GPT-5.6 LunaとGPT-6 Astra徹底比較：1.2ドルのモデルでコードレビューは実用レベル？

AIモデルの進化が止まりません。今回は「GPT-5.6 Luna」と「GPT-6 Astra」を比較し、コスト対効果に優れた1.2ドルのモデルが、現場のコードレビューにおいてどこまで通用するのかを検証します。開発の効率化を求めるエンジニア必見の比較レビューです。

PRレビュー1件につき0.10ドルの追加コストなんて大したことないよ。一体どんなソフトウェア企業が、たった10セントをケチるためにレビューの質を下げてバグを見逃そうって言うんだ？

個人的な意見だけど、2026年9月現在、プロのプログラマーなら経費に余裕がある限り、CodexのAstra/SolかClaudeのFable/Opusを使うべきだね。どちらも理想とは程遠いけど、現状で手に入る中では最高だよ。月額200ドルのサブスクリプションが払えるなら、多くのプロにとってコストは実質問題にならない。今の自分のワークフローは「計画→生成→レビュー」の繰り返しで、コミットしてプッシュするだけ。ClaudeかCodexを使って、CIアクションを通す前に「インライン」でテストを全部済ませてる。

コードレビューには中国系のモデルしか使ってないな。あちらは「敵対的なスタンスを取れ」と指示すれば、拒否されるリスクなしに積極的にセキュリティ上の問題を探してくれるから。GLM-5.3はかなり優秀だけど、大きなPRだと遅くなるのが難点だね。

AIはコードレビューに使うべきだけど、CIの中に組み込むのは違うと思う。通常、PRには2人以上の開発者が目を通すはずだし、彼らは当然AIを使うべき。PRの作成者自身もAIを使うべきだ。でも、AIの出力をそのままPRに流し込んで「あとは作成者が対処して」なんてやり方はダメだね。レビュープロセスにノイズを増やすだけだよ。AIが指摘した内容が妥当で有益かどうかはPR作成者が判断しなきゃいけないんだから、人手が介在して精査してからじゃないと作成者を混乱させるだけだ。AIにPRレビューさせて、その結果をそのままコピペしてPRに貼り付けるなんて、普通やらないでしょ？

元の記事のテストにSolとTerraも含まれていたら最高だったのに。Anthropicの同等モデルも比較対象に入っていたらなお良かったけど、まあそこはあまり重要じゃないかな。

Lunaで十分と言われてるけど、発見の精度は74%でAstraは96%だろ。誤検知（フォールスポジティブ）の処理にはコストがかかるんだ。個人的には、AI自身にレビューさせる工程をプロセスに組み込むのが生産性の鍵だと感じてる。複数の段階で、レビュー基準を詳細に設定してサブエージェント（最新のコンテキストでレビューする）を回してる。OpenAIやClaudeのAPI料金だとかなり高くつくけど、DeepseekやOpenAI/Claudeの割引プランを使えば、LunaとAstraの比較で言われている28倍のようなコスト差も緩和できるし、品質も高く維持できるよ。

Lunaや5.4-miniも、以下の点に気をつければコードレビューにはかなり使えるよ。1. 複数サイクルで回すこと。diffだけを対象にして、一度に少しずつ指摘させる。2. メモリを持たせて、各サイクルで前回の指摘が修正されたか確認させる。3. 人間のレビュアーの知見をエンコードした公式ドキュメントにアクセスさせること。自分はこれをツール呼び出しとして公開してテレメトリで追えるようにした。4. セキュリティ、パフォーマンス、構造、データベースなど、役割を絞った複数のレビュアーを走らせること。それぞれ別のプロンプトとペルソナを与えてね。さらに、FE（フロントエンド）のReactレビュアーがBE（バックエンド）だけの変更で起動しないようにファイルフィルタもかけてる。推論なしのLunaと5.4-miniはとにかく爆速で、OpusやFableが生成したコードのミスもほぼ確実に見つけてくれるよ。デフォルトのプロンプト（公開されているテンプレート）は、パフォーマンス用（https://github.com/zeeq-ai/zeeq-app/blob/main/src/backend/Zeeq.Core.Models/CodeReviews/CodeReviewerAgentTemplateLibrary.PerformanceEngineer.cs ）と構造レビュー用（https://github.com/zeeq-ai/zeeq-app/blob/main/src/backend/Zeeq.Core.Models/CodeReviews/CodeReviewerAgentTemplateLibrary.StructuralReviewer.cs ）を参考にして。エージェントは外部ドキュメントを参照するツールも持たせてるよ。

どんなモデルでも十分役に立つよ。ローカルで動くような小さなモデルでさえ、それなりの価値はあるし、誤検知率も比較的低いから検討する余地はある。

この記事、肝心なところが抜けてる。ハーネス（検証用ツール）は何をしてるの？自分は最近のOpenAIモデルとcodex-rsのハーネスを組み合わせて、PRをビルドしてチェックアウトした環境で試してるけど、かなりいい結果が出てる。モデルが（シェルなどの）ツールを使ってリポジトリを理解してるからね。誤検知もあるし見逃しもあるけど、もっと性能の低いハーネスを使って同等の結果が出るとは到底思えない。あと、モデルにはAGENTS.mdを読ませて背景を理解させてるよ。プロンプトは1文だけで、組み込みのレビューツールは使ってない。

敵対的レビューには、コードの複雑性のような特定の専門分野用に6つのサブエージェント（Lunaを推奨）を使い、設定可能なコーディネーター（Fableを推奨）で制御する構成にしてる。Lunaのような小さなモデルに「何を探すべきか」を絞り込んで指示することでパフォーマンスが上がるんだ。その結果を大きなモデルが統合して穴を埋めてくれる。詳細はここを参照（https://blog.brokk.ai/mjolnir-automated-cross-vendor-adversarial-review/ ）