チュートリアル2026年7月11日by K.hirano

GPT-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。

#GPT-5.6#OpenAI#Artificial Analysis#reasoning effort#Sol#Terra

GPT-5.6のSol（設計・計画向けのフラグシップ）とTerra（バランス型、実装向け）を組み合わせて使う場合、Artificial Analysisの実測では、Solはhigh effortでIntelligence Indexの伸びがほぼ頭打ちになる（xhighへ上げても56→58とわずか2点）。一方Terraはlow→medium→highと待ち時間（TTFT）の増加が緩やかなまま素直に伸びる。設計フェーズのSolはhigh止まりが合理的、実装フェーズのTerraはタスクの複雑さに応じてhighまで気軽に使えるというのが、実測データから見える結論です。

私は普段、設計や計画立案はSol、実際に手を動かすコーディングはTerraに任せる、という役割分担でGPT-5.6を使っています。ただ、正直なところ「それぞれ何effortにすればいいか」は勘に頼っていました。とりあえず設計はhigh、実装もhighにしておけば安心、くらいの感覚です。

そこで今回、Artificial Analysisの実測データ（一次情報として保存したページから出典付きで引用）を使って、SolとTerraそれぞれのeffort別コスパを並べて検証してみました。結果は、思っていたより「effortを上げれば上げるほど良い」わけではないという、はっきりした線引きが見えるものでした。

GPT-5.6の位置づけ — SolとTerraはどう違うか

OpenAIの公式発表によると、GPT-5.6ファミリーのSolは「知能と効率の両面で新標準を打ち立てる」新フラグシップ、Terraは「日常業務向けのバランス型モデル」と位置づけられています（保存ページ確認、2026-07-11）。

私を含め多くのvibe coderは、これを「設計・計画で妥協したくない場面はSol、日常的な実装作業はTerra」という実務上の役割分担として使っています。この記事では、その役割分担を前提に、それぞれ何effortで動かすのがコスパの観点で妥当かを実測データで確かめます。

確定データ — Solの3段階を並べる

以下はOpenAIの公式発表値ではなく、第三者ベンチ機関Artificial Analysisが自ら計測した実測値です（保存日時2026-07-10、Artificial Analysis）。

Effort	Intelligence Index	Output Speed (t/s)	TTFT (秒)	入力$/1M	出力$/1M
low	49	67.1	2.21	$5.00	$30.00
high	56	73.0	7.00	$5.00	$30.00
xhigh	58	70.8	42.65	$5.00	$30.00

コスト対Intelligence Indexの散布図で見ると、Solのeffortを上げるほどグラフ上の位置が右（高コスト）へ動いていく様子が具体的に分かります。

Sol系列の起点となるlow effortの散布図。グラフの左寄り、タスク単価およそ0.2ドル・Intelligence Index 49の一点 Sol（low effort）はタスク単価約0.2ドルでIntelligence Index 49の位置にある（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-sol-low）

Solのeffortをhighへ上げた場合の散布図。位置はタスク単価約0.42〜0.45ドル、縦軸のIntelligence Indexは56 Sol（high effort）はタスク単価約0.42〜0.45ドルでIntelligence Index 56まで伸びる（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-sol-high）

さらにSolをxhighまで引き上げた場合の散布図。プロットはタスク単価約0.65〜0.7ドル・Intelligence Index 58の地点 Solをxhighまで上げるとタスク単価は約0.65〜0.7ドルまで上昇するが、Intelligence Indexは58と、highの56からわずか2点しか伸びない（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-sol-xhigh）

lowからhighへは49→56と7点伸びるのに対し、highからxhighへは56→58とたった2点しか伸びていません。それでいてタスク単価はさらに上昇しています。

確定データ — Terraの3段階を並べる

Terraも同じ形式で3段階を並べます（出典: Artificial Analysis）。

Effort	Intelligence Index	Output Speed (t/s)	TTFT (秒)	入力$/1M	出力$/1M
low	40	135.0	1.37	$2.50	$15.00
medium	46	138.8	1.87	$2.50	$15.00
high	49	121.5	2.07	$2.50	$15.00

Terra系列の起点、low effort設定時の位置関係を示す散布図。全体の中でも特に低コスト帯の一点低コスト帯の左端に位置するのがTerraのlow effort。タスク単価約0.1ドル、Intelligence Index 40（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-terra-low）

Terraをmediumへ引き上げた散布図。プロットの位置はタスク単価約0.13〜0.14ドル、Intelligence Indexは46に到達 Terra（medium effort）はタスク単価約0.13〜0.14ドルでIntelligence Index 46まで伸びる（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-terra-medium）

Terra系列の到達点、high effortの散布図。3段階の中で最もIntelligence Indexが高い49に達している Terra（high effort）はタスク単価約0.24〜0.25ドルでIntelligence Index 49まで伸びる（出典: Artificial Analysis https://artificialanalysis.ai/models/gpt-5-6-terra-high）

Terraはタスク単価が0.1ドルから0.25ドル程度と、Solに比べて全体的にかなり安い水準に収まっています。

読み取れること — SolとTerraで挙動が違う

2つのテーブルを並べて眺めると、SolとTerraでeffortを上げた時の挙動がはっきり違うことが見えてきます。

Solはhighで実質頭打ち。Intelligence Indexの伸びはlow→high で+7、high→xhighで+2。TTFTはhigh 7.00秒からxhigh 42.65秒へ約6倍に跳ね上がるのに、得られる知性の伸びはわずか2点です。
Terraは待ち時間の増加が緩やか。TTFTはlow 1.37秒→medium 1.87秒→high 2.07秒と、Solのような急増がありません。Intelligence Indexもlow→mediumで+6、medium→highで+3と、Solほど極端な頭打ちではなく素直に伸びます。
同じ「high」effortでも、モデルによって意味が違う。SolのhighはIntelligence Index 56・TTFT 7.00秒という「じっくり考えて出す」設定である一方、Terraのhighは49・2.07秒と、実装作業のイテレーションを止めない速さを保ったままの設定です。

姉妹記事「BlogGPT-5.6のeffort、maxにすると何倍遅い？実測で見る使い分けGPT-5.6 Sol/Terra/LunaのreasoningエフォートをArtificial Analysisの第三者実測データで比較。effortを上げるとIntelligence Index・TTFT・価格がどう変わるかを出典付きチャートで確認し、用途別の使い分け判断基準を整理します。→」で確認したTTFTの伸び方（Solは最大約88倍）とあわせて見ると、Solのxhigh以上は「バッチ処理やレビュー用途以外では割に合わない」という結論がより具体的になります。

コスト最適な組み合わせ — 設計はSol high、実装はTerraで使い分け

ここまでのデータから、Sol×Terraの組み合わせ運用における私なりの判断基準はこうなります。

設計・計画（Sol） → highで打ち止め。xhigh以上はTTFTの増加（7秒→42秒）に対してIntelligence Indexの伸び（+2点）が見合わない。「じっくり考えてほしいがリアルタイム性も欲しい」設計相談には high がちょうどいい落としどころです
コーディング実装（Terra） → タスクの複雑さに応じてlow〜highを気軽に切り替える。TTFTの増加がなだらかなので、シンプルな修正はlow、込み入ったロジックはhigh、という調整のコストが小さい
「両方xhigh以上」は避ける → SolのxhighはTTFTが跳ね上がる上に伸びが小さく、コストだけ増える組み合わせになりやすい

もし今「設計もSol xhigh、実装もTerra xhigh」のように両方を高effortで固定しているなら、まずSolをhighへ落としてみて、体感のTTFTとレスポンス品質がどう変わるか確認するのがおすすめです。

注意点・制約

本記事の実測値は全てArtificial Analysisという第三者ベンチ機関の計測であり、OpenAI公式発表値ではありません。
Intelligence Index・Output Speed・TTFT・価格は保存ページのテキストから正確な数値を確認していますが、散布図上のタスク単価（コスト）は目視で読み取った近似値（約〜ドル）です。
Artificial Analysisの実測データは継続的に再計測される性質があり、時点によって数値が変動しうる点は姉妹記事でも確認済みです。自分の実際のワークロードでの体感も併せて確認することをおすすめします。
Sol/Terraの「設計役・実装役」という役割分担は、あくまで一般的な運用上の使い分けであり、OpenAIによる公式な用途指定ではありません。

まとめ

Solはlowからhighで大きく伸びる（49→56）が、highからxhighでは伸びがほぼ止まる（56→58）
Terraはlow→medium→highと、待ち時間の増加が緩やかなまま素直にコスパが伸びる
設計・計画で使うSolはhighが実用上の上限、実装で使うTerraはタスクの複雑さでlow〜highを気軽に使い分けるのが合理的
「両方とりあえずxhigh以上」は、コストだけ増えて見返りが小さい組み合わせになりやすい

この記事を書いた人

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！