成功を予測することを、証拠は立証していない。次に有効な検証は、固定された成功基準、反復実行、キャッシュヒット、失敗、再試行を含むコスト計算を伴う、小規模で代表的なワークロードのテストである。