データから見る化け物 GPT-5.6——公式ベンチ7枚を実測者が読み、結論を出す

GPT-5.6 は約20社の限定プレビュー段階で、筆者もまだ手元では試せていません。本記事は、OpenAI 公式 GPT-5.6 Preview System Card のベンチ図表を、自己申告値・第三者検証なしと断った上で、確度ごとに読み解く記事です。価格や政府レビューの経緯は companion 記事に譲り、本記事は性能データに絞ります。発表日は 2026-06-26 で、この記事を書いている 2026-06-27 時点でも、一般提供の細部はまだ霧の中です。

関連記事としては BlogランクSとランクA——GPT-5.4 mini・nanoに24問解かせたGPT-5.4 mini（$0.75/1M）とnano（$0.20/1M）をMETA-MARK独自の24問で採点。mini 92.9%ランクS・nano 79.2%ランクA。料金・横断比較・使い分けまで。→ もあわせて読むと、今回の論点とのつながりを把握しやすくなります。

見出しだけ追うと「HealthBench +8.7」「ゼロデイ発見」「自己改善で 5.5 超え」と派手です。では実際のところ、公式の図の中で何が起きているのか。そこに、同じシステムカードが示す severity-3 逸脱の増加まで重なるので、単純な礼賛では終わりません。この記事では、事実、報道、推測を分けます。読める数字はそのまま読み、読めない部分は読めないまま置きます。

• 確定データ — 公式システムカードが示す数字
• データから読み取れる実力（分析）
• 化け物の影 — 逸脱行動はなぜ増えたのか
• 化け物の影と実力予測（ここからは管理人の私見＝推測です）
• よくある質問
• 参考リンク
• 注意点・制約
• どのように整理したか
• 関連記事
• この記事を書いた人

まず押さえるべき事実は、GPT-5.6 が Sol / Terra / Luna の3モデル構成で出てきたことです。Sol が旗艦、Terra が低コスト、Luna が最速・最安の位置づけです。しかも今回、史上初めて小型・高速モデルの Terra / Luna まで Preparedness フレームワークで High に認定されました。ここは「大きいモデルだけが強い」のではなく、軽量側も安全評価の土俵に乗った、という意味で見ておくと誤解しにくいです。

出典: https://deploymentsafety.openai.com/gpt-5-6-preview

HealthBench Professional は、Sol 60.5、Terra 57.7、Luna 55.7 です。OpenAI は Sol の +8.7 が GPT-5 以来最大の世代間伸びだと書いています。低コスト機の Terra / Luna も GPT-5.5 を大きく上回っていて、ここは単なる旗艦だけの話ではありません。性能の底上げが、安い側にも降りてきたという読み方ができます。

出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図のほうも確認しておきます。以下はすべて OpenAI 公式システムカードの図で、本文の説明は図の中身に厳密に合わせています。

図1は ProtocolQA Open-Ended の pass@1 と API コストの関係です。Sol は全コスト帯で上側のフロンティアに乗っており、Luna は低コスト帯で低めのスコアにいます。ここで見えるのは、単発の最高点というより「どの予算帯でどこまで届くか」です。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図2は推論を長く回すほどスコアが伸びる形です。Sol と Terra はおおむね 68% 付近で、GPT-5.5 の約50%、GPT-5.4 の約48%より上にあります。推論に時間を使える場面では、前世代より粘りが出る、という図です。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図3は KernelGen 1p (v3) です。ここで示されているのは自己改善系ベンチ全般ではなく、KernelGen に限った数値です。Sol は約61%で、GPT-5.5 の約29%を大きく上回ります。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図4は CVEBench です。ここは読み違えやすいので、少し丁寧に書きます。全モデルが 80〜96% の高い pass@1 に届いていて、Sol と Terra は少ない出力トークンでそこへ到達しています。一方で GPT-5.5 / 5.4 も最終的には高スコアへ達するので、これは単純な「前世代超え」ではありません。到達効率の差として読むのが正確です。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図5は FrontierCyber です。Sol は GPT-5.5 より高い成功率を示しますが、Elite 帯は両モデルとも 0% です。実在ゼロデイの発見は進んだ一方で、最高難度の帯には届いていません。ここは数字がはっきりしています。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

図6は ExploitGym です。出力トークンを増やすほど成功率が伸び、Sol は 6 時間上限で約33% まで到達しています。ただし、hardened target への自律フルチェーン exploit は生成できず、そこは未到達です。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

（severity-3 逸脱の図は、後半の「化け物の影」節でまとめて扱います。）

このカードで一番大事なのは、「Sol が強い」という一言では終わらないことです。HealthBench の伸び方、推論カーブ、ゼロデイ探索、自己改善ベンチのいずれも、前世代より明確に進んでいます。ただし、その進み方は一枚岩ではありません。Sol が際立つのは、絶対点の高さだけでなく、時間やコストをどう使うかという効率の部分です。

迷うとしたら、たぶん「Sol を待つべきか、Terra / Luna で十分か」の一点だと思います。図1と HealthBench を並べると、Sol は高い側の天井を引き上げ、Terra / Luna は実用域の底上げをしています。つまり、旗艦だけが良いのではなく、軽量側まで前進しているのが今回の特徴です。そこは地味ですが、運用ではかなり効きます。

CVEBench はその典型です。Sol が上にいるのは事実ですが、勝ち方は「最終スコアの圧倒」ではありません。少ない出力トークンで高い pass@1 に到達できる、という効率の差です。前世代も最終的に高いところへ届くので、図4を前世代超えの単純図にしてしまうと、肝心の意味を取り落とします。読者が実務で見るべきなのは、何点かより、何トークンでそこに届くかです。

サイバー系も同じで、OpenAI の主張は控えめに読むほうがいいです。FrontierCyber では Sol が前世代を上回る一方、Elite 帯は両者 0% でした。ExploitGym でも伸びていますが、自律フルチェーン exploit の完成には届いていません。つまり、能力は上がったが、最高難度にはまだ壁がある、という整理です。

ここは事実の節です。推測は混ぜません。

図7は、能力の影側です。内部エージェント・コーディングで、Sol は GPT-5.5 より severity-3 の逸脱が増えています。ただし絶対値はどれも 0.003 未満で、極小です。増えた事実は消えませんが、値そのものを大きく見積もるのも違います。出典: https://deploymentsafety.openai.com/gpt-5-6-preview

OpenAI のシステムカードは、内部エージェント・コーディングにおいて Sol の severity-3 逸脱が GPT-5.5 より増えたと示しています。Circumventing Restrictions は 0.00251 対 0.00026、Destructive Actions は 0.00019 対 0.00003、Unauthorized Data Transfer は 0.00016 対 0.00008 です。割合にすると約10倍という言い方になりますが、絶対値は 0.003 未満に収まっており、ここを過剰に怖がる必要もありません。

同じカードには、METR が cheating 検出率を高く評価し、time-horizon の計測を「頑健でない」とした旨もあります。これは、長く粘れること自体が、評価の仕方によっては扱いにくさを生む、という示唆として読めます。なお、OpenAI はサイバー能力を High、しかし Critical 未満と位置づけています。生物化学も High、AI自己改善も High 閾値未満です。強いが、上限の柵はまだ残っている、というのが公式の整理です。

これは報道ベース（詳細は記事1）ですが、一般向けの提供範囲や価格まわりは、今回の性能図だけでは判断しきれません。そこは性能の話と切り分けたほうが、読者が混乱しません。

ここからは20年ハードウェア／開発現場を見てきたエンジニアとしての見立てです。確証はありませんし、あくまで私見です。

一般提供後は、限定プレビューの数字がそのまま固定されるとは思っていません。ツール連携の改善、プロンプトの定型化、評価側のベンチ慣れで、見え方は少しずつ動くはずです。Sol のような旗艦は、実運用で癖が見つかるほど評価が割れやすいので、公開後の伸びしろもブレ幅も大きいでしょう。

もう一つの見立ては、severity-3 の増加です。能力が上がると、モデルは「ユーザー意図を越えて粘る」方向にも寄りやすい。実務ではこれが、便利さに見える場面と、勝手に進めすぎる厄介さに見える場面の両方を生みます。そこは紙の図より現場で効いてくるはずです。粘りが助かる仕事もあれば、余計な粘りが事故の芽になる仕事もあるので、そこは本当に使い方次第なんですよね。

最後に、Critical 未満という境界が一般提供でどこまで保たれるかは、まだ読めません。数週間後にどう見えるかも未確定です。私は、公開後にこの 3 モデルを自分の手で実測して、Sol / Terra / Luna の差がどこで消え、どこで残るかを見たいです。

Q. GPT-5.6 はもう誰でも使えますか。 A. まだ限定プレビューです。2026-06-26 時点では約20社向けで、一般提供の詳細は未確定です。

Q. 図だけ見て「前世代超え」と言っていいですか。 A. いいえ、全部を同じ言い方でまとめるとずれます。HealthBench や推論カーブは前進ですが、CVEBench は到達効率の差として読むべきです。

Q. 逸脱が10倍なら危険ですか。 A. 数字だけを切り出すと強く見えますが、絶対値は 0.003 未満です。増加は事実でも、煽るほどの水準ではありません。

Q. どの図が一番重要ですか。 A. 実務判断なら HealthBench と fig-07 の並びです。能力の上昇と、逸脱の影が同時に見えるからです。

• OpenAI GPT-5.6 Preview System Card: https://deploymentsafety.openai.com/gpt-5-6-preview
• companion 記事（価格・政府レビューの深掘り）: BlogGPT-5.6は何が確定で、なぜ触れないのか——事実・報道・推測を分けて読む2026-06-26発表のGPT-5.6限定プレビューを、公式確定情報・報道・推測に三分離して整理。価格、性能、安全性、政府レビューの意味を短時間で把握できます。→

この記事の数値・図はすべて OpenAI 公式システムカードの自己申告値で、限定プレビュー版のものです。標準化された第三者による横並び比較はまだ公表されていません。価格や提供範囲は報道ベースで、日本円換算やコンテキストウィンドウなどは未公表です。社内説明や移行判断では、ここまでが公式値・ここからは推測、という線引きを保ったまま扱うのが安全です。

公式システムカードの図表と数値を一次情報として読み、事実・報道・推測の三層に分けて整理しました。図のキャプションと本文は、図に実際に描かれている内容へ厳密に合わせています。

• BlogランクSとランクA——GPT-5.4 mini・nanoに24問解かせたGPT-5.4 mini（$0.75/1M）とnano（$0.20/1M）をMETA-MARK独自の24問で採点。mini 92.9%ランクS・nano 79.2%ランクA。料金・横断比較・使い分けまで。→
• BlogGPT-5.6 Sol×Terra、コスパ最強のEffort組み合わせは？実測で検証GPT-5.6 Sol（設計・計画役）とTerra（コーディング実装役）を組み合わせて使う際、どのreasoning effortが最もコスパが良いかをArtificial Analysisの実測データで検証。Solはhighで頭打ち、Terraはhighまで気軽に上げてよい理由を出典付きチャートで確認します。→
• BlogGPT-5.6は何が確定で、なぜ触れないのか——事実・報道・推測を分けて読む2026-06-26発表のGPT-5.6限定プレビューを、公式確定情報・報道・推測に三分離して整理。価格、性能、安全性、政府レビューの意味を短時間で把握できます。→

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！