OpenAI は GPT-5.6 の発表と同時に、Sol、Terra、Luna と GPT-5.5、Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro Preview の比較結果を公開しました。異なる機関や条件で測定されたスコアを、単一の総合ランキングとして扱うことはできません。
結論を先に言うと、GPT-5.6 Sol は難しいコーディング、知識作業、Agent 向けです。Terra は日常用途の標準モデル、Luna は速度とコストを重視する処理に向いています。GPT-5.5 は安定した前世代の基準で、Claude Fable 5 は一部の専門評価で強く、Claude Opus 4.8 と Gemini 3.1 Pro Preview も特定の用途で競争力があります。
専門タスクの評価
| 評価 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| Agents’ Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo |
| 内部管理コンサルタント課題 | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% |
| Big Finance Bench | 53% | 51% | 36% | 49% | — | 44% | — |
| Artificial Analysis Intelligence Index v4.1 | 58.9 | 55 | 51.2 | 54.8 | 59.9 | 55.7 | 46.5 |
Agents’ Last Exam では GPT-5.6 の3モデルが GPT-5.5 を上回ります。GDPval-AA v2 は Claude Fable 5 が首位で、Sol が続きます。総合指数では Fable 5 が Sol を少し上回りますが、すべての作業で優れているという意味ではありません。
コーディングとターミナル作業
| 評価 | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|---|
| Artificial Analysis Coding Agent Index | 80 | — | 74.6 | 76.4 | — | 77.2 | 72.5 | 42.7 |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | 69.7% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | 83.1% | 70.7% |
Sol は Coding Agent Index、DeepSWE、Terminal-Bench で上位に入り、ultra では Terminal-Bench が 91.9% まで上がります。一方、SWE-Bench Pro では Claude Fable 5 と Claude Opus 4.8 が Sol を上回ります。実際の開発では、リポジトリ理解、ツール利用、テスト修正、token コスト、長時間の安定性も確認してください。
科学・健康分野
| 評価 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|
| GeneBench Pro | 28.7% | 23.3% | 10.8% | 12% | 16% | 3.1% |
| LifeSciBench | 59.9% | 56% | 51.2% | 50.4% | 53.6% | — |
| MedChemBench（内部） | 48.3% | 35% | 30.4% | 35.5% | — | — |
| HealthBench Professional | 60.5% | 57.7% | 55.7% | 49.5% | 53% | — |
Sol は GPT-5.5 を大きく上回り、Terra と Luna も前世代から改善しています。ただし科学・健康分野は高リスクなので、専門家の確認、出典検証、安全手順を省略できません。
コンピューター操作とブラウジング
| 評価 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| OSWorld 2.0 | 62.6% | 50.2% | 45.6% | 47.5% | — | 54.8% | — |
| BrowseComp | 90.4% | 87.5% | 83.3% | 84.4% | 88% | 84.3% | 85.9% |
| BenchCAD | 70.6% | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% |
| BenchCAD（Python ツール） | 83.4% | 78.2% | 73.9% | 55.8% | 65% | 51.8% | — |
Sol は OSWorld 2.0、BrowseComp、BenchCAD で強い結果を示し、Terra と Luna も GPT-5.5 を上回ります。Web 閲覧、デスクトップ自動化、図表作成、フロントエンド生成では、テキスト評価より実際の操作成功率が重要です。
サイバーセキュリティ評価
| 評価 | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 |
|---|---|---|---|---|---|
| Capture-the-Flag Challenges | 96.7% | — | 91.8% | 85.2% | 88.1% |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% |
GPT-5.6 はサイバーセキュリティ評価でも大幅に改善しました。能力には二重用途があるため、OpenAI は Trusted Access、リアルタイム検査、アカウント単位の制御を組み合わせています。利用は許可された環境に限定し、防御的な監査、パッチ検証、ブルーチームのテストを優先してください。
価格と性能を一緒に見る
GPT-5.6 API は 100 万 token あたり、Sol が入力 5 ドル・出力 30 ドル、Terra が 2.50 ドル・15 ドル、Luna が 1 ドル・6 ドルです。GPT-5.5、Claude、Gemini は価格、キャッシュ割引、コンテキスト制限、利用入口が異なるため、評価表だけで選ぶべきではありません。
自分のコードベース、文書、ツール呼び出し、構造化出力から小さな評価セットを作り、品質、遅延、token 数、キャッシュヒット率、手作業の修正時間を記録するのが現実的です。
選び方
- 複雑な Agent、複数ファイルのコーディング、専門研究、高価値の作業：GPT-5.6 Sol。
- 日常の業務、通常のコーディング、標準的な依頼：GPT-5.6 Terra。
- 分類、要約、抽出、高スループット処理：GPT-5.6 Luna。
- GPT-5.5 が安定稼働している場合は、同じサンプルで A/B テストしてから移行する。
- コード修正では一つの benchmark だけでなく、自分のリポジトリで Claude Fable 5、Claude Opus 4.8、GPT-5.6 の再作業率を比較する。
- 閲覧、デスクトップ操作、フロントエンド生成では OSWorld、BrowseComp、BenchCAD と実際の成功率を確認する。
GPT-5.6 の目的は、すべてのモデルを Sol に置き換えることではありません。3つの階層で予算と難易度の異なる仕事をカバーします。横断評価で候補を絞り、最終的には自分のデータ、ツールチェーン、コストモデルで判断してください。