GPT-5.6公開、"Fable 5超え"はベンチマーク次第で崩れる

---

TL;DR

• OpenAIがGPT-5.6(Sol/Terra/Luna)を一般公開。総合指標ではコスト半分・所要時間61%短縮でFable 5とほぼ同点、専門長時間タスクでは上回るが、実務寄りのSWE-Bench ProではFable 5に15ポイント超劣後する。記事
• OpenAIはこの劣後する指標の公開直前に、自社でSWE-Bench Proを監査し「複数の欠陥を発見した」と発表していた——都合の悪い数字への揺さぶりと読める。
• 同日、OpenAIとAnthropicが双方のレート制限を相次いでリセットし応酬。GPT-5.6はMicrosoft 365 Copilotにも即日組み込まれた。記事

本命:GPT-5.6公開、“Fable 5超え”はベンチマーク次第で崩れる

OpenAIがGPT-5.6を一般公開した。最上位「Sol」・日常業務向け「Terra」・低価格「Luna」の3階層構成で、ChatGPT・Codex・APIで順次提供が始まっている。

技術的読み

ベンチマークによって勝敗がバラバラという点が最大の特徴だ。総合指標のIntelligence Index(v4.1)ではSol 58.9点、Fable 5 59.9点とほぼ同点だが、推定コストは半分、所要時間は61%短い。専門領域の長時間タスクを測るAgents’ Last ExamではSol 53.6%対Fable 5 40.5%と明確にSolが上回り、Coding Agent Indexでも80点の最高記録を更新した。ところが実務に近いコーディングベンチマークSWE-Bench ProではSol 64.6%対Fable 5 80%と、逆に大差でFable 5が優位に立つ。

見過ごせないのは、OpenAIが公開前日にすでに「自社でSWE-Bench Proを監査し複数の欠陥を発見した」と公式ブログで発信していたことだ。都合の悪い指標が出る直前に、その指標の信頼性そのものを疑わせる情報を出す。ベンチマーク数字を鵜呑みにしてはいけないことの実例そのものであり、どの指標が自分の実務タスクに近いかを見極めずに見出しだけを信じるのは危うい。

3階層のモデル構成自体は、Anthropicが先行させてきた高性能・バランス・低価格の価格・性能階層化にOpenAIが追随した形で、タスクの抽象度に応じて最適なモデルを選ぶという発想がプラットフォーム側の標準機能になりつつあることを示している。

ビジネス的読み

コスト構造で見ると、名目上の$/トークンでSolはFable 5の半分程度とうたうが、これは総合指標での話にすぎない。実務のコーディングタスクに近いSWE-Bench Proで15ポイント超劣後しているなら、タスク完遂までの試行回数・やり直しを含めた実効コストでは、むしろFable 5が優位という可能性が残る。名目単価だけで乗り換えを判断するのは早計だ。

内製 vs プラットフォーム吸収の観点では、3階層への価格・性能の細分化は、個別にモデルルーティングを工夫する価値をプラットフォーム側が吸収しつつある動きと言える。独自資産・防御可能性で見れば、モデル自体はやはり交換可能な部品であり、堀にはならない。重要なのは、どちらのモデルにも切り替えられるようアプリ層を設計しておくことだ。

逆張り・見落とし

最も注目すべきは性能競争そのものより、ベンチマーク結果を巡る両社の情報戦だ。都合の良い指標は大々的に発表し、都合の悪い指標は監査で無効化を試みる。この構図が続く限り、公開されたベンチマーク数字はマーケティング材料として割り引いて読む必要がある。

含意とポジション

コーディングエージェント運用でコストにシビアなら、名目上の「コスト半分」を鵜呑みにせず、主要ワークロードでSWE-Bench Proに近いタスクを使って自分でA/Bすべきだ。signal寄り(実質的な価格・性能変化はある)だが、「Fable 5超え」という評価そのものはnoise寄り。確信度は中——ベンチマーク間の矛盾が大きく、実務での優劣はまだ確定していない。

その他の重要トピック

M365 CopilotにGPT-5.6追加

記事

MicrosoftがMicrosoft 365 CopilotにGPT-5.6シリーズ(Sol・Terra)を追加すると発表。Word・Excel・PowerPointなどで順次展開する。

技術的には特筆すべき新機能はなく、単純なモデル差し替えにとどまる。ビジネス的に読みどころなのは、Microsoftが自社でモデルを開発せず、OpenAIの最新モデルを即日エンタープライズ製品に組み込める点だ。価値は既存のエンタープライズ配布網——Word・Excel・PowerPointという圧倒的なインストールベース——にあり、モデル性能そのものではない。

so what:M365 Copilotの「独自機能」を過大評価する必要はない。学ぶべきは、最新モデルへのアクセス速度こそが配布網を持つ企業の武器になるという構図であり、自前で配布網を持たないなら、こうしたプラットフォームに乗る側で考えるのが合理的だ。noise寄り、確信度は高(単純な機能追加で不確実性は低い)。

OpenAI・Anthropic、レート制限リセット合戦

記事

GPT-5.6とChatGPT Work公開に合わせ、OpenAIがCodex・ChatGPT Workのレート制限をリセット。Anthropicも同日、先んじてClaudeの利用制限をリセットしていた。両社の開発責任者がSNS上で応酬する場面もあった。

技術的な新規性はゼロで、純粋なマーケティング上の駆け引きだ。ビジネス的には、両社が普段は収益を守る「見えない値上げ装置」として利用制限を運用しており、競合の新モデル投入という脅威に対して即座に緩められる程度には裁量の余地があることが露呈した。

so what:レート制限を固定的な制約として設計に織り込みすぎないほうがよい。競合状況次第で流動的に変わりうる。noise、確信度は高。

テスラ車内でGrokと会話、日本展開

記事

Tesla Japanが対話型AI「Grok」の車載音声対応を日本でも開始。ナビ設定・ルート確認・車両状態確認などに対応し、空調やメディア操作など既存の音声コマンド機能は置き換えず並存させる。

技術的には目新しさはなく、米国での先行展開の横展開にすぎない。ビジネス的には、既存機能を置き換えず「追加」する設計が読みどころで、車両操作という失敗コストの高い領域には手を出さず、情報照会という失敗しても安全な領域に機能を絞っている。マスク氏のエコシステム内でハードウェアとAIを垂直統合し、ソフトウェア単体では作れない配布網を固める動きの一環だ。

so what:直接の応用は薄いが、既存の中核機能を壊さず「安全に失敗できる領域」から機能追加するという設計判断は、AI機能を既存プロダクトに組み込む際の参考になる。noise寄り、確信度は高。

デジタル庁、国産AIをさくらのクラウドで稼働

記事

デジタル庁がAI基盤「源内」の実証実験で、NTT tsuzumi 2・富士通Takane 32B・PFN PLaMo 2.0 Primeをさくらのクラウド上で稼働させる。従来モデルとの出力をランダム提示し利用者の好みを比較するテストを9〜11月に実施する。

技術的には性能比較の枠組みにすぎず新規性は薄い。ビジネス的に重要なのは、政府調達という海外の汎用安価ツールと直接比較されない保護された市場で、「国産・国内クラウド」という技術力でなく政策的な参入障壁が競争力の源泉になっている点だ。

so what:政府系の案件を狙うなら国産・国内という条件が意味を持つが、一般市場向けプロダクトを作るなら関係が薄い。政府実証の結果を「国産AIの実力」の指標として一般化しないほうがよい。noise寄り、確信度は低(PoC段階)。

UniClawBench——proactiveエージェントの能力評価基盤

arXiv

実世界タスクでのエージェント評価を、スキル利用・探索・長文脈推論・マルチモーダル理解・クロスプラットフォーム協調の5能力に分解し、400のバイリンガルタスクで評価するベンチマーク。静的な正解データでなくDockerコンテナ上のライブ評価と、実行・隠れ監督・ユーザーの3エージェントによる多段階チェックポイントで、失敗要因をモデル起因かフレームワーク起因かに切り分けられる設計になっている。

技術的には、これまで曖昧だった「エージェントがなぜ失敗したか」を能力軸ごとに切り分けられる点が新しい。ビジネス的には、こうした評価枠組みが標準化されれば、agentの性能競争がマーケティング的な数字合戦から能力別の定量比較へと移行する可能性がある。

so what:自社のagentワークフローの信頼性を測るなら、こうした能力分解の発想を借用する価値がある。ベンチマーク自体を導入する必要はなく、失敗を能力軸で切り分けて記録する運用だけ真似れば十分だ。signal寄り、確信度は中(手法は妥当だが実運用での採用実績はまだない)。

Super Weightsの選択的学習は失敗する

arXiv

除去するとモデル性能が桁違いに劣化する少数パラメータ「Super Weight」を狙い撃ちして学習しても、精度はランダム推測レベルまで落ちることを示した研究。同じ層の無作為な位置を学習すればベースラインを上回るため、崩壊は疎性でなくSuper Weightそのものを狙うことに起因する。一方、attention全体を低ランクで更新するLoRAはパラメータのわずか0.16%で成功する。

技術的な含意は明確で、「重要なパラメータ」と「学習可能なパラメータ」は別物であり、効率的なfine-tuningには層全体にわたる構造化された更新が必要ということだ。

so what:自前でfine-tuningを組むなら、素朴に「重要そうなパラメータ」を狙い撃ちする手法を避け、LoRAのような確立済みの低ランク更新を使うべきという後ろ盾になる研究だ。プロダクト戦略に直結する話ではなく優先度は低い。noise寄り、確信度は中。

今週試すなら / 無視していいhype

今週試すなら:コーディングエージェントの主要ワークロードで、GPT-5.6 SolとFable 5を同一タスクで走らせ、名目トークン単価でなく完遂までの試行回数込みの実効コストを比較してみる。

無視していいhype:「Fable 5超え」という見出しの単純な受け売り——指標によって優劣が逆転し、都合の悪い指標は公開直前に「監査で欠陥発見」と揺さぶられている。レート制限リセットを巡るSNS上の応酬も技術的実質はゼロで、話題性以上の意味はない。