GPT-6 Astraを実機検証｜11課題を投げて分かった実力とClaudeとの差

「僕が実際に11課題をワンショットで投げたら、11本すべてが成果物として出てきて、API料金は0円でした」

2026年9月3日、OpenAIが最新モデルGPT-6 Astraを発表し、翌4日には有料プラン全体へ公開されました。9月1日にClaude Fable 5.1が出たばかりのタイミングで、真正面からぶつけてきた形です。

こんにちは、ルーティンラボ（@rutinelabo）です。正直なところ、Fable 5が出た時点で「しばらくAnthropicの独り勝ちだろう」と思っていました。本記事では、公式ベンチマークの読み解きに加えて、新モデルが出るたびに回している自前の検証コース11課題をGPT-6 Astraにワンショットで投げた結果をまとめます。ゲームの完成度が、前の世代とは明らかに変わっていました。

LINE友だち登録して情報Get

結論｜賢さの総量ではなく「仕事を終わらせる方向」に振ったモデル

先に結論をお伝えします。GPT-6 Astraは全方位でトップに立ったモデルではありません。公式の比較表を最後まで読むと、画面操作・数学・長い文脈では大きく前に出た一方で、総合的な知能指数と知識系の難問ではClaude Fable 5.1が上のままでした。

ただ、実際に11課題を投げてみた手触りは数字よりもはっきりしていました。2Dアクション、3Dアスレチック、ドラクエ風RPG、レーシング、大乱闘風の対戦ゲーム。どれもワンショットで、そのまま遊べるレベルのものが出てきます。最後の鬼ごっこゲームにいたっては、体力ゲージも草むらに隠れる仕組みも動いていて、僕は普通にゲームオーバーになりました。

料金は入力10ドル・出力50ドル（100万トークンあたり）で、前世代のGPT-5.6 Solの2.5倍です。ただしこの検証はCodexのサブスク枠だけで完結していて、API料金は1円も払っていません。ここが今回いちばん実務に効くところでした。

9月3日に出たもの｜リークの翌日に一般公開された

今回のリリースは動きが速く、9月3日にX上で「星がほぼ揃った」という趣旨の投稿が流れ、その翌日の9月4日にはもうGPT-6 Astraが公開されていました。日本のユーザーが実際に触れるようになったのは、その翌日の9月5日午前中ごろからです。

提供されているのはChatGPTのPlus・Pro・Business・Enterpriseプランです。Pro以上ではさらに上位のAstra Proも使えるようになっています。APIのモデル名は gpt-6-astra です。

ここで1つ注意点があります。Enterpriseプランは初期状態が「オフ」で、管理者が有効化するまで選択肢に出てきません（2026年9月時点・OpenAI公式発表参照）。会社のアカウントで「出てこない」となったら、まずここを確認してください。

公式ベンチマーク｜派手な数字と、その下にある数字

まず話題になったのがARC-AGI-3の99.9%です。これは未知の環境に対して、AI自身が考えて解決を図る力を測るベンチマークで、前世代のGPT-5.6 Solが7.8%だったところからの数字なので、桁が変わっています。

ほかにも、難しい数学的な問題を解くFrontierMathや、サイバーセキュリティの脆弱性を発見・修正する能力を測るExploitBench、サイエンス系の処理を見るGPQA Diamondなどが並びます。主な項目を抜き出したのが下の表です（2026年9月時点・OpenAI公式発表参照）。

Fable 5は6月から7月にかけて他を寄せつけないモデルでしたが、サイエンス系のスコアだけは足りず、そこを理由にGPT-5.6を選ぶ人も多くいました。今回のAstraは、そのサイエンス系をしっかり埋めてきています。

同じ表の下のほう｜Claudeが上のままの3項目

ここまでは、いま出回っているニュースとほぼ同じ話です。ただ、同じ公式ページの表を最後までスクロールすると、景色が少し変わります。

総合的な知能指数では、Astraは4番手です。知識系の難問を測るHumanity's Last Examでも、比較表に載っているなかでは下のほうに位置しています。コーディング指数にいたっては67.2対67.0と、ほぼ差がありません（コーディングだけで見ると、最も高いのは前世代のClaude Fable 5の68.1です）。

大事なのは、これがAnthropic側の主張ではなくOpenAI自身が発表ページに載せている数字だという点です。つまりAstraは「賢さの総量」で勝ちに来たモデルではなく、画面を操作して仕事を終わらせる方向に振ったモデルだと読むのが正確だと思います。

本丸はコンピュータユース｜答えるのではなく作業を終わらせる

今回いちばん良くなったのがコンピュータユースのスコアです。シンプルに言えば、パソコンの操作をする能力が上がったということです。

従来のチャット形式で答えを提示するだけでなく、画面全体を見て、そこから実際に作業を行う。フォームの作成や入力、ソフトの操作といったところの能力が向上しています。

数字以上に効くのが速度です。公式によると、OSWorld 2.0の遅延シミュレーションで1タスクあたり約40分。GPT-5.6 Solの約75分に対して、およそ47%短い時間でスコアは上という結果になっています（2026年9月時点・OpenAI公式発表参照）。

このスコアが上がると何が嬉しいかというと、MCPサーバーを繋いだときの実用性です。ChatGPTからPremiere Proを動かして動画編集をしたり、3D生成AIで作ったモデルをBlenderやUnityと繋いで、実際にゲームを作るところまで操作させたり。そういった使い方の精度が上がってきます。

サブスク1つで完結する｜API料金を払わずに試せる

ここが今回いちばん実務に効いた部分です。Codexの画面からGPT-6 Astraをそのまま動かせます。

僕の環境では、Codex CLIの設定ファイルの既定モデルが最初から gpt-6-astra になっていました。ターミナルで実行すると、ヘッダーに provider: openai と表示され、そのまま動きます。

codex exec -m gpt-6-astra "Reply with exactly this and nothing else: ASTRA_OK"

手順は3つだけです。まずCodexの設定ファイル（~/.codex/config.toml）を開いて、model の行を確認します。すでに gpt-6-astra になっていれば、追加の設定は要りません。

次に、上のコマンドをターミナルに貼って実行します。ヘッダーに表示される model と provider を見れば、どのモデルで動いているかがその場で分かります。

最後に、実行後のトークン数を確認します。API課金は発生しません。僕の環境では11課題すべてを回して、合計の請求額は0円でした。

さらに、Codexのセッション内ではGPT Image 2.0が無料で使えます。この記事の元になった動画のスライド資料も、実はCodexのセッションのなかでGPT Image 2.0に作らせたものです。画像生成まで含めてサブスク1つで完結するので、以前よく聞かれた「Claude CodeとCodexのどちらを契約すべきか」という問いに対して、GPTのサブスクを推せる場面がかなり増えました。

11課題を投げた結果｜遊べるレベルのゲームが出てくる

ここからが本題です。新しいモデルが出るたびに回している検証コースから11課題を、すべてワンショット（追加指示なし・プロンプトは一字一句変えない）でGPT-6 Astraに投げました。

まず基準にしているマリオ風の2Dアクションゲームは683秒（約11分）で生成されました。速いか遅いかで言えば、そこまで速くはありません。ただ出てきたものを見ると、マントがひらひらする動きや、敵に当たったときの吹き飛び方、コインを取るアクションまで、細かいところがしっかり作られています。

3Dのアスレチックゲームは782秒（約13分）。ここはいつもコーディング能力の差が出るところで、Fable 5の頃は3Dになるとクオリティが分かれていました。今回はそこも問題なく作ってくれます。

ドラクエ風のRPGも、モンスターのドット絵やキャラクターのデザインまで含めて、ワンショットとは思えない仕上がりでした。デザイン性を発揮してくれるのがGPTらしいところで、同じお題をFable 5.1に投げたものと並べると、その差はかなりはっきり出ます。

レーシングゲームは操作感まで滑らかで、そのまま遊べるレベルでした。大乱闘風の3D対戦ゲームも、これまで難しかった領域なのにきちんと成立しています。少しハイスペックなWebページを作らせたときも、お問い合わせフォームのような項目まで入った1カラムのページが返ってきました。

鬼ごっこゲームを最後までプレイした

いちばん面白かったのが鬼ごっこゲームです。アイテムを7個集めるとクリアで、シフトキーでダッシュができ、草むらに隠れると鬼から見つからなくなるという仕組みまで入っていました。

体力ゲージもあり、本気でクリアを狙って走り回った結果、僕は残り1個のところで追いつかれてゲームオーバーになりました。ワンショットで生成したゲームで普通に負けたのは、なかなかない体験です。

ただし、すべてが完璧だったわけではありません。ポケモン風のゲームでは、戦闘画面のボタンがクリックできませんでした。見た目は作り込まれているのに操作を受け付けない、というのはワンショット生成でよくある失敗の形です。11課題のうち成果物は全部出ましたが、そのまま完成品として使えるかは別の話だと思っておいたほうがいいです。

料金｜前世代の2.5倍、Claudeとは同額

APIの料金は下のとおりです（2026年9月時点・OpenAI公式ドキュメントおよびAnthropic公式価格表参照）。

前世代のGPT-5.6 Solが4ドル・20ドルだったので、倍以上かかる計算です。決して安いモデルではありません。しっかりコーディングをする用途や、APIを使って大規模なものを作っていく場面に向いています。

そしてClaude Fable 5.1とまったく同額です。同じ値段で総合知能指数は Fable 5.1 のほうが上、という状況なので、「高いほうが偉い」という選び方は成立しません。用途で選ぶしかない、というのがここでの結論です。

なお、コンテキストウィンドウは105万トークンまで広がっています。長い資料をまとめて読ませる使い方をする人は、覚えておくと効いてきます。

使い分け｜設計はFable 5、実務はGPT-6 Astra

ここまでの結果をふまえた、いまの僕の使い分けです。

僕自身がいま試そうとしているのは、ハーネスの設計はFable 5にやらせて、実務作業はGPT-6 Astraに任せるという組み合わせです。設計書やCLAUDE.mdのような「仕組みを決める文書」はClaudeのほうが得意で、そこで決めた手順を実際に手を動かして進めるのはAstraが速い。この分担がいちばん噛み合いそうだと感じています。

使う前に知っておきたい3つのこと

最後に、触る前に知っておくと詰まらない点を3つ挙げておきます。

3つめは補足が要ります。Astraではrecurrent depthという新しい推論手法が使われていて、思考の連鎖の一部または全部が見えなくなっています。これについては安全性の専門家から懸念も出ていますが（TechCrunch・2026年9月2日）、使う側の実務としては「途中のログを読んで安心する」のではなく「成果物を機械で検証する」設計に寄せる、という話だと捉えています。

実際、今回の11課題も「11本すべて成果物が出た」ことと「そのまま遊べるか」は別問題で、ポケモン風のクリック不能はまさにそこでした。出てきたものを自分で動かして確かめる工程は、モデルが賢くなっても省けません。

まとめ

GPT-6 Astraを11課題で実際に回した結果をまとめます。

Fable 5が出たときに感じた「うわ、これはすごい」という驚きを、もう一度思い出させてくれたモデルでした。乗り換えるかどうかというより、設計と実務で分けて両方使うのがいまのところ一番おもしろい使い方だと思います。

まずは自分がふだん投げているお題を1つ、そのままAstraに渡してみてください。数字を眺めるより、そのほうが早く分かります。

Filmora15を使ってみる