同じ点数を25分の1の値段で GPT-5.6が変えた組み立て方

3行まとめ

• BrowseCompBrowseComp見つけにくい事実をネットから探し出す力を測る試験。検索と絞り込みの正確さが出ます。 の点数はほぼ同じまま、費用は33.27ドルから1.33ドルへ
• ARC-AGI-3 は推論の持ち越し推論の持ち越しモデルが考えた中身を次のやり取りにも残す設定。毎回ゼロから組み立て直さずに済みます。と圧縮を足すだけで13.3%から38.3%
• 賢いモデルを全工程で使う前提が崩れた。数字はOpenAI自身の公表値

何が起きたか

OpenAI が、GPT-5.6 を使う開発者向けのガイドを公開しました。主張は一つです。同じ仕事を、これまでよりずっと安くこなせるようになった。

根拠に挙がっているのが BrowseComp の結果です。ネット上の見つけにくい事実を探させる試験で、推論の強さは Extra High に揃えています。3か月前の GPT-5.5 は84.36%を取り、費用は33.27ドルかかりました。

同じ設定の GPT-5.6 Luna は84.04%で1.33ドルでした。点差は0.32ポイント、費用は25分の1になります。

ただしこれは OpenAI が自社製品を売るために出した文書です。外部の検証を経た数字ではありません。

なぜ難しい・何がすごいか

長い作業を任せるなら最上位のモデルを最も強い推論設定で使う。これがこれまでの正解でした。長い文脈をたどる力とツールを扱う力で、安いモデルとは差がついていたからです。

GPT-5.6 の世代でそこが縮んだ、と OpenAI は言います。Agents' Last Exam では、Sol の推論「低」が GPT-5.5 の「高」を上回りました。土台の仕組みは同じ条件です。

変わったのはモデルの中身だけではありません。仕事の渡し方に3つの仕掛けが入りました。

考えた内容を次のやり取りに持ち越して毎回考え直させない。作業を複数のエージェントに分けて同時に進める。決まりきったデータ処理はコードに逃がす。

ARC-AGI-3 では、持ち越しと圧縮を入れただけで13.3%が38.3%に上がりました。出力トークンは約6分の1です。モデルは差し替えていません。

たとえ話

工房で全工程を熟練工ひとりにやらせている状態を想像してください。材料を数え、寸法を測り、仕上げまで一人でやれば、腕は確かでも時間と人件費がかさみます。数えると測るは見習いに任せ、熟練工は判断だけに手を動かす。

GPT-5.6 が勧める使い方は、この分業に近いものです。手書きメモの読み取りのような下ごしらえは小さいモデル、判断は上位モデルに配ります。

用語ミニ辞典

• BrowseComp: 見つけにくい事実をネットから探し出す力を測る試験。検索と絞り込みの正確さが出ます。
• 推論の持ち越し: モデルが考えた中身を次のやり取りにも残す設定。毎回ゼロから組み立て直さずに済みます。
• コンパクション: 長くなったやり取りをモデル側で圧縮し、要点だけ残す仕組み。
• プログラム的ツール呼び出し: モデルに JavaScript を書かせ、ツールの呼び出しと結果の加工を文脈の外で走らせる仕組み。
• プロンプトキャッシュ: 前置き部分の計算結果を使い回して、費用と待ち時間を下げる仕掛け。

技術者向けの深掘り

プログラム的ツール呼び出しプログラム的ツール呼び出しモデルに JavaScript を書かせ、ツールの呼び出しと結果の加工を文脈の外で走らせる仕組み。は、文脈の劣化（context rot）への対策として読むと輪郭がはっきりします。100件の書類を取ってきて日付で絞り、該当する取引を見つける作業を考えてください。中間結果がすべて文脈に流れ込めば、トークンを食ったうえに精度も落ちます。

GPT-5.6 は JavaScript を書き、独立した呼び出しを並行に走らせます。出力の加工はモデルの文脈の外で終わります。文脈に戻すのは判断に要る分だけです。

キャッシュ側も動きました。プロンプトキャッシュプロンプトキャッシュ前置き部分の計算結果を使い回して、費用と待ち時間を下げる仕掛け。のTTLが全モデルで最低30分に伸び、キャッシュの区切りを文脈内の任意の位置に明示指定できます。promptcachekey を添えると、同じ前置きを処理した推論機に当たりやすくなり、待ち時間が縮みます。

マルチエージェントは、親が子に振り分けて並行させ、最後に統合する形です。子を出す条件は指示で寄せられます。

これは自分に関係ある？

• エージェントを組んでいる人: 手を入れる先はモデルの格上げより配線です。抽出や整形を小さいモデルに移し、推論の強さを一段下げて測り直す余地があります。
• API の請求を見ている人: 比べるべきは1トークンの単価ではなく、1タスクを終えるまでの総額です。工程ごとにモデルを分ければ数字は動きます。
• 使うだけの人: ChatGPT の ultra 設定は複数のエージェントを並行で走らせる仕組みだと明かされました。複雑な質問ほど差が出るのは、この分担のためです。