GPT-6.2 Astra と Sol は、同じ買い物のサイズ違いではありません。 Astra は OpenAI の最も難しいプロジェクト向けモデル、Sol は日常業務や大量処理を担うエージェント向けモデルです。標準の短コンテキスト料金では、Astra の入力・出力トークン単価は Sol の 4 倍です。したがって実務上の問いは、どちらが「強そう」かではなく、実際に使えるタスクあたりのコストを最小にしつつ合格基準を満たすのはどちらか、そしてより良い出力に価格差を払う価値があるのはどの場面か、という点です。
範囲と根拠。 OpenAI は 2026 年 11 月 17 日に GPT-6.2 Astra と Sol を発表しました。以下の仕様とリスト料金は、2026 年 11 月 18 日に確認した OpenAI の発表記事と公式モデルページに基づきます。本記事は計画用のガイドであり、ベンチマークレポートではありません。どちらのモデルも実行せず、レイテンシの測定や出力の採点も行っていません。コスト例は公式料金と、そこに明記した仮定から計算したものです。ToAPIs 国際版のカタログには Astra と Sol が掲載されています。利用可能なバリアント、料金、ルーティングは最新のカタログで確認してください。本記事は、プラットフォーム固有の料金、エンドポイントパス、地域ごとの提供範囲を断定しません。
1. 判断の土台となる公式情報
OpenAI の発表記事は、Astra をスライド、スプレッドシート、ドキュメント、コーディング、コンピューター操作、視覚推論などの複雑な専門業務向けに位置づけ、Sol は多段階のエージェントワークフローを含む日常的な技術・非技術タスク向けとしています。どちらもテキストと画像を入力し、テキストを出力します。公式モデルページでは、両モデルのコンテキストと出力の上限は同じです。
| 仕様 | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| API モデル ID | gpt-6.2-astra | gpt-6.2-sol |
| OpenAI の位置づけ | 最も難しいプロジェクトを最初から最後まで | 日常業務と大規模なエージェント |
| 入力モダリティ | テキスト、画像 | テキスト、画像 |
| 出力 | テキスト | テキスト |
| コンテキストウィンドウ | 1,050,000 トークン | 1,050,000 トークン |
| 最大入力 | 922,000 トークン | 922,000 トークン |
| 最大出力 | 128,000 トークン | 128,000 トークン |
| ナレッジカットオフ | 2026 年 5 月 18 日 | 2026 年 6 月 1 日 |
| 推論設定 | Highest。none は拒否 | Highest。none は拒否 |
| ファインチューニング | 非対応 | 非対応 |
最も大きな経済的違いは、コンテキスト上限ではなく料金です。
| 公式の標準短コンテキスト料金 | Astra | Sol | Astra / Sol |
|---|---|---|---|
| 入力、100 万トークンあたり | $8.00 | $2.00 | 4 倍 |
| キャッシュ入力、100 万トークンあたり | $0.40 | $0.10 | 4 倍 |
| 出力、100 万トークンあたり | $40.00 | $10.00 | 4 倍 |
| 30 分キャッシュ書き込み、100 万トークンあたり | $10.00 | $2.50 | 4 倍 |
出典:OpenAI API 料金ページおよびモデルページ、2026 年 11 月 18 日確認。料金は 100 万トークンあたりの米ドルで、税およびプラットフォーム手数料を含みません。参照用のリスト料金であり、ToAPIs の見積もりではありません。
OpenAI はベンダー自己申告の性能も公表しています。発表記事によると、Cognition の FrontierCode 2.0 では、両モデルを最大推論に設定した場合、Sol は Astra と 0.5 ポイント以内の差で、コストは約 5 分の 1 です。また Artificial Analysis の AA-3D 人間選好評価では、Astra が 1,318 Elo、Sol が 1,259 と報告しています。これらは本記事で設定を監査していないベンダー報告の結果です。仮説として扱い、実際のプロンプト、ツール、合格基準では異なる順位になり得ると考えてください。
2. 4 倍の価格差:Astra が成立する条件
標準の短コンテキスト料金では、入力・出力・キャッシュ入力のいずれも Astra と Sol は 4:1 の関係にあります。両モデルが同じ数の課金対象トークンを消費し、同じ回数の試行を必要とする場合、Astra の合格タスクあたりコストが Sol を下回るには、合格率が Sol の 4 倍を超える必要があります。合格率の上限は 100% なので、Sol の合格率が 25% を超えると、この条件は満たせなくなります。
この記述の適用範囲は狭く、同じトークン量、同じ試行回数、同じ課金単位という前提に限られます。それでも、Astra がコストで勝つには品質差がどれだけ大きい必要があるかを示す出発点として有用です。損益分岐の感度は次のとおりです。
| Sol の合格率 | Sol の合格タスクあたりコストに並ぶために Astra に必要な合格率 |
|---|---|
| 10% | 40% |
| 15% | 60% |
| 20% | 80% |
| 25% | 100% |
| 30% | 120%(到達不可) |
| 50% | 200%(到達不可) |
タスクあたりのトークン数と試行回数が両モデルで同一で、すべての試行が課金されると仮定しています。トークンの内訳が変われば損益分岐点も変わります。
この損益分岐の考え方は、Astra の価格が高すぎるという主張ではありません。「最高のモデル」というラベルをそのままルーティング方針にするな、という主張です。Sol の出力が使えない場合、誤った回答のコストが高い場合、人手による修正コストがトークンの価格差を上回る場合には、Astra は合理的です。定型の分類、抽出、短いサポート返信では、Astra が既定になることはほとんどありません。
重要な限定条件は 3 つあります。
- トークン効率によって倍率は変わり得る。 Astra が明らかに少ない出力トークンや試行回数で合格に到達するなら、実効的な価格差は 4 倍を下回ります。本記事には条件を揃えた実測がないため、具体的な数値は主張しません。
- 倍率は請求額そのものではない。 入力が 272,000 トークンを超えると、入力とキャッシュの料金が 2 倍になり、出力はリクエスト全体に対して 1.5 倍の料金になります。リスト料金の 4:1 は維持されますが、絶対額は上がります。短コンテキスト向けの試算を長コンテキストの作業に流用しないでください。
- 他の課金単位が倍率を崩す。 ツール呼び出し、コンテナ、ファイル検索、バッチや Fast モード、Ultrafast、バックグラウンドウィンドウ、地域別加算、税、プラットフォーム手数料はこの計算に含まれません。公式料金ページとアカウントの実際の料率を確認してください。
3. シナリオ別の使い分け:各モデルが力を発揮する場面
ワークロード、失敗時のコスト、処理量を明確にすると、判断しやすくなります。以下の表は出発点となる方針であり、実測品質に関する主張ではありません。
| ワークロード | 最初に使うモデル | Astra に切り替える条件 | 主なコスト要因 |
|---|---|---|---|
| 大量のサポート、分類、抽出 | Sol | 曖昧なケースや価値の高いケースが評価基準を満たさない、または誤答が高コストな人手レビューを招く | タスクあたりの試行回数と合格率 |
| 範囲の明確なコーディング、テスト生成、PR レビュー | Sol | 変更が複数ファイルにまたがる、設計判断が必要、またはリグレッションの発見が遅れるほど高コストになる | 合格タスクあたりのコストとレビュー時間 |
| スライド、スプレッドシート、メモ、顧客向け成果物 | 下書きは Sol | テンプレートへの忠実度、事実の統合、初回で使えるかどうかが成果物の可否を決める | 手直しとレビュー時間 |
| 長時間のエージェントとツールワークフロー | 実行は Sol | 計画や曖昧なステップで繰り返し失敗する、または視覚・コンピューター操作の高度な判断が必要 | 累積トークンと再試行 |
| 視覚、3D、CAD、インタラクティブなフロントエンド | 単純なページは Sol | 空間精度、視覚品質、細かなコンピューター操作がユーザー体験を左右する | 再試行と人手レビュー |
| オフラインのバッチ処理 | Sol | 品質フィルターが Sol の出力を大量に却下する、またはタスク自体がフロンティア級 | バッチ割引と却下率 |
大量のサポートと抽出:Sol が経済的な既定値
サポートのトリアージや請求書抽出のパイプラインでは、1 日あたり数千件の短いリクエストを処理することがあります。入力は数千トークン、出力は短いラベルや JSON です。Sol の $2/$10 という料金は大きな利点で、コンテキストも Astra と同じ 1.05M あるため、コンテキスト容量はアップグレードの理由になりません。切り替えるのは具体的な失敗だけです。価値の高いアカウントでのスキーマ違反、ソース文書の矛盾、返金やコンプライアンスレビューを招く誤分類などが該当します。そのコホートだけを測定し、デモが良く見えたという理由でキュー全体を移さないでください。
リポジトリ全体のコード変更:品質はレビュー時間として現れる
1 行の修正なら、Sol が妥当な最初の選択です。設計が不明確な複数ファイルのリファクタリングでは、実コストにシニアエンジニアの読解、呼び出し箇所の漏れの調査、テストの修正が含まれます。Sol が何度も往復を要する一方で、Astra が 1〜2 回でマージ可能な変更を出すなら、トークン単価が 4 倍でも、合格した変更あたりのコストでは Astra のほうが安くなる可能性があります。合格判定は実行で行う必要があります。使い捨ての環境でパッチを適用し、テストを実行してください。もっともらしい diff だけでは不十分です。
専門的な成果物:Astra の価格差は正当化しやすい
スライド、バリュエーションのワークブック、法務要約、顧客向けメモは、手直しのコストが高くなります。テンプレートを無視したデッキや、必須条項を欠いたメモは、モデル料金を上回る人件費を消費することがあります。OpenAI は Astra を専門的な慣行やテンプレートへの忠実度に位置づけています。ただし、実際のテンプレートを使ったブラインドレビューは必要です。Sol の下書きが使えるなら Sol を使い、大幅な再構成が必要ならレビュー時間と Astra の価格差を比較してください。
エージェントと視覚ワークフロー:計画担当と実行担当を分ける
エージェントワークフローはコンテキストを蓄積するため、価格差が複利で効いてきます。よくある構成は、定型的なツール呼び出し、抽出、短い応答を Sol に任せ、計画、曖昧な判断、軌道を決める視覚・コンピューター操作のステップを Astra に残すものです。タスクごとのトークンと試行回数の上限を設定し、完全なトレースを記録して、途中の最も優れたメッセージではなく完了したタスクを評価してください。
4. シンプルなコスト例
1 回の呼び出しで入力 10,000 トークン、出力 2,000 トークンを使うタスクを、OpenAI の標準短コンテキスト料金で計算します。各呼び出しは 1 回の試行で、すべての呼び出しが課金されます。
- Sol: 入力 $0.02 と出力 $0.02 で 1 回あたり $0.04。
- Astra: 入力 $0.08 と出力 $0.08 で 1 回あたり $0.16。
Sol が 2 回目の試行で成功すれば、タスクのコストは $0.08 です。Astra が 1 回目で成功すれば $0.16 です。Sol が 5 回の試行を要すると $0.20 になり、Astra の 1 回の成功呼び出しより高くなります。したがって価格差を払う価値があるのは、Astra が再試行や修正を十分に減らしてこの差を埋められる場合だけです。試行回数は説明のための仮定であり、実測値ではありません。自社のログを使ってください。
これが合格タスクあたりコストの実務的な形です。課金されたすべての呼び出しを数え、その金額の合計を、結果を使える状態にするまでに費やした時間と比較します。
これらの数値は、リクエストあたりの入力を 272,000 トークン未満と仮定した、OpenAI 公表の標準短コンテキスト料金による計画用の概算です。キャッシュヒットとキャッシュ書き込み、ツール料金、バッチ、Fast、Ultrafast、バックグラウンドウィンドウの料金(割引を含む)、地域別加算、税、プラットフォーム手数料、人手によるレビューや編集時間は含みません。ToAPIs の見積もりではないため、アカウントの最新料金はモデルカタログと料金ページで確認してください。
5. 3 ステップでの選び方
- Sol から始める。 実際のタスク、またはその小さなサンプルを、本番のプロンプトと出力ルールで Sol に通します。各結果が合格したか、何回呼び出したか、修正にどれだけ時間をかけたかを記録します。
- 具体的な失敗に対して Astra を試す。 より強力なモデルなら解決し得る理由で Sol が失敗する場合(曖昧な指示、弱い設計判断、難しい視覚ステップなど)、同じ入力を Astra に通します。デモが良く見えたという理由でワークロード全体を移さないでください。
- 呼び出し総額と編集時間を比較する。 各モデルの 1 回あたりの料金で、課金されたすべての呼び出しを合計し、出力のレビューや修正に費やした時間を並べます。Astra の追加コストが、再試行の削減、編集の減少、エラーコストの低減で回収できる場合にだけ Astra を選びます。
API 連携には、モデルカタログ、料金ページ、API ドキュメントを利用してください。モデル ID と最初のリクエストについては、関連記事の GPT-6.2 API ガイドを参照してください。利用可能なバリアント、料金、地域は最新のカタログで確認してください。本記事は、プラットフォーム固有の料金、エンドポイントパス、地域ごとの提供範囲を断定しません。
6. よくある質問
Astra は 4 倍の価格に見合いますか?
追加の品質が結果を変え、価格差を正当化できる場合に限ります。定型的で要件が明確な作業では、Sol を上回るのは簡単ではありません。価値の高い成果物、コストの高いコード変更、Sol の繰り返しの失敗がある場合は、トークン単価が高くても、実際に使えるタスクあたりでは Astra のほうが安くなる可能性があります。
Sol の安さはコーディング品質の低さを意味しますか?
OpenAI は FrontierCode 2.0 で、両モデルを最大設定にした場合、Sol が Astra と 0.5 ポイント以内の差で、コストは約 5 分の 1 だと報告しています。これはベンダーの主張であり、あなたのリポジトリでの結果ではありません。パッチの適用可否、テスト合格率、レビュー負荷、リグレッションのリスクを検証してください。
キャッシュ入力をどう計算すればよいですか?
キャッシュ入力の料金は、Astra が 100 万トークンあたり $0.40(未キャッシュは $8.00)、Sol が $0.10(未キャッシュは $2.00)です。キャッシュ書き込みは別料金です。長いプロンプトや文書を再利用する場合は、未キャッシュの料金を前提にせず、キャッシュヒット率を測定してください。本記事の例ではキャッシュの効果を考慮していません。
272K トークンを超える長いプロンプトはどうなりますか?
別に計算してください。入力が 272,000 トークンを超えると、入力とキャッシュの料金が 2 倍になり、出力はリクエスト全体に対して短コンテキスト料金の 1.5 倍になります。リスト料金の 4:1 は維持されますが、絶対額は上がります。長コンテキストの作業を短コンテキスト向けの試算に含めないでください。
ToAPIs でこの比較を実行できますか?
ToAPIs 国際版のカタログには Astra と Sol が掲載されていますが、本記事はプラットフォーム固有の料金、エンドポイント、地域ごとの提供範囲を断定しません。最新のカタログと料金ページを確認してください。開発者向け付録の比較ハーネスは、既定で OpenAI 公式 API を対象としています。他の OpenAI 互換エンドポイントを使う場合は、モデル ID、フィールド、課金単位を確認してください。
7. 出典と方法
- OpenAI: Introducing GPT-6.2 Astra and Sol(2026 年 11 月 17 日公開)— 発表時の位置づけ、提供状況、ベンダー報告の結果。
- OpenAI モデルページ: GPT-6.2 Astra — モデル ID、コンテキスト上限、モダリティ、ツール、料金(2026 年 11 月 18 日確認)。
- OpenAI モデルページ: GPT-6.2 Sol — モデル ID、コンテキスト上限、モダリティ、ツール、料金(2026 年 11 月 18 日確認)。
- OpenAI API 料金 — 標準、キャッシュ、長コンテキスト、バッチ、Fast、Ultrafast の条件(2026 年 11 月 18 日確認)。
- ToAPIs: GPT-6.2 API ガイド — プラットフォーム固有の設定と料金。関連記事。
方法に関する注記。 ドルの数値は、公表されたリスト料金と、例で示したトークン数・試行回数の仮定から算出した決定的な計算結果です。請求書、見積もり、実測結果ではありません。本記事のためにモデル推論、レイテンシ測定、品質採点、ブラインドレビューは実施しておらず、開発者向け付録の比較ハーネスも実行していません。本番判断の前に、料金、トークン数、試行回数を自社のパイロットデータに置き換えてください。
開発者向け付録:自分で比較を実行する
以下の手順は、自社のワークロードに対する根拠を得るために設計されています。意図的にリーダーボードではありません。本記事ではこの比較を実行しておらず、モデルの出力やレイテンシの数値も報告していません。
テスト設計
- タスクセットを固定する。 20〜50 件の代表的なケースを使い、既存の動作を守るための簡単なケースと、モデルを区別できる難しいケースを含めます。機密データは削除するか、同等の合成データに置き換えます。
- リクエストを固定する。 API 仕様が許す範囲で、両モデルに同じシステムプロンプト、ユーザー入力、ツール、出力スキーマ、トークン予算を使います。避けられない差異は記録します。
- 非決定的なタスクを繰り返す。 最良の出力だけでなく、分布と失敗も保持します。
- ブラインドで採点する。 レビュー前にモデル名を隠します。タスクは必須チェックをすべて通った場合にだけ合格です。フィールドの欠落、識別子の捏造、テストの失敗がある回答は、どれほど整っていても不合格です。
- 課金対象の試行を数え、レイテンシは分けて報告する。 失敗した試行も課金されるならコストの分子に含めます。最初のトークンまでの時間、完了までの時間、合格結果が得られるまでの時間を別々に報告し、計測に何が含まれるかを明記します。
最小限のケースセットは次のようになります。
| ケース | タスク | 合格チェック |
|---|---|---|
extract-01 | 短い注文メッセージから商品と数量を抽出する | 有効な JSON、キーが正確、数量が整数、値を捏造していない |
code-01 | 境界条件を含む関数を実装する | パッチが適用できる、テストが通る、不正な入力を拒否する、無関係な変更がない |
clarify-01 | 注文 ID のない注文状況の問い合わせに応答する | ID を尋ねる、ID を捏造しない、書き込み操作を行わない |
memo-01 | 提供された資料一式を 1 ページのメモにまとめる | 必須セクションがすべてある、数値が資料に追跡できる、根拠のない主張がない |
ハーネスは OpenAI 公式の Chat Completions エンドポイントを両方のモデル ID で呼び出し、usage、レイテンシ、要求/返却されたモデル識別子、タイムスタンプを記録し、accepted は人手のレビュアーに委ねます。API キーが必要で、--execute を指定した場合にのみ課金対象の呼び出しを行います。estimate_cost はキャッシュヒット、課金モードの割引、プラットフォーム手数料を無視するため、実際の請求 usage と照合してください。本番データを使わず、アグリゲーターがモデル ID や料金を保持していると仮定しないでください。
#!/usr/bin/env python3
"""Reusable GPT-6.2 Astra vs Sol comparison harness.
The comparison was not executed for the accompanying article. Requires OPENAI_API_KEY and
explicit --execute consent because calls are billable. Acceptance is manual.
"""
from __future__ import annotations
import argparse
import json
import os
import time
import urllib.request
from datetime import datetime, timezone
from pathlib import Path
API_URL = os.environ.get("OPENAI_BASE_URL", "https://api.openai.com/v1").rstrip("/") + "/chat/completions"
MODELS = ("gpt-6.2-astra", "gpt-6.2-sol")
RATES = {
"gpt-6.2-astra": {"input": 8.00, "output": 40.00},
"gpt-6.2-sol": {"input": 2.00, "output": 10.00},
}
CASES = [
{
"id": "extract-01",
"system": "Return only valid JSON with exactly the keys item and quantity.",
"user": "Please order 3 blue mugs.",
"rubric": ["valid JSON", "item is blue mugs", "quantity is the integer 3"],
},
{
"id": "code-01",
"system": "Return a unified diff only. Do not include commentary.",
"user": (
"Implement merge_intervals(intervals) so overlapping or adjacent "
"intervals are merged. Reject invalid ranges. Include tests."
),
"rubric": ["patch applies", "tests pass", "invalid ranges rejected"],
},
{
"id": "clarify-01",
"system": "You are an order-support agent. Never invent identifiers.",
"user": "Where is my order?",
"rubric": ["asks for order ID", "does not invent an ID", "no write action"],
},
]
def estimate_cost(model: str, prompt_tokens: int, completion_tokens: int) -> float:
rate = RATES[model]
return (
prompt_tokens * rate["input"] + completion_tokens * rate["output"]
) / 1_000_000
def call_model(model: str, case: dict) -> dict:
body = json.dumps(
{
"model": model,
"messages": [
{"role": "system", "content": case["system"]},
{"role": "user", "content": case["user"]},
],
"max_completion_tokens": 8000, # fixed cap for this comparison
}
).encode("utf-8")
request = urllib.request.Request(
API_URL,
data=body,
headers={
"Authorization": f"Bearer {os.environ['OPENAI_API_KEY']}",
"Content-Type": "application/json",
},
)
started = time.perf_counter()
with urllib.request.urlopen(request, timeout=180) as response:
payload = json.load(response)
elapsed = time.perf_counter() - started
usage = payload.get("usage", {})
prompt_tokens = usage.get("prompt_tokens", 0)
completion_tokens = usage.get("completion_tokens", 0)
return {
"requested_model": model,
"returned_model": payload.get("model"),
"api_url": API_URL,
"timestamp_utc": datetime.now(timezone.utc).isoformat(),
"case_id": case["id"],
"run": None,
"latency_seconds": round(elapsed, 3),
"prompt_tokens": prompt_tokens,
"completion_tokens": completion_tokens,
"cost_usd": round(estimate_cost(model, prompt_tokens, completion_tokens), 6),
"output": payload["choices"][0]["message"]["content"],
"rubric": case["rubric"],
"accepted": None,
"reviewer": None,
"review_notes": None,
}
def main() -> None:
parser = argparse.ArgumentParser()
parser.add_argument("--execute", action="store_true", help="make billable API calls")
parser.add_argument("--repeats", type=int, default=1)
parser.add_argument("--out", default="gpt-6-2-runs.jsonl")
args = parser.parse_args()
if not args.execute:
print("Dry plan only. Re-run with --execute after checking access, budget and data rules.")
for case in CASES:
print(json.dumps({"case": case["id"], "models": MODELS, "repeats": args.repeats}))
return
if not os.environ.get("OPENAI_API_KEY"):
raise SystemExit("Set OPENAI_API_KEY first.")
output = Path(args.out)
with output.open("a", encoding="utf-8") as handle:
for case in CASES:
for model in MODELS:
for run in range(args.repeats):
record = call_model(model, case)
record["run"] = run + 1
handle.write(json.dumps(record, ensure_ascii=False) + "\n")
print(json.dumps({
"case_id": record["case_id"],
"model": record["requested_model"],
"latency_seconds": record["latency_seconds"],
"cost_usd": record["cost_usd"],
}))
print(f"Wrote {output}. Fill 'accepted' manually against each rubric before comparing costs.")
if __name__ == "__main__":
main()
レビュー後に、ルーティング判断の中心となる数値を計算します。
import json
from pathlib import Path
rows = [json.loads(line) for line in Path("gpt-6-2-runs.jsonl").read_text().splitlines()]
if not rows or any(type(row["accepted"]) is not bool for row in rows):
raise SystemExit("Review every row before comparing costs.")
for model in sorted({row["requested_model"] for row in rows}):
model_rows = [row for row in rows if row["requested_model"] == model]
accepted = sum(row["accepted"] is True for row in model_rows)
estimated = sum(row["cost_usd"] for row in model_rows)
per_accepted = estimated / accepted if accepted else None
print(model, {"accepted": accepted, "estimated_usd": round(estimated, 4),
"cost_per_accepted": round(per_accepted, 4) if per_accepted is not None else None})
このハーネスはツールの実行をテストしません。モデルが生成したコードやシェルコマンドを実行すると、セキュリティと再現性の問題が生じるためです。ワークフローでツールを使う場合は、ツールのトレースを別に評価してください。引数の妥当性、権限、副作用、再試行、および確認質問が正しい行動だったかどうかを確認します。完璧な回答を書きながら破壊的なツールを誤って呼び出したモデルは、タスクに合格したとは言えません。







