ついに登場？噂の「GPT-6 Astra」：システムカードと最新評価を徹底解説

OpenAIが発表した「GPT-6 Astra」に関するシステムカードはこちらから確認できます。 https://deploymentsafety.openai.com/gpt-6-astra 関連する議論スレッドも併せてチェックしておきましょう：OpenAI's GPT-6 Astra on ARC-AGI-3 - https://news.ycombinator.com/item?id=49555691 GPT-6 Astra makes major gains in the Artificial Analysis Coding Agent Index - https://news.ycombinator.com/item?id=49556147

GPT 6 Astraのベンチマーク https://cdn.thenewstack.io/media/2026/09/358eb84a-screenshot-2026-09-03-at-10.51.35-am.png パフォーマンスはFable 5.1よりかなり高いな。ソース: https://thenewstack.io/openai-gpt6-astra-benchmarks/

関連スレッド: OpenAIがGPT-6 Astraの展開を開始 - https://news.ycombinator.com/item?id=49554273 こっちのスレッドは展開の話用にして、このスレッドはモデル自体の議論用にしない？

少し立ち止まって考えてみたいんだけど、これはGPT-6ってことでいいんだよね。過去数年のGPT-4やGPT-5に続くナンバリングリリースだ。ARC-AGI-3のスコアが99.9%っていうのは確かにすごい（GPT-6 AstraでレスポンスAPIハーネスをどう使ったのか、推論の保持や圧縮の観点から詳細を待つ必要があるけど）。でも、それ以外のベンチマークを見ると、AI研究所の既存の「ポイント」アップデートと比べても、比較的控えめな向上に留まっている気がする。

もしこれが本当にAGI（AGIの定義は人によるけど）だとしたら、あまりに地味なリリースじゃないかな。動画での発表もなければ記者会見もなし、ただのブログ投稿（とTwitterのプロモーション動画数本）だけ？

他の人も言ってたけど、OpenAIが契約上の理由で「AGI」モデルを出すよう強い圧力を受けていたんじゃないかと思い始めてる。GPT-6のリリースがこんなに平凡でつまらないものになるとは思わなかったよ。

ARC-AGI-3のスコアカードはかなり誤解を招くものだよね。「（レスポンスAPI）ハーネスを使えばSolは約30%程度のスコアになるだろう」と明記されているのに、GPT-5.6 Solのスコアは7.8%と表示されている。もしGPT-5.6 Solの数値をGPT-6 Astraと同じハーネスを使ったスコアに更新するなら、Opus 5の表示も同じように大幅に高くしないと整合性が取れないはずだ。

とはいえ、元のベンチマークハーネスが不当に制限をかけていたのは事実だし、この結果は妥当とも言える。ハーネスだけでLLMがほぼ満点でベンチマークを飽和させられるなら、両者の組み合わせは、AGIの進歩を測るために特別に設計され、段階的に難易度を上げてきた最も有名なベンチマークを突破したという意味で、実質的にAGIと呼んでいいんじゃないか。

ベンチマークがそれなりに正確なら、実質的にAGIと言って差し支えないと思う。Fableの時点で個人的には、自分が平均的な人間のベンチマークを大きく上回っているにもかかわらず、Fableよりうまくできることがほとんどないって確信してたし。Astraがそれよりさらに優れているなら、もうAGIって呼ぶ準備はできてる。

AGIなんて絶対到達できないって思ってる人たちに聞きたいんだけど、どうなったらAstraをAGIじゃないと判断するのか、これから何が実現すれば実質的なAGIだと認められるのか、ぜひ意見を聞かせてほしい。

OpenAIはフォーカスを絞ったことで今めちゃくちゃ調子がいいね。Soraのようなプロジェクトを終了させたことで、無関係な存在からAnthropicと肩を並べるレベルまで戻ってきた。

SolはFable 5よりはるかに優秀だし、Fable 5.1（これもかなりすごい）の数日後にAstraが出るなんてね（まだ使ってないけど）。

CodexはClaude Codeより少し上だ。

サム・アルトマンが基本に立ち返ってOpenAIを立て直したのは良いことだよ。

面白いんだけど、新しいモデルが出るたびに何かクールなものを作ろうって気が失せていくよ。だって、次のAIが5秒でやってくれるなら、自分で作る意味って何なの？

これがフランソワ・ショレの『知能の測定について』(https://arxiv.org/abs/1911.01547) にどれだけ通じるか気になって仕方がないよ。

フロンティアモデルの進歩のほとんどは、今も「スキルの習得最適化」に見える。つまり、より広範なベンチマークのカバーと性能向上、トレーニングデータへの領域の取り込み、そしてその範囲内でのパフォーマンス強化だ。

カバー範囲を広げることによるコンピテンス（能力向上）って感じかな。ある種、スケールを大きくしたオーバーフィッティングに似ている。

ショレの枠組みでいうと、より難しい問いは「システムがいかに効率的に、全く新しいことを学習できるか？」ということだ。

今のAIアーキテクチャとトレーニング手法のままでは、真の新しい知能ではなく、スキルの習得最適化を続けるだけだと思う。

モデル自体には何も言わないけど、関係ない話として…なんでAIのデモって、AIが勝手に買い物をするシーンばっかりなんだろう？

仮にAIが全てを完璧にこなすと信頼していたとしても、AIが僕の心を読めるわけじゃないし。

もしAIなしで普通に食事を注文するなら、プロセスの管理をもっとしたいと思うはず。選択肢や価格をチェックして、自分が本当に何を食べたいかじっくり考えたい。人は少し考えてみるまで、自分が何をしたいかなんて分からないものだよ。それなのに、なぜAI企業は「説明を入力するだけでいい」かのように見せるんだろう？

この世のあらゆるコンテキストをもってしても、自分が見たことのないものに対して自分がどう反応するかを正確に予測なんてできない。問題なのは、人々がこれを「解決策が必要な課題」として扱っていることだ。そんな課題は存在しない。AIで僕の生活を楽にしたいなら、単に作業をやりやすくしてくれればいい。自分が楽しんで選んでいるものを、勝手に選んでほしくないんだ。

（あと、AIが失敗しても30ドルなんて痛くも痒くもないような、AI研究所の豪華な職に就いてる人ばかりじゃないからね、笑）

一番ワクワクしているのは「ユーザープロンプト」の強化かな。

曖昧で制限のないプロンプトを投げたときに、モデルが勝手に前提を決めつけて一発回答してくるのは困るんだよね。

Fable/GPT-6のデモはすごいけど、「真のAGI」なら単なる下っ端や優秀すぎる機械じゃなくて、協力者（パートナー）のように振る舞ってほしい。

そのバランスを取るのは難しいし、既存モデルでも追加のプロンプトで達成可能だったとはいえ、エージェントが「質問モード」になりすぎる傾向があるのが気になっていた。

このモデルがちょうどいいバランスになっているか、少なくとも以前より良くなっているといいんだけど。

GPT-6 AstraがDeepSWE v1.1ベンチマークで74.1%を記録したぞ。すごすぎる！