OpenAIがGPT-5.6ビルダーガイドを公開、同じ成果で請求額は33ドルから1.33ドルに
- OpenAIが開発者向けのコスト削減マニュアルを公開。同じ検索テストで84点を取るのに、前世代は33.27ドル、今世代の最小モデルは1.33ドルです。
- 本番稼働中の6社がそれぞれ実測データを提出。入力トークンは21%減、未キャッシュ入力は28%減、コストは18分の1になりました。変更したのはモデルではなく、すべて設定のみです。
- そして公式チャートには、本編には書かれていない事実がひとつ。推論レベルを最小にしても、請求額は下がらないどころか上がるのです。
OpenAIが開発者向けのGPT-5.6ビルダーガイドを公開しました。テーマはAgentのコストをどう削るか。モデルの選び方、推論レベルの設定、新しいAPIスイッチ3つの使い方まで、すぐに真似できる設定ばかりです。本番稼働中の6社が、それぞれ実測データを提出しています。
これまでのAgent構築の「デフォルト」を覆す内容です。最高級のフラッグシップモデルを使い、推論を最大限に引き出す——このやり方が当たり前だったのは、長いコンテキストと大量のツール呼び出しに耐えられるのがフラッグシップだけだったからです。5.6世代では、中小モデルが少し考える時間を取れば、前世代のフラッグシップ並みの実力に到達します。値段はほんの一部です。
記事全体のロードマップ：今日から変えられる 6 つのポイント
コスト削減には 2 つの層があります。第 1 層は 2 つのダイヤル。推論レベルとモデル選択です。パラメータを変えるだけで、一行の設定変更で済みます。第 2 層は 3 つのアーキテクチャスイッチと、1 つのキャッシュブレークポイント。リクエスト自体の構成を変えるものです。下の表がこの記事全体の目次です。最初の 2 行が 2 つのダイヤル、後の 4 行が 4 つのスイッチに対応し、各行の後に詳しいセクションがあります。
ダイヤル 1：低レベルが前世代の高レベルに勝つ
GPT-5の世代から、各モデルは同じ目標を追っています。より少ないトークンで、より長い作業をこなすことです。5.6もこの路線を継続し、Harness（モデルの外側にあるスケジューリングコード：リクエストの送り方、ツールの接続方法、ループの回し方）は一切変えずに、性能は向上し、コストは削減されています。
ガイドで最も直接的な例はこれです。Agent ベンチマークの Agents' Last Exam で、Harness を完全に固定したまま、GPT-5.6 Sol の「低」推論が、GPT-5.5 の「高」推論を上回ったということ。レベルはコストを左右する主要なダイヤルです。低レベルで前世代の高レベルに勝てれば、同じ作業の値段が 1 段階そのまま下がることになります。この項目について、ガイドは具体的なスコアを明記していません。
自分で確認できる比較が、2つのベンチマークチャートにあります。次の3組はすべて同じチャート上の実際のデータポイントです。左が前世代、右が今世代です。
2つのチャートではコストの桁が大きく異なります。検索ベンチマークはフル実行で数ドルしかかかりませんが、コーディングインデックスはフル実行で数百〜数千ドルかかります。問題数とタスクの複雑さが違うので、2つのチャートの金額を横に並べて比較しないでください。上の各比較は、すべて同じチャート内のものです。
節約できるのは、いったい何なのでしょうか？それは、無駄な試行錯誤の部分です。データ分析企業の Hex は、モデルを既存の Harness に放り込み、低推論レベルでこれまでで最高の結果を得ました。
GPT-5.6 を既存の Harness に入れたところ、低推論レベルで最高の結果が出ました。データが存在しないことを理解していて、悪い手がかりを追いかけず、より少ないトークンで正解にたどり着きます。
Izzy Miller、Hex の AI リサーチ責任者
「データが存在しないことを理解している」という部分が鍵です。旧モデルは情報が見つからないと、別のキーワードで掘り返し続けます。掘り返すたびに、ツールが返した内容が入力トークンとして計上されます。損切りできるモデルは、まさにこの空回りのターンを節約しているのです。
下げるのは効果的だが、完全にオフにすると逆に高くなる
レベルを下げればコストは下がります。では、いっそ完全にオフにするのが一番お得なのでしょうか。公式の2つのチャートのすべてのデータポイントを並べてみると、答えは「いいえ」です。
下のダイヤルで切り替えられます。推論レベルを選ぶと、4つのモデルの請求額とスコアが同時に変わります。請求額バーの満杯は、GPT-5.5最上位レベルで検索ベンチマークをフル実行した場合の33.27ドルです。すべてのバーはこの物差しで測られています。
そして、一番左のマスに動かすと、直感に反することがわかります。推論をオフにしても、コストは下がりません。2 つのチャートに、それぞれ証拠があります。
- 検索ベンチマークの Sol：推論オフは $1.97 で 69.67 点。最低レベルは $0.50 で 65.32 点。つまり、推論をオフにするという行為はお金を節約せず、むしろ 3.9 倍多く支払って、4.3 点多く得ているだけです。
- コーディングインデックスの Luna：推論オフは $123.66 で 37.30 点。最低レベルは $74.84 で 42.40 点。この組み合わせは高くて悪い。65% 多く払って、スコアは 5.1 点低いのです。
もう一方にも転換点があります。Lunaは検索ベンチマークで「最高」から「最上位」に上げると、請求額は$1.33から$1.42に増え、スコアは84.04から83.25に下がります。レベルを最大にしても、スコアが上がるとは限りません。
モデルに考えさせなければ、ツールを多用して何度も試行錯誤しながら答えにたどり着くしかありません。そして、ツールが返す内容は毎回入力トークンとして計上されます。考えること自体にはコストがかかりますが、「遠回りをしない」ことを買っているのです。この計算は、難しいタスクではたいてい割に合います。
レベルの調整は、低い方から上げて試すのが正解です。請求額とスコアの 2 本の線を一緒に見ながら、曲がり角で止めます。逆に、上から下へ削るのは間違いです。最低レベルはコスパが最も良いことが多く、一番左の「完全にオフ」は、この 2 つのチャートではどちらも割に合いません。
ダイヤル 2：小型モデルなら 25 倍お得
レベルのダイヤルを回したら、次はモデル選びです。GPT-5.6 ファミリーには 3 つあります。Sol（フラッグシップ）、Terra（中規模）、Luna（小型）です。
かつて中小モデルは、端っこの雑用専用でした。長いコンテキストや大量のツール呼び出しに耐えられず、タスクの連鎖が長くなると壊れてしまったからです。今世代は違います。テスト時計算のおかげです。
モデルに回答の前に少し考える時間を与えること。考える時間はすなわち計算リソースであり、お金です。同じ生徒が答案を出す前に 10 分余分にチェックするのと、もっと賢い生徒に変えるのとでは、これは別のスコアアップ方法です。小型モデルは前者で、モデル自体は大きくなっていません。
その結果、Luna や Terra は GPT-5.4、GPT-5.5 のレベルに達することがよくあります。値段ははるかに安いままです。ガイドが名指しした比較は、BrowseComp（「ニッチな事実を検索できるか」を試すベンチマーク）からのものです。