要約 / ポイント
GPT-5.6がリリースされましたが、リーダーボードでトップのAIではありません。しかし、その新しいエージェント能力と低コストが、実際に使用できる最も強力なモデルである理由を説明します。
リーダーボードを超えて：新しいAIの階層
GPT-5.6がついに登場し、AI評価に新たな視点をもたらしました。新しく発表されたArtificial Analysis Intelligence Indexは、AIモデルの包括的な統合リーグ表を提供し、以下の9つの異なる評価を組み込んでいます。 - GDP-Val - Terminal-Bench - Humanity's Last Exam 注目すべきは、このインデックスがGPT-5.6のリリースとともに利用可能になったことです。以前はベンチマーク企業がAPIアクセスを持っていなかったためです。GDP-Valのような「平均の平均」といった指標に基づくと、GPT-5.6は全体的な知能スコアでClaude Fable 5のすぐ後ろに位置しています。
しかし、この表面的なランキングは、非常に誤解を招く可能性があります。Claude Fable 5がいくつかの広範な指標で生の知能においてわずかな優位性を持っているかもしれませんが、コストや専門的な能力といった実用的な要素が考慮されると、より微妙な階層が明らかになります。単一の集計スコアだけでモデルを判断することは、多様なアプリケーションにおけるその実用性とアクセシビリティを見落とすことになります。
決定的に重要なのは、GPT-5.6が競合他社と比較して、ほとんどのベンチマークではるかに安価で利用可能であることです。例えば、同程度の知能レベルを達成するのに、GPT-5.6では約8.40ドルかかるのに対し、Claude Fable 5では21.63ドルと、ほぼ3倍の費用がかかります。この劇的なコスト削減は、エリートレベルのパフォーマンスを学術的な成果から、実用的で広範なアプリケーションにとっての大きな勝利へと変え、より幅広いユーザーベースのために新しいユースケースと秘密の機能を解き放ちます。
質問に答えることからプロジェクトを完了することまで
単なる知識の想起を超えて、新しいベンチマークはAIの能力を再定義しています。Agents' Last Examは画期的な評価を提供し、AIが専門的なプロジェクト全体を自律的に完了する能力をテストします。これは、難しい専門家の質問に答えることに焦点を当てていたHumanity's Last Examのような以前の指標からの大きな転換です。
この厳格なベンチマークは、AIエージェントにプロジェクトを受け取り、実際のWindowsまたはLinuxコンピューター、関連ファイル、およびプロフェッショナルソフトウェアへのアクセスを得ることを課します。エージェントは、独立して作業を計画し、ソフトウェアを操作し、成果物を作成し、正しい最終結果を生成する必要があります。この変化は、AIが単に知っているだけでなく、実行する能力を測定します。
55の専門サブ産業と1,500の収集されたデータセットにわたるAgents' Last Examは、非常に低い合格率を特徴としており、以下のようなタスクの複雑さを強調しています。 - Adobe After Effectsでのアニメーション制作 - Unreal Engineでのシーン構築 - Siemens NXでのエンジニアリングモデル作成
GPT-5.6は、この要求の厳しいベンチマークで優れたパフォーマンスを発揮します。単一のステップを支援するだけでなく、複雑なワークフローを独立してナビゲートし、ソフトウェアを操作してプロジェクト全体を完了することで、そのエージェント能力を証明しています。全体的な知能スコアでトップではないにもかかわらず、実世界でのアプリケーションにおけるこの実用性が、GPT-5.6が真に輝く場所です。
自律コーディングの新しい王者
一般的なエージェント能力を超えて、GPT-5.6は専門分野で大きなリードを築いています。複雑なソフトウェアエンジニアリングにおけるAIエージェントの熟練度を評価するために設計された厳格なテストであるDeepSWE benchmarkを考えてみてください。このベンチマークは、単純なコーディング課題を超え、モデルに以下を要求します。 - 未知のコードベースを探索する - 複雑なエンジニアリング要求を理解する - 複数のファイルを編集する - テストを実行し、失敗をデバッグする - 長いタスクを自律的に完了する
91のリポジトリと5つのプログラミング言語にわたる113のオリジナルタスクで構成されるこの厳しい評価は、現実世界の開発シナリオをシミュレートしています。GPT-5.6は驚異的な73%の合格率を達成し、複雑なソフトウェアの問題を自律的に解決する優れた能力を明確に示しました。このパフォーマンスは、重要な実用的なアプリケーションにおいて競合他社を大幅に上回っています。
GPT-5.6の自律コーディングにおける優位性は、単なる学術的な成果にとどまりません。それは直接的に具体的な経済的利点へとつながります。このモデルは、これらのタスクにおいて同等の知能レベルを持つ主要な競合他社の価格のほぼ3分の1である平均8.40ドルというコストで、これらの優れた結果を提供します。この費用対効果により、GPT-5.6はスケーラブルなソフトウェア開発のための比類のないツールとなり、野心とともにスケールするフロンティアインテリジェンスを提供します。その機能の詳細については、GPT-5.6: Frontier intelligence that scales with your ambition | OpenAIをご覧ください。
あなたの新しいテクニカル共同創設者がここにいます
GPT-5.6のベンチマークにおける卓越した能力は、現実世界での画期的な進歩に直結します。かつて代数曲面の予想で立ち往生していた数学者が、GPT-5.6を使って、以前は数週間かかっていた複雑な探索や技術計算を行うことを想像してみてください。このエージェント能力は、単なる問題解決を超え、人間の発見を加速させ、これまで手に負えなかった課題を解決可能なプロジェクトへと変革します。
Enjoying this? Get one like it in your inbox each morning.
one email a day · unsubscribe in two clicks · no third-party tracking
この力は高度な研究をはるかに超えて広がります。革新的なアイデアを持っているものの、社内に開発者がいない中小企業を考えてみてください。GPT-5.6は、不可欠なテクニカル共同創設者として機能し、オーダーメイドのコマンドセンターを自律的に構築したり、複雑なワークフローを自動化したりします。複雑な要求を解釈し、ソフトウェアを独立して操作するその能力は、高度なデジタル作業へのアクセスを民主化し、深いコーディングの専門知識を持たないユーザーにも力を与えます。
最終的に、Artificial Analysis Intelligence Indexは一つの指標を提供しますが、実用的な有用性はしばしば別のところにあります。GPT-5.6は、全体的な知能ではClaude Fable 5のすぐ後ろに位置するものの、Agents' Last ExamやDeepSWEのようなベンチマークでは優れたエージェント性能を示しています。決定的なのは、同等のエージェントタスクにおいて、Claude Fable 5の21.63ドルと比較して、約8.40ドルというわずかなコストでこれを達成していることです。この堅牢な能力と手頃な価格の組み合わせは、状況を一変させ、高レベルのデジタル作業をより幅広い層に利用可能にします。
よくある質問
GPT-5.6とは何ですか？
GPT-5.6はOpenAIの最新の大規模言語モデルであり、コンピューター上で複雑なタスクを自律的に完了できる高度なエージェント機能が特長です。
GPT-5.6はClaude Fable 5とどのように比較されますか？
Claude Fable 5は全体的な知能ベンチマークでわずかに高いスコアを記録していますが、GPT-5.6は『Agents' Last Exam』のような新しいエージェントテストでそれを上回り、費用対効果が大幅に優れています。
『Agents' Last Exam』ベンチマークとは何ですか？
これは、AIがプロフェッショナルなプロジェクト全体を完了する能力をテストする新しいベンチマークです。AIにコンピューターの制御を与え、実際のソフトウェアを使用して最終成果物を生成するタスクを課し、単に質問に答えるだけでなく、実際に作業を『実行する』能力を測定します。
なぜGPT-5.6はより『エージェント的』だと考えられるのですか？
GPT-5.6は、ソフトウェア、ファイル、オペレーティングシステムとの対話を必要とする多段階のタスクを独立して計画し、実行することに優れています。Agents' Last ExamやDeepSWEのようなベンチマークでの強力なパフォーマンスは、優れたタスク完了能力を示しています。