- GPT-6 AstraはARC-AGI-3で99.9%を記録し、GPT-5.6 Solの7.8%を大幅に上回る
- ループ型トランスフォーマーは同じブロックを繰り返す構造で、2018年のUniversal Transformersに由来する
- OpenAIはMacを使ってコンピューター操作を学ばせる強化学習を進めているとみられる
GPT-6 Astraの性能と特徴
OpenAIのGPT-6 Astraは2026年9月に公開されました。執筆者のSebastian Raschka氏は、これまで使った中で最も優れたモデルの一つだと評しています。文章作成、数学、コーディングなど幅広い分野で前モデルを上回る一方、特に3Dレンダリングやアニメーションといったグラフィックス関連のタスクで他モデルを引き離す印象だといいます。
独立した評価でもその傾向は確認できます。ARC-AGI-3では99.9%を記録し、GPT-5.6 Solの7.8%を大きく上回りました。ただし、エージェント型のコーディング指標などでは、他社の最先端モデルと比較して決定的な差があるわけではありません。評価に使うハーネス（実行環境）によって結果が変わるため、数値を読む際には注意が必要です。
コンピューター利用の学習
GPT-6 Astraのデモで目立つのは、コンピューターの画面上でソフトウェアを操作する能力です。例えば、ブラウザ版のMS Paint上でマウスを使って写真を描き直す実演が紹介されています。Codex/ChatGPTアプリを通じてローカルPCのGUIを操作する「コンピューター利用」は、新しい可能性を示しています。
OpenAIが大量のMacを調達したという報道も、この流れと一致します。MacはmacOS上での操作を学習するための環境として使われます。タスクを与えてスクリーンショットを渡し、モデルがマウスやキーボードの操作を予測し、実行結果を再びスクリーンショットでフィードバックする、という手順を繰り返します。NVIDIAのCEOは、GPT-6 Astraの学習に約10万台のGrace Blackwell GPUが使われたと発言しています。
ループ型トランスフォーマーとは
The Informationは、GPT-6 Astraに「ループ型トランスフォーマー」または「recurrent depth」と呼ばれる技術が使われていると報じました。ループ型トランスフォーマーは、複数のブロックを直列に並べる代わりに、同じブロックを入力に何度も通す構造です。通常のトランスフォーマーでは、注意機構やフィードフォワードを含むブロックを順番に1回ずつ通過します。
ループ型の特徴は、ブロックを通すたびに重みが共有されることです。新しいパラメータを増やさずに計算を繰り返せるため、処理を深くできる可能性があります。この考え方自体は新しいものではなく、2018年のUniversal Transformersにすでに見られます。
推論を隠す噂との関係
GPT-6 Astraは、検証可能な報酬を使う強化学習（RLVR）で中間的な推論を生成する「推論モデル」です。その一方で、ループ型トランスフォーマーの採用が、推論過程（チェーン・オブ・ソート）を外部から見えなくしているという噂もあります。
ただし、この2つの話が直接結びつくかは、現時点では断定できません。ループ型トランスフォーマーは構造上の工夫であり、それ自体が意図的に推論過程を隠す仕組みを意味するわけではないとみられます。OpenAIの正式な技術説明や、同一条件での比較研究が公表されれば、この関係をより正確に検証できるでしょう。
| 比較項目 | 従来のスタック | ループ型トランスフォーマー |
|---|---|---|
| データの流れ | 各ブロックを順に1回ずつ通る | 同じブロックを複数回通る |
| ブロックの重み | ブロックごとに異なる | すべてのパスで共有される |
| パラメータ数の増え方 | ブロック数に応じて増える | 適用回数には依存しない |
So, some of the agentic evaluations might underestimate how well Astra performs in its primary harness.
そのため、エージェント型の評価の一部は、Astraが本来のハーネスで発揮する性能を過小評価している可能性があります。
今後の見通し
今後の焦点は、OpenAIがGPT-6 Astraのアーキテクチャや学習方法の詳細をどこまで公表するかです。ループ型トランスフォーマーの採用が事実なら、応用回数や学習の安定性が性能に与える影響が検証されるでしょう。また、推論過程を秘匿するという指摘が本当なら、安全性や説明可能性の面で議論が起こる可能性もあります。ベンチマークの解釈も、ハーネスの違いが評価に影響するという指摘を踏まえて慎重に進める必要があります。OpenAIの技術報告書や独立した比較実験が公表されれば、より明確な判断ができるようになるでしょう。
日本の開発者・IT企業にとっての意味
日本のIT企業にとって、GPT-6 Astraの登場はモデル選定と開発方針の両方に影響します。コンピューター利用の強みは、API経由でPC上のGUI操作を自動化するソリューションを検討する際の選択肢を広げます。ただし、ベンチマークがハーネスに依存する点を踏まえると、自社のユースケースで直接試すことが重要です。また、ループ型トランスフォーマーのように既存手法が再評価される流れは、モデルアーキテクチャの研究開発にも参考になります。自社でモデルを調整する場合は、パラメータと計算量のトレードオフや、推論過程の解釈可能性をどの程度重視するかを改めて考える必要があるでしょう。
気になる点
- GPT-6 Astraのアーキテクチャは公開されていますか？
- 現時点では、OpenAIから公式の技術報告書は確認されていません。The Informationの報道で「ループ型トランスフォーマー」や「recurrent depth」が使われているとされていますが、詳細は公表前の情報が中心です。実際の構成を判断するには、OpenAIの正式な文書や第三者による検証を待つ必要があります。
- ループ型トランスフォーマーは新しい技術ですか？
- 新しい技術ではありません。同じブロックを繰り返し使うというアイデアは2018年のUniversal Transformersに遡ります。パラメータを大幅に増やさずに処理を深くできる可能性が注目されていますが、GPT-6 Astraへの実際の採用効果は公開情報だけでは判断できません。
用語解説
- ループ型トランスフォーマー
- 同じトランスフォーマーブロックを複数回適用する構造。重みを共有し、パラメータ数を増やさずに処理を深められる。
- RLVR
- 検証可能な報酬を使う強化学習。モデルの回答が正解かどうかを機械的に判定して学習に使う手法。
- ARC-AGI-3
- 論理パズルと一般化能力を測るベンチマーク。GPT-6 Astraは99.9%、GPT-5.6 Solは7.8%を記録した。
- チェーン・オブ・ソート
- モデルが最終回答を出す前に行う中間的な推論過程。回答の理由を説明するために使われる。
- ハーネス
- AIエージェントの評価や実行を制御する環境。ハーネスの実装が性能評価の数値に影響しうる。
出典
GPT-6 Astra, Looped Transformers, and Hidden Reasoning
https://magazine.sebastianraschka.com/p/gpt-6-astra-looped-transformers-and
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する