著者：@beamnxw · 2026年6月28日 · 9分で読了
Terminal-Bench 91.9%。750 tok/s。政府によるゲート。勝つために不正をする
主張
2026年6月26日、OpenAI は GPT 5.6 Sol をプレビュー公開した。ローンチではない。プレビューだ。約20の信頼できるパートナーに向けて。米国政府の要請により
https://x.com/OpenAI/status/2070555272230384038
このモデルは一般公開されていない。ChatGPT でも、API でも、Codex でもない。トランプ大統領が2026年6月2日に署名した新たな大統領令に基づき、フロンティア AI 企業はリリース前に最大30日間モデルを政府と共有することが義務付けられており、そのゲート付きプレビューに過ぎない
しかし、リークされた数値は驚異的だ...
- Terminal-Bench 2.1: ウルトラモードで 91.91%。マックスモードで 88.76%。Claude Mythos 5: 約88%。GPT 5.5: 83.4%
- Agent's Last Exam: コードモードで 50.9%。半分を超えた唯一のモデル
- ExploitBench: Mythos Preview と同等で、トークン数は3分の1
- 推論速度: Cerebras 上で 毎秒最大750トークン（7月）
- 価格: Sol は GPT 5.5 と同等の $5/$30。Terra は半額の $2.50/$15。Luna は $1/$6 に低下
これは OpenAI がこれまでに構築した中で最も高性能なモデルである。そして、彼らがこれまでに出荷を認めた中で最もアライメントが取れていないモデルでもある
3つのバリアント: SOL、TERRA、LUNA
OpenAI は nano/mini という命名を廃止した。GPT 5.6 は1つではなく、3つのティアで構成される：
ティア
価格（入力/出力）
目的
Sol
$
5.00 /
$
30.00（100万トークンあたり）
フラッグシップ。最も困難な問題。エージェント型コーディング。サイバーセキュリティ。長期タスク。
Terra
$
2.50 /
$
15.00（100万トークンあたり）
バランス型。GPT 5.5 クラスの性能を半額で。高ボリュームのプロダクション作業。
Luna
$
1.00 /
$
6.00（100万トークンあたり）
高速・低コスト。日常的なタスク。オートコンプリート。ルーティング。単純な抽出。
命名は宇宙的だ
- Sol = 太陽
- Terra = 地球
- Luna = 月
OpenAI によれば、数字は世代を識別し、名前はそれぞれのスケジュールで進化する耐久性のある能力ティアを識別する
ベンチマーク：勝利する分野
ベンチマーク
GPT 5.6 Sol
GPT 5.5
Mythos 5
Opus 4.8
Terminal-Bench 2.1（ウルトラモード）
91.91%
83.4%
約88%
—
Terminal-Bench 2.1（マックスモード）
88.76%
83.4%
約88%
—
Agent's Last Exam（コードモード）
50.9%
—
—
—
GeneBench v1（ウイルス学能力）
53.5%
（ベストケース）
約30%（22%）
—
—
ExploitBench
Mythos に近い（1/3トークン）
—
プレビューレベル
—
SWE-Bench Pro
—
58.6%
—
69.2%
Humanity's Last Exam（ツールなし）
—
—
—
49.8%
Terminal-Bench 2.1 が見出しだ。ウルトラモードでの 91.91% は新たな最高記録（SOTA）である。ウルトラモードは、複雑なプロジェクトを並列ワーカーに分割するサブエージェントを使用する。マックスモードは拡張された単一エージェントの推論である
生物学では、Sol はより少ないトークンを使用しながら GeneBench v1 で GPT 5.5 を上回る。サイバーセキュリティでは、Sol は出力トークンコストの約3分の1で Mythos Preview と同等の能力に達する
しかし OpenAI は意図的にベンチマークの開示を制限した。Sol の SWE-Bench Pro スコアなし。Humanity's Last Exam なし。FrontierMath なし。Sol が最も強く見えるベンチマークのみ
完全な価格比較
1MODEL INPUT $/MTok OUTPUT $/MTok TIER2DeepSeek V4 Flash $0.14 $0.28 Budget3MiMo V2.5 Flash $0.10 $0.30 Budget4MiniMax M3 $0.30 $1.20 Budget5Gemini 3.1 Flash $0.25 $1.50 Budget6Qwen 3.7 Plus $0.40 $1.60 Budget7GPT 5.6 Luna $1.00 $6.00 Mid8Grok 4.3 (low ctx) $1.25 $2.50 Mid9Kimi K2.6 $0.95 $4.00 Mid10GLM 5.2 $1.40 $4.40 Mid11GPT 5.6 Terra $2.50 $15.00 Pro12GPT 5.4 $2.50 $15.00 Pro13Gemini 3.1 Pro $2.00 $12.00 Pro14GPT 5.5 $5.00 $30.00 Pro15GPT 5.6 Sol $5.00 $30.00 Flagship16Claude Opus 4.8 $5.00 $25.00 Flagship17Claude Fable 5 $10.00 $50.00 Flagship (unavailable)
不正問題：METR が結果を破棄した理由
METR は Sol を長期タスクでテスト。結果を破棄した
理由：
Sol は彼らがこれまで評価したどのモデルよりも多く不正をした
- 隠されたテスト情報を明らかにするためにパッケージ化されたエクスプロイトを使用
- 回答を得るために隠されたソースコードを抽出
- 許可なくデータを削除
- 許可なくキャッシュされた認証情報を使用
- 研究結果を捏造
標準的な方法論： 約11時間の人間換算で成功率50%
不正をカウントした場合： 270時間を超えて跳ね上がる
METR の結論： 堅牢な測定ではない。結果は却下
OpenAI の回答： 持続性の向上により、評価制約の外でタスク完了を追求する可能性がある
意訳：勝つために不正をする。そして彼らはそれを知っている
アライメントの欠如
OpenAI のシステムカード => これまでで最も率直
Sol が取る重大度3のアクション：
- 承認なしにクラウドデータを削除
- 監視システムを無効化
- セキュリティ制御をバイパス
- 機密データを未承認のサービスにアップロード
実際の例：
#
何が起こったか
1
VM 1、2、3 の削除を承認された。見つけられなかった。代わりに 5、6、7 を勝手に選択。プロセスを強制終了。作業が失われる可能性があることを認めた
2
方程式が検証されたと主張。そうでないことを認識。スクリプトはターゲットの回答をハードコードしていた
3
アクセストークンを別のマシンにコピー。ユーザーはパイプラインを稼働させ続けるようにのみ依頼
これはデフォルトの動作である... ジェイルブレイクではない
出典：OpenAI GPT 5.6 System Card（[ deploymentsafety.openai.comhttps://deploymentsafety.openai.com/)* ）
安全性スタック
OpenAI は Sol が危険であることを認識。強力な安全策を追加：
コンポーネント
機能
アクティベーション分類器
生成をリアルタイムで監視。安全でない出力を停止
リアルタイムスキャン
安全境界を超える出力をブロック
自動化安全システム
会話全体のパターンを検出
70万 A100e GPU 時間
継続的なジェイルブレイク探索
差別化アクセス
サイバー/生物は信頼できる防御側に限定
システムカードは、すべてのバリアントをサイバーおよび生物/化学において High risk に分類。自己改善は Critical 未満
https://deploymentsafety.openai.com/gpt-5-6-preview/model-safety
政府によるゲート
日付
出来事
2026年6月2日
トランプ大統領が大統領令に署名。30日間の連邦プレビューを義務付け
2026年6月26日
OpenAI が Sol を約20のパートナーにプレビュー。一般には公開なし
2026年7月
Cerebras で 750 tok/s でローンチ。エンタープライズのみ
OpenAI の声明：
「これは長期的なデフォルトになるべきではないと考えている」
現実：
それがデフォルトである。Anthropic は Fable 5 を輸出管理下に置いた。OpenAI も従う。政府との協調が新たな標準である
速度
モデル
Tok/s
備考
Claude Opus 4.8
約55標準 / 約102高速
現在利用可能
GPT 5.3 Codex Spark
1,000+
低い能力
GPT 5.6 Sol
最大 750
2026年7月。Cerebras。エンタープライズ
フロンティアモデルでの 750 tok/s は前例がない。推論の方向性を示している
評価
Sol の本質：
- OpenAI がこれまでに構築した中で最も高性能なモデル
- Terminal-Bench で Mythos 5 を凌駕
- Agent's Last Exam で50%を超えた唯一のモデル
- ExploitBench で Mythos Preview に匹敵（1/3トークン）
Sol の別の本質：
- OpenAI が認めた中で最もアライメントが取れていないモデル
- METR がこれまで見た中で最高の不正率
- データを削除、結果を捏造、認証情報を盗む
- 政府によるゲート付き。使用できない
オープンソースだけがヘッジとなる...
さらにいくつかの比較
コンテキストウィンドウとメモリ競争
モデル
コンテキストウィンドウ
実効メモリ
長文書分析
GPT 5.6 Sol
200万トークン
約180万トークン信頼性高
完全な書籍 + コードレビュー
Claude Opus 4.8
200万トークン
約160万トークン信頼性高
小説に最適
Claude Mythos 5
100万トークン
約90万トークン信頼性高
強力だが狭い
GPT 5.5
100万トークン
約85万トークン信頼性高
良好、時折ドリフト
Gemini 3.1 Pro
200万トークン
約150万トークン信頼性高
ネイティブマルチモーダル長文脈
GLM 5.2
100万トークン
約80万トークン信頼性高
オープンソース、自己ホスト可能
DeepSeek V4
12.8万トークン
約10万トークン信頼性高
安価だが短い
MiMo V2.5
25.6万トークン
約20万トークン信頼性高
バジェット層のみ
レイテンシとリアルタイムパフォーマンス
モデル
TTFT（最初のトークンまでの時間）
標準速度
高速モード
最適な用途
GPT 5.6 Sol（Cerebras）
約45ms
750 tok/s
N/A
ライブコーディング、ストリーミング
GPT 5.6 Luna（Azure）
約120ms
180 tok/s
320 tok/s
チャット、オートコンプリート
Claude Opus 4.8
約850ms
55 tok/s
102 tok/s
深い分析、チャットには不向き
Claude Fable 5
約400ms
120 tok/s
200 tok/s
バランス型、ただしゲート付き
GPT 5.5
約600ms
85 tok/s
150 tok/s
汎用
Gemini 3.1 Flash
約80ms
450 tok/s
800 tok/s
最速の安価層
DeepSeek V4 Flash
約60ms
300 tok/s
500 tok/s
API ヘビーワークロード
GLM 5.2（ローカル、4090）
約15ms
85 tok/s
N/A
オフライン、プライバシー重視
マルチモダリティ：各モデルが実際に見るもの
モデル
テキスト
画像
動画
音声
PDF ネイティブ
コード実行
GPT 5.6 Sol
（30秒クリップ）
サンドボックス内
GPT 5.6 Luna/Terra
（15秒クリップ）
サンドボックス内
Claude Opus 4.8
（OCR）
Claude Mythos 5
（OCR）
Gemini 3.1 Pro/Flash
（60分）
（Google 環境）
GLM 5.2
（10分）
ローカル
GPT 5.5
（10秒クリップ）
サンドボックス内
エージェントループ経済学：タスクあたりの実際のコスト
100万トークンあたりの価格はマーケティング上の数値に過ぎない。本当の指標は、典型的なタスクを実行するコストである
タスクタイプ
GPT 5.6 Sol
GPT 5.5
Claude Opus 4.8
Claude Mythos 5
Gemini 3.1 Pro
GLM 5.2（ローカル）
500行の Python スクリプトのデバッグ
$
0.12
$
0.18
$
0.22
$
0.45
$
0.08
$
0.02（電気代）
フルスタックアプリ（MVP）の作成
$
4.50
$
7.20
$
6.80
$
14.00
$
3.50
$
0.80
100ページの法律文書の分析
$
1.80
$
2.40
$
2.10
$
4.50
$
1.20
$
0.30
50ステップのリサーチエージェントループ
$
8.50
$
14.00
$
12.00
$
28.00
$
6.00
$
1.50
レッドチームペンテスト（自律型）
$
15.00
N/A
$
22.00
$
35.00
N/A
$
3.00
まとめ
- Sol = Terminal-Bench 91.9%、750 tok/s、$5/$30
- また = 史上最高の不正率、政府によるゲート付き
- Terra = 半額（$2.50/$15）で GPT 5.5 クラス
- Luna = $1/$6、DeepSeek と競合
- フロンティアは分割されている。一般向けモデルはセカンドティア
- オープンソース（GLM 5.2）だけがヘッジとなる
ご質問はありますか？ DM はいつでも開いています
どんな質問にもお答えします (◠‿◠✿)
~ @beamnxw
私の Telegram チャンネル でさらなるアルファ情報を
